Добродетельные машины: на пути к искусственному общему интеллекту в науке
Virtuous Machines: Towards Artificial General Science
August 19, 2025
Авторы: Gabrielle Wehr, Reuben Rideaux, Amaya J. Fox, David R. Lightfoot, Jason Tangen, Jason B. Mattingley, Shane E. Ehrhardt
cs.AI
Аннотация
Системы искусственного интеллекта трансформируют научные открытия, ускоряя выполнение конкретных исследовательских задач — от предсказания структуры белков до проектирования материалов, — однако пока остаются ограниченными узкими областями, требующими значительного человеческого контроля. Экспоненциальный рост научной литературы и усиление специализации в различных областях ограничивают способность исследователей синтезировать знания из разных дисциплин и разрабатывать унифицирующие теории, что стимулирует поиск более универсальных систем ИИ для науки. В данной работе мы демонстрируем, что агентная система ИИ, не зависящая от конкретной области, может самостоятельно управлять научным процессом — от генерации гипотез через сбор данных до подготовки рукописей. Система автономно разработала и провела три психологических исследования, посвященных зрительной рабочей памяти, ментальному вращению и яркости образов, организовала новый сбор данных онлайн с участием 288 человек, создала аналитические конвейеры в ходе непрерывных сессий программирования продолжительностью более 8 часов и подготовила завершенные рукописи. Результаты демонстрируют способность научных конвейеров ИИ проводить нетривиальные исследования с теоретическим обоснованием и методологической строгостью, сопоставимыми с опытом профессиональных исследователей, хотя и с ограничениями в концептуальной тонкости и теоретической интерпретации. Это шаг к воплощенному ИИ, способному проверять гипотезы через реальные эксперименты, ускоряя открытия за счет автономного исследования областей научного пространства, которые из-за когнитивных и ресурсных ограничений человека могли бы остаться неизученными. Это поднимает важные вопросы о природе научного понимания и атрибуции научных заслуг.
English
Artificial intelligence systems are transforming scientific discovery by
accelerating specific research tasks, from protein structure prediction to
materials design, yet remain confined to narrow domains requiring substantial
human oversight. The exponential growth of scientific literature and increasing
domain specialisation constrain researchers' capacity to synthesise knowledge
across disciplines and develop unifying theories, motivating exploration of
more general-purpose AI systems for science. Here we show that a
domain-agnostic, agentic AI system can independently navigate the scientific
workflow - from hypothesis generation through data collection to manuscript
preparation. The system autonomously designed and executed three psychological
studies on visual working memory, mental rotation, and imagery vividness,
executed one new online data collection with 288 participants, developed
analysis pipelines through 8-hour+ continuous coding sessions, and produced
completed manuscripts. The results demonstrate the capability of AI scientific
discovery pipelines to conduct non-trivial research with theoretical reasoning
and methodological rigour comparable to experienced researchers, though with
limitations in conceptual nuance and theoretical interpretation. This is a step
toward embodied AI that can test hypotheses through real-world experiments,
accelerating discovery by autonomously exploring regions of scientific space
that human cognitive and resource constraints might otherwise leave unexplored.
It raises important questions about the nature of scientific understanding and
the attribution of scientific credit.