AI в науката (AlphaFold, GenCast, Co-Scientist, MatterGen)

Досега AI-ят, за който пиша тук, пишеше текстове или рисуваше картинки - неща, които и без него можеш да свършиш, само по-бавно. Тези четири проекта са различни. Тук AI-ят влиза в лаборатория, в метеорологичен център, в изследователски институт - и върши работа, която иначе отнема години. Не имитация на наука. Инструмент, който съкращава години до часове.

AlphaFold е дело на DeepMind - изследователската лаборатория на Google за изкуствен интелект. Задачата, с която се захвана, стоеше пред биологията 50 години: как една дълга верига от аминокиселини се сгъва в конкретна триизмерна форма - протеин. Формата решава всичко - кой ензим ще проработи, кое лекарство ще се захване за целта си, коя болест идва от грешно сгънат протеин. Хората решаваха един протеин с месеци в лаборатория. AlphaFold го предсказва за минути, с точност, съизмерима с реален експеримент, и направи достъпна картата на почти всеки познат протеин - нещо, което експериментално би отнело хилядолетия труд.

GenCast, пак на DeepMind, е дифузионен модел - същото семейство технология, което стои зад AI картинките, само че вместо пиксели то моделира атмосферата. Резултатът: прогноза за времето 15 дни напред, генерирана за 8 минути на един-единствен чип. Тя е и бърза, и по-точна от ECMWF, европейския еталон за прогнозиране, изграждан с десетилетия доверие зад гърба му. Урагани, горещини, наводнения - GenCast ги вижда по-рано и по-ясно от системите, върху които разчита цяла Европа.

Co-Scientist на Google работи по различен принцип: екип от AI агенти, изградени върху Gemini, семейството големи езикови модели на Google, вместо един-единствен модел. Едните агенти предлагат научни хипотези, другите веднага се опитват да ги съборят - търсят слаби места, липсваща логика, противоречия с известни данни. Оцеляват само хипотезите, издържали на атака. В съвместна работа със Станфорд системата предложи нов механизъм, по който бактериите си разменят устойчивост към антибиотици - идея, която учените после провериха в реална лаборатория и тя се потвърди.

MatterGen е на Microsoft Research, изследователското звено на Microsoft. Класическият начин да намериш нов материал е да пресееш милиони вече съществуващи съединения с надеждата едно от тях да свърши работа. MatterGen обръща логиката - казваш му какви свойства ти трябват, той направо проектира структура, която досега не е съществувала. Изследователи в Китай синтезираха един от предложените от него материали в реална лаборатория - и той се получи почти точно какъвто моделът предсказа.

Науката не е само четирите примера, и не е само на DeepMind и Microsoft. Anthropic започна програмата AI for Science през май 2025: безплатни кредити за Claude за изследователи с проекти с голямо значение. На 28 октомври 2026 разшири обхвата към 20 фондации, институти и изследователски групи, сред тях Sloan, Simons, Schmidt Sciences, Националната научна фондация на САЩ, Wellcome Sanger, Francis Crick и EMBL. Заедно с HHMI Janelia обяви и Model Hardware Standard, спецификация, която позволява на AI агенти безопасно да работят с лабораторни уреди, в research preview. Каква е стойността на кредитите, не е казано.

Тук AI-ят не довършва изречение вместо теб - той решава задача, пред която хората стояха безсилни с десетилетия.

Тук има втори пласт

Признавам си: повечето неща, които виждам от AI, са добра имитация. Хубав чат, хубава картинка - нищо, което истински да ме разтърси. Тези четирите ме разтърсват. Тук AI-ят прави нещо, което до вчера изобщо не можеше да се направи - без значение колко бързо пишеш или колко добре рисуваш.

Има и трън в тази роза. Всичко това работи в институции с бюджет за суперкомпютри и екипи учени зад гърба - не е нещо, което сядаш и пускаш вкъщи. Затова гледам на AlphaFold, GenCast, Co-Scientist и MatterGen най-вече като на сигнал накъде отива истинската сила на технологията - далеч от чатботовете, право в лабораторията.

Визуалът е генериран код-арт, без чужди изображения.