Co-Scientist: wieloagentowy partner do tworzenia hipotez

Jak działa koalicja agentów

Google DeepMind opisuje Co-Scientist jako system wyspecjalizowanych agentów opartych na Gemini, koordynowanych przez supervisora. Role obejmują generowanie hipotez, grupowanie podobnych pomysłów, refleksję przypominającą recenzję, porównywanie propozycji parami, rozwijanie najlepszych kierunków oraz syntezę meta-recenzji. Ranking korzysta z turnieju w stylu ELO, dzięki czemu system nie musi przyjmować pierwszej płynnie brzmiącej odpowiedzi. Większość obliczeń ma służyć krytyce i selekcji, a nie wyłącznie produkowaniu większej liczby tekstu.

System łączy wyszukiwanie literatury i internetu z bazami takimi jak ChEMBL i UniProt oraz wybranymi narzędziami specjalistycznymi, testowo również AlphaFold. Rezultatem nie ma być automatycznie zaakceptowane odkrycie, lecz uporządkowana propozycja badawcza z argumentami, odniesieniami i kierunkiem eksperymentu. Źródło Google przedstawia architekturę oraz przypadki użycia. Wniosek, że turniej idei jest mechanizmem redukcji przedwczesnego przywiązania do jednej hipotezy, jest interpretacją redakcyjną Mateusza, a nie osobno zmierzonym efektem.

Co pokazują testy laboratoryjne

Google i laboratoria partnerskie opisują hipotezy dotyczące między innymi włóknienia wątroby, ALS, starzenia komórkowego i chorób zakaźnych. W jednym eksperymencie dotyczącym włóknienia wskazany kandydat zablokował 91% badanej reakcji związanej z bliznowaceniem. To kontakt z rzeczywistością silniejszy niż sama ocena tekstowa: propozycja została wystawiona na fizyczny eksperyment. Wynik pozostaje jednak rezultatem jednego opisanego przypadku i konkretnego odczytu laboratoryjnego, a nie ogólną miarą skuteczności całego systemu.

DeepMind informuje również o zaangażowaniu ponad stu instytucji w rozwój i ocenę programu. Szerokość współpracy zwiększa różnorodność problemów, lecz liczba partnerów nie zastępuje danych o trafności wszystkich wygenerowanych hipotez. Do pełniejszej oceny potrzebne są mianowniki: ile propozycji odrzucono, ile weszło do laboratorium, ile dało pozytywny wynik i ile przetrwało replikację. Obecne dowody wspierają wykonalność procesu oraz kilka obiecujących przypadków, nie uniwersalną stopę odkryć.

Czego system nie rozstrzyga

Co-Scientist może porównać więcej kierunków niż pojedynczy badacz, ale nie wybiera samodzielnie społecznie właściwego celu, dopuszczalnego ryzyka ani standardu dowodu. Ranking ELO określa względną pozycję hipotez wewnątrz puli wygenerowanej przez system; nie dowodzi, że zwycięzca jest prawdziwy lub rzeczywiście nowy. Agent może także odziedziczyć luki literatury, błędy baz danych i uprzedzenia modeli, z których korzysta. Dlatego dobry raport musi pokazywać źródła, sprzeczności oraz stopień niepewności.

Pozytywny wynik w komórkach lub innym modelu laboratoryjnym nie oznacza skutecznego leku dla ludzi. Pomiędzy hipotezą a zastosowaniem klinicznym pozostają replikacja, badania mechanizmu, bezpieczeństwa, dawkowania i kolejne etapy regulacyjne. System nie zastępuje również wiedzy eksperymentalnej potrzebnej do zauważenia wad procedury. Źródła pozwalają mówić o partnerze do generowania i porządkowania hipotez. Nie uzasadniają twierdzenia, że AI autonomicznie odkrywa terapie gotowe do użycia.

Proces decyzji proponowany przez Mateusza

Autorski model Mateusza prowadzi hipotezę przez pięć bramek: zgodność ze źródłami, odróżnienie nowości od powtórzenia, biologiczna wykonalność, ocena ryzyka oraz wcześniej zapisany eksperyment rozstrzygający. Agent może przygotować materiał dla każdej bramki, ale kompetentny zespół podejmuje decyzję o przejściu dalej. Model nie jest formalnym protokołem zaczerpniętym z komunikatu Google; jest propozycją zachowania ludzkiej odpowiedzialności przy wykorzystaniu szerokiej eksploracji systemu.

Najważniejsze kolejne dane to prospektywne porównania z zespołami ludzkimi, pełna liczba wygenerowanych kandydatów oraz odsetek hipotez przechodzących niezależną replikację. Warto mierzyć również koszt i czas od pytania do rozstrzygającego eksperymentu, nie tylko atrakcyjność końcowego raportu. Prawdziwy postęp będzie widoczny wtedy, gdy system regularnie proponuje kierunki trafne, nieoczywiste i możliwe do sprawdzenia, a negatywne wyniki pozostają raportowane równie przejrzyście jak sukcesy.

Od prototypu Gemini 2.0 do partnera wdrażanego z naukowcami

Google Research przedstawiło pierwszą wersję AI Co-Scientist w lutym 2025 roku jako system wielu agentów opartych na Gemini 2.0. Cel wykraczał poza streszczanie literatury: z pytania badacza system miał tworzyć hipotezy, uzasadnienie i propozycje eksperymentów, a następnie pozwalać człowiekowi dopisywać ograniczenia i kierować kolejną iteracją. W 2026 roku architektura oraz walidacje zostały opisane w artykule w Nature, a DeepMind pokazało kolejne współprace laboratoryjne. Ta sekwencja ma znaczenie, bo oddziela pierwotny prototyp i jego benchmarki od nowszych przypadków użycia.

DeepMind informuje o pracy z naukowcami z ponad stu instytucji oraz stopniowym udostępnianiu narzędzia indywidualnym badaczom przez Gemini for Science i partnerom Google Cloud. Liczba instytucji opisuje zasięg rozwoju i oceny, nie liczbę niezależnie potwierdzonych odkryć. System powinien być więc przedstawiany jako eksperymentalna platforma współpracy, której dowody dojrzewają warstwami. Dostęp do produktu, publikacja architektury i pozytywny przypadek laboratoryjny są trzema różnymi zdarzeniami; każde odpowiada na inne pytanie o gotowość.

Supervisor zamienia cel w kolejkę wyspecjalizowanej pracy

Badacz zaczyna od celu zapisanego w języku naturalnym oraz może dostarczyć pomysł początkowy, preferencje i ograniczenia. Agent Supervisor przekłada ten materiał na konfigurację planu, przydziela pracę do asynchronicznej kolejki i rozdziela zasoby pomiędzy role Generation, Reflection, Ranking, Evolution, Proximity oraz Meta-review. Generation tworzy kandydatów, Proximity grupuje bliskie pomysły, Reflection szuka luk, Ranking porównuje propozycje parami, Evolution łączy i rozwija lepsze kierunki, a Meta-review przygotowuje syntezę. Role opisują funkcje procesu, nie niezależnych ekspertów o odmiennym wykształceniu.

Asynchroniczna kolejka umożliwia zwiększanie obliczeń bez prowadzenia jednej monolitycznej rozmowy. Wynik jednego agenta może stać się materiałem do krytyki lub ewolucji w kolejnych rundach, a badacz może wprowadzić nową wiedzę i skorygować cel. Architektura przypomina zorganizowany warsztat hipotez, ale wszystkie role nadal opierają się na spokrewnionych modelach i mogą dzielić te same ślepe punkty. Wielość głosów w systemie nie jest równoważna niezależności metod, laboratoriów ani tradycji badawczych. Różnorodność trzeba budować również przez źródła, dane i zewnętrznych recenzentów.

Test-time compute i Elo pomagają selekcji, nie dowodzą prawdy

Co-Scientist inwestuje dodatkowy czas obliczeniowy po otrzymaniu pytania: agenci prowadzą debatę, oceniają pary hipotez i rozwijają najlepiej sklasyfikowane propozycje. Ranking Elo dostarcza sygnału zwrotnego, dzięki któremu system może przeznaczać kolejne rundy na obiecujące kierunki. W pierwotnym raporcie Google wyższe oceny Elo korelowały z większą trafnością na pytaniach GPQA, a automatyczne wyniki rosły wraz z obliczeniami. To pokazuje użyteczność mechanizmu selekcji, ale Elo pozostaje samooceną wytwarzaną wewnątrz systemu, a nie pomiarem natury.

Badanie objęło piętnaście otwartych celów przygotowanych przez ekspertów, natomiast ludzka ocena nowości i wpływu dotyczyła mniejszego podzbioru jedenastu. Autorzy raportują preferencję ekspertów dla wyników Co-Scientist względem porównań, lecz próbka jest niewielka, a osoby oceniały potencjał tekstowej hipotezy przed pełną serią eksperymentów. Więcej obliczeń może poprawić argumentację i usunąć oczywiste sprzeczności, ale nie gwarantuje, że pula zawiera prawdziwą odpowiedź. Turniej szereguje kandydatów wygenerowanych przez system; nie tworzy zewnętrznego punktu odniesienia.

Drabina dowodu: benchmark, ponowne odkrycie i mokre laboratorium

Dowody dla systemu mają różną siłę. Pytania benchmarkowe mierzą rozumowanie na znanym wyniku. Ocena ekspertów mówi, czy propozycja wydaje się nowa, trafna i testowalna. W eksperymencie dotyczącym transferu genów oporności system odtworzył mechanizm, który zespół badawczy znał z niepublicznych jeszcze wyników. To mocny test ukrytej odpowiedzi, lecz nadal ponowne odkrycie, a nie kierunek po raz pierwszy znaleziony przez AI. Najsilniejszy krok następuje wtedy, gdy hipoteza zapisana przed eksperymentem przewiduje rezultat, którego model nie mógł odczytać z literatury.

Pierwotne badanie opisywało trzy obszary biomedyczne: zmianę zastosowania leków, wybór nowych celów leczenia i mechanizmy oporności przeciwdrobnoustrojowej, zawsze z ekspertem w pętli. Nowsze materiały przedstawiają między innymi kandydata związanego z włóknieniem wątroby, który zablokował 91% konkretnej reakcji związanej z bliznowaceniem w teście laboratoryjnym. To istotny odczyt dla jednej hipotezy, nie 91-procentowa „skuteczność systemu” ani dowód kliniczny. Każde przejście od komputera do komórek, organizmu i pacjenta wymaga nowego poziomu walidacji.

Ugruntowanie w źródłach ma własne punkty awarii

System może używać wyszukiwania internetowego, ChEMBL, UniProt i wybranych modeli specjalistycznych, w tym AlphaFold w części współprac. Cytowania i bazy danych pomagają sprawdzić, czy hipoteza ma kontakt z wcześniejszymi wynikami oraz czy nie jest oczywistym powtórzeniem. Nie gwarantują jednak kompletności. Literatura zawiera sprzeczne eksperymenty, błędy, tendencyjność publikacyjną faworyzującą wyniki pozytywne i opóźnienia pomiędzy odkryciem a indeksem. Baza związku chemicznego lub białka może być aktualna w innym momencie niż artykuł, a nazwy biologiczne bywają niejednoznaczne.

Dobry raport powinien więc pokazywać dokładne źródło każdego kluczowego twierdzenia, wersję bazy, datę wyszukania, argument przeciw oraz dane, których nie znaleziono. Nowość wymaga czegoś więcej niż braku identycznego zdania w wyszukiwarce: trzeba sprawdzić synonimy, pokrewne mechanizmy, patenty i nieindeksowane jeszcze wyniki zespołu. Ugruntowanie jest procesem audytu, nie dekoracją z linkami. Agent może radykalnie poszerzyć pierwszy skan, ale specjalista nadal rozpoznaje, czy różnica języka oznacza nową koncepcję, czy jedynie przeformułowanie znanej idei.

Bezpieczeństwo i cel badania nie mogą być delegowane do rankingu

Nature opisuje domyślne kryteria obejmujące zgodność z celem, wiarygodność, nowość, testowalność i bezpieczeństwo. DeepMind raportuje także wewnętrzne i zewnętrzne oceny ryzyka niewłaściwego użycia w obszarach chemicznym, biologicznym, radiologicznym i jądrowym oraz przygotowanie klasyfikatorów blokujących nieetyczne cele. To ważny element systemu, lecz komunikat nie podaje pełnej ilościowej miary ryzyka resztkowego ani skuteczności dla każdej nowej kombinacji narzędzi. Klasyfikator zmniejsza ekspozycję, ale nie zastępuje instytucjonalnej kontroli badań.

Nawet bez złej intencji system może wskazać eksperyment z nieakceptowalnym ryzykiem biologicznym, wykorzystaniem danych pacjentów albo konfliktem interesów. Ranking atrakcyjności hipotezy nie uwzględnia automatycznie zgód etycznych, kompetencji laboratorium, dobrostanu zwierząt, wymogów klinicznych czy kosztu społecznego. Dlatego człowiek musi zachować decyzję o celu, dostępie do danych, zakupie materiałów i uruchomieniu procedury. Najbardziej produktywna propozycja nie jest z definicji propozycją dopuszczalną, a bezpieczna odmowa powinna być częścią działania systemu, nie wyjątkiem obsługiwanym po incydencie.

Jak włączyć Co-Scientist do audytowalnego procesu

Zespół powinien najpierw zapisać pytanie, stan wiedzy, kryterium nowości, ograniczenia i budżet eksperymentalny. Co-Scientist może wygenerować szeroką pulę, ale należy zachować również odrzucone kandydatury i powody rankingu. Następnie ekspert sprawdza źródła, konflikt z literaturą oraz wykonalność, a rozstrzygający eksperyment zostaje opisany przed poznaniem wyniku. Jeśli to możliwe, ocenę hipotez warto zaślepić względem ich autora i porównać z propozycjami ludzi lub prostszego systemu. Tak powstaje mierzalny test, a nie demonstracja wybrana po sukcesie.

Najważniejsze wskaźniki to czas i koszt do rozstrzygającego eksperymentu, liczba kandydatów potrzebnych do jednego sukcesu, odsetek wyników negatywnych, replikacja oraz jakość późniejszego mechanizmu. Publikowanie tylko najlepszych historii uniemożliwia obliczenie wartości procesu. Krytyczna ocena powinna również rozdzielić wkład modelu, baz danych, badacza, zespołu laboratoryjnego i wcześniejszej literatury. Co-Scientist może być wartościowym wzmacniaczem szerokości poszukiwania; jego dojrzałość poznamy po regularnych, prospektywnych i niezależnie powtarzalnych wynikach, a nie po płynności końcowej propozycji.

Wiarygodność zaczyna się przed wynikiem

W badaniach prowadzonych przez sieci agentów największe ryzyko nie pojawia się dopiero podczas interpretacji wyniku. Zaczyna się wcześniej, gdy system może wielokrotnie przeformułowywać pytanie, zmieniać kryteria sukcesu albo wybierać tylko te ścieżki, które prowadzą do atrakcyjnej konkluzji. Dlatego przed uruchomieniem właściwego eksperymentu warto prerejestrować hipotezę, główny rezultat, zasady wykluczania danych, plan analizy oraz warunek zatrzymania. Taki zapis powinien mieć datę, wersję i właściciela, a każda późniejsza zmiana powinna pozostawić widoczny ślad wraz z uzasadnieniem. Prerejestracja nie blokuje eksploracji. Oddziela jedynie analizę zaplanowaną od odkrycia dokonanego po obejrzeniu danych, dzięki czemu czytelnik rozumie, co było testem, a co nową hipotezą.

Równie ważna jest publikacja rezultatów negatywnych, niejednoznacznych i takich, które nie potwierdziły oczekiwanego efektu. Agent nie powinien usuwać nieudanych prób tylko dlatego, że nie tworzą efektownej narracji. Raport może opisywać, które podejścia odrzucono, na jakiej podstawie, jakie ograniczenia ujawnił eksperyment oraz czy wynik wskazuje na brak efektu, niedostateczny projekt badania czy niewystarczającą jakość danych. Zachowanie pełnej historii prób ogranicza selektywne raportowanie i pozwala kolejnym zespołom uniknąć powtarzania tych samych ślepych uliczek. Jeśli pełna publikacja jest niemożliwa z powodów prywatności, bezpieczeństwa albo licencji, należy ujawnić sam fakt istnienia wyniku oraz jasno opisać zakres utajnienia.

Praktyczny standard może łączyć publiczny rejestr planu z dziennikiem wykonania i końcowym raportem rozbieżności. Niezależna osoba lub oddzielny agent kontrolny sprawdza wtedy, czy rezultat odpowiada wcześniej zadeklarowanemu pytaniu, a także czy pominięte eksperymenty zostały wyjaśnione. Warto zachować również wersje promptów, konfigurację narzędzi, kod analizy i decyzje człowieka, ale nie po to, by tworzyć pozorną biurokrację. Chodzi o możliwość odtworzenia toku rozumowania oraz ocenę, czy wniosek był odporny na zmianę operatora lub modelu. Najbardziej przekonujący system badawczy nie udaje, że każda próba kończy się sukcesem. Pokazuje, w jaki sposób porażki zawęziły przestrzeń możliwych odpowiedzi i dlaczego końcowej tezie nadal można ufać.