ainews
Почему AlphaFold — не шаблон для AI в науке: будущее за агентами, а не данными
AlphaFold получил Нобелевку, но его подход (обучение на огромных датасетах) работает только в редких областях с идеальными данными. Для большинства научных задач нужны AI-агенты — системы рассуждений, которые комбинируют инструменты и думают как учёные, а не просто учатся на примерах.
Если вы строите AI для науки или инвестируете в биотех/химтех, это меняет стратегию: ставка на датасеты — тупик, ставка на reasoning-системы — окно возможностей. Агенты — это новая инфраструктура для R&D.
Что произошло
AlphaFold от DeepMind получил Нобелевку за предсказание структур белков и стал иконой AI в науке. Стартапы в биологии и химии собрали миллиарды, веря, что его подход — обучение на больших датасетах — сработает везде. Но Technology Review объясняет, почему это иллюзия.
AlphaFold работает благодаря Protein Data Bank — 170 тысяч экспериментально проверенных структур. Их собирали 53 года и потратили $21 млрд. В большинстве областей науки таких датасетов нет и не будет: эксперименты нестабильны (клетки меняются, химия грязная, условия плавают), координация проваливается, денег нет.
Выход — AI-агенты. Это не модели, натренированные на данных, а системы рассуждений с доступом к инструментам. Они работают как учёные: комбинируют методы, взвешивают результаты, итеративно уточняют гипотезы. Google AI Co-Scientist за одну сессию сгенерировал и проверил гипотезу о распространении антибиотикорезистентности — задача, на которую у людей уходят месяцы. Агенты не требуют идеальных датасетов, потому что умеют рассуждать в условиях неопределённости — как реальные исследователи.
Автор: Ксения Лаврова · Источник: technologyreview.com
Разработчикам. AI-агенты становятся новым фронтиром: архитектуры на основе LLM с доступом к API, симуляторам и лабораторному оборудованию. Стек — оркестрация инструментов, chain-of-thought reasoning, автоматическая генерация и валидация гипотез. Возможности расти в инфраструктуре для научных агентов, интеграции с лабораторными системами, специализированных reasoning-движках для биологии и химии.
Бизнесу. Стартапы, делающие ставку на foundation models для науки, рискуют столкнуться с отсутствием данных. Агенты открывают путь к автоматизации исследований без миллиардных датасетов — R&D-as-a-service, платформы для генерации гипотез, системы для ускорения разработки лекарств. Первые выстрелы будут в фарме, материаловедении, где эксперименты дороги, а итерации медленны.
Инвесторам. Переоценка foundation models в науке, недооценка агентов. AlphaFold — редкое исключение, а не правило. Перспективны платформы, которые автоматизируют научное рассуждение, а не просто предсказывают. Смотреть на компании, интегрирующие агентов с лабораторной автоматизацией, и на инфраструктуру для orchestration reasoning-систем. Horizon: 3-5 лет до массового внедрения.
- Платформы для научных AI-агентов: SaaS для автоматизации гипотез в фарме, химии, материалах — интеграция с лабораторными API и симуляторами
- Reasoning-движки для специализированных областей: химия, биология, физика — где нужна не модель, а система оркестрации инструментов
- R&D-ускорители для стартапов: «агент-исследователь в облаке» за подписку — быстрые итерации без найма PhD
- Инфраструктура для интеграции AI с лабораторным оборудованием: роботизированные системы + агенты для автономных экспериментов
- Консалтинг по переходу от foundation models к агентам для биотех- и химтех-стартапов, собравших деньги под «AlphaFold для X»
- Миллиарды, вложенные в foundation models для науки, могут не окупиться — данных просто нет и не будет в обозримом времени
- Агенты пока сырые: reasoning-способности LLM ограничены, ошибки в цепочках рассуждений могут вести к неверным выводам
- Регуляторика не готова к автономным AI-исследователям: кто отвечает, если агент ошибся в разработке лекарства?
- Переоценка скорости: даже с агентами научные прорывы требуют валидации, экспериментов, времени — не будет «науки на цифровой скорости» завтра
Вся биотех-индустрия два года носится с идеей «AlphaFold для X», но Technology Review жёстко отрезвляет: для большинства наук этот путь закрыт — нет и не будет датасетов нужного качества. Собрать их стоит десятки миллиардов и десятилетия, координация проваливается, а эксперименты слишком нестабильны. Foundation models в науке — это в основном хайп, подогретый Нобелевкой.
Реальная тема — AI-агенты. Они не учатся на примерах, а рассуждают: комбинируют инструменты, генерируют и проверяют гипотезы, итеративно уточняют выводы. Google AI Co-Scientist за одну сессию выдвинул гипотезу о резистентности бактерий — задача на месяцы работы. Агенты не требуют идеальных данных, потому что умеют работать с неопределённостью, как настоящие исследователи. Если строите в AI для науки — смотрите на reasoning-системы и orchestration, а не на очередную foundation model. Окно возможностей открыто, но оно не там, где все ищут.
Комментарии