От кода к физике: новый формат научного открытия
Команда исследователей во главе с Гунником Лутрой (Gunik Luthra) и Эстер Цай (Esther H. R. Tsai) представила работу, в которой демонстрирует работу «агентной системы» (agentic system) в реальных физических условиях. В отличие от предыдущих попыток автоматизации, где ИИ действовал как простой исполнитель, здесь ИИ-агенты интегрированы в замкнутый цикл (closed-loop) автономных экспериментов на синхротроне. Система управляет рентгеновскими исследованиями наночастиц, адаптируясь к меняющимся, заданным человеком целям.
Цифры сотрудничества: кто принимает решения?
Ключевой инновацией работы стала полная прозрачность взаимодействия. Авторы сохранили полные транскрипты диалогов между человеком и ИИ, а также между самими ИИ-агентами. Это позволило провести аудит и количественно оценить распределение когнитивной нагрузки. Оказалось, что большинство сообщений (61–67%) касались интерпретации данных и принятия суждений, а не просто выполнения команд.
Динамика участия ИИ менялась по мере развития экспериментов. В первой, более простой фазе, доля методологического и научного вклада ИИ составляла 46%. В последующих экспериментах, где задачи усложнялись, этот показатель вырос до 56–61%.
| Метрика | Значение / Диапазон | Значимость |
|---|---|---|
| Доля сообщений с интерпретацией | 61–67% | ИИ активно анализирует, а не только выполняет |
| Научный вклад ИИ (1-й эксперимент) | 46% | Базовый уровень автономности |
| Научный вклад ИИ (2-й и 3-й эксперименты) | 56–61% | Рост сложности и независимости агентов |
| Корректировки ошибок (коллективные) | 59–68% | Система способна к самокоррекции с участием человека |
| Решений с участием другого участника | ~50% | Высокий уровень коллаборации |
Почему это важно для науки и AI
Результаты показывают, что ИИ-агенты могут брать на себя значительную часть научной работы, но критически важная роль человека остается в сфере интерпретации и контроля. Около половины всех решений в системе принимались с учетом ввода другого участника (человека или другого агента), а более половины ошибок исправлялись коллективно. Это доказывает жизнеспособность модели «аудиторируемых команд» (auditable teams), где каждое решение ИИ можно проследить до его источника.
Работа закладывает основу для будущих систем автономной науки, делая их не только эффективнее, но и безопаснее для внедрения в серьезные исследовательские центры, такие как синхротронные установки.
Источник: arXiv cs.AI ↗