Кевін Мерфі, провідний дослідник Google DeepMind, представив систему Model Discovery Agent (MDA) — автономний ШІ-інструмент, який радикально змінює підхід до наукових відкриттів. Замість пасивного аналізу даних, MDA активно бере участь у дослідницькому циклі: генерує потенційні механізми явищ, визначає найбільш інформативний наступний експеримент і коригує свої гіпотези на основі отриманих результатів.

Архітектура агента побудована на принципі замкнутого циклу. Система починає з набору спостережень, формулює конкуруючі моделі, потім обирає експеримент, який максимально знизить невизначеність. Після проведення віртуального або реального тесту, MDA оновлює свої припущення та повторює процес. Це дозволяє їй швидко сходитися до істинних закономірностей без участі людини на проміжних етапах.

Ефективність на стику дисциплін

Тестування проводилося на завданнях з фізики, хімії та біології. Результати показали, що MDA значно перевершує існуючі методи машинного навчання за ефективністю навчання моделей на експериментальних даних. Зокрема, агенту вдалося скоротити кількість необхідних експериментів для досягнення заданої точності, що критично важливо в областях, де кожен дослід потребує значних ресурсів.

Наприклад, у хімічних завданнях MDA успішно ідентифікувала приховані параметри реакцій, а в біологічних симуляціях — виявила нелінійні залежності, які пропускали традиційні статистичні підходи. Ключова перевага — здатність працювати з малими вибірками, де класичні алгоритми перенавчаються або дають високу дисперсію.

Цей крок знаменує перехід від ШІ як інструменту аналізу до ШІ як повноцінного партнера в науковому пошуку. Впровадження таких агентів у лабораторну практику здатне прискорити відкриття нових матеріалів, ліків і технологічних процесів у рази, автоматизуючи рутинну частину дослідницької роботи.

Моя думка: MDA — це не просто черговий алгоритм, а зсув парадигми. У найближчі роки ми побачимо інтеграцію подібних агентів у комерційні R&D-платформи, що призведе до демократизації науки: невеликі стартапи зможуть конкурувати з гігантами, маючи доступ до «цифрових наукових співробітників». Однак важливо зберегти людський контроль над інтерпретацією результатів, щоб уникнути хибних кореляцій, які ШІ може прийняти за причинно-наслідкові зв'язки.