Около 170 тысяч экспериментально подтвержденных белковых структур и десятилетия работы всего научного сообщества дали AlphaFold шанс решить задачу, которую не могли нормально сдвинуть полвека. Но ИИ-агенты в науке, похоже, окажутся для большинства лабораторий важнее, чем еще один культ больших датасетов: не потому, что они умнее ученых, а потому что умеют собирать гипотезы, спорить с ними и документировать каждый шаг.
Именно к такому выводу подводит свежая колонка MIT Technology Review. Как пишет MIT Technology Review, история с AlphaFold стала слишком удобным шаблоном для всей индустрии: если дать модели достаточно данных, она якобы ускорит любую область науки до «цифровой скорости». На практике этот рецепт работает редко, потому что в большинстве дисциплин нет ни сопоставимых массивов качественных данных, ни условий, в которых их можно быстро собрать.
Повод для этой дискуссии понятен. В 2024 году Демис Хассабис и Джон Джампер из Google DeepMind получили половину Нобелевской премии по химии за AlphaFold, систему предсказания трехмерной структуры белков. Успех выглядел как учебник по современной AI-магии: есть огромный проверенный массив данных, есть мощная нейросеть, есть результат, который меняет правила игры. На этом фоне стартапы в биологии, химии и материаловедении начали поднимать миллиарды долларов под идею foundation-моделей для науки. Логика была простой: если с белками сработало, значит, дальше вопрос масштаба и капитала.
Проблема в том, что история AlphaFold выросла на крайне редком фундаменте. Ключом к ее успеху стал Protein Data Bank, репозиторий, который собирали 53 года международной кооперации. По оценке, приведенной в материале, на создание этого корпуса ушло около 21 млрд долларов экспериментальной работы. Для разработчика это звучит как мечта: большой, стандартизованный, верифицированный датасет. Для реальной науки это почти роскошь. Даже если деньги находятся, такие инфраструктурные проекты трудно координировать, еще труднее стандартизовать, а результаты в живой экспериментальной среде часто плавают сильнее, чем любят презентации про AI for science.
В биологии и химии данные нередко ломаются не из-за плохих ученых, а из-за природы эксперимента. Клеточные линии дрейфуют. Реактивы содержат следовые примеси. Влажность в лаборатории меняется. Один и тот же протокол в двух местах может дать разные результаты. Кристаллография белков, на которой и держался тот самый массив для AlphaFold, в этом смысле скорее исключение: воспроизводимая и надежная техника, на которую опирались более 25 нобелевских работ. В большинстве других областей получить столь же чистый, точный и масштабируемый датасет для обучения современной нейросети куда сложнее. Где-то это возможно, например в метеопрогнозировании, геномике или очень узких зонах химии. Но на горизонте ближайших лет это не станет универсальным рецептом.
Отсюда и главный тезис: ИИ-агенты в науке могут оказаться практичнее, чем очередная гонка за идеальным датасетом. Речь не о волшебной кнопке, а о системах, где языковая модель получает доступ к инструментам, может разбивать задачу на роли, строить гипотезы, критиковать их, сравнивать и уточнять. То есть делать то, чем и занята нормальная исследовательская работа под неопределенностью. Биолог, который ищет новую мишень для лекарства, и так не ждет идеального набора данных. Он берет docking, известные структуры, динамику молекул, несколько тестов на связывание и дальше включает профессиональное суждение. До недавнего времени софт так не работал. Теперь начинает.
Показательный пример — Google AI Co-Scientist, о котором DeepMind объявила 19 мая 2026 года. Системе дали одностраничный бриф и цель: понять, как устойчивость к антибиотикам передается между видами бактерий. Дальше она развернула несколько субагентов: один собирал гипотезы из литературы, другой критиковал их как рецензент, третий ранжировал варианты, четвертый дорабатывал победившую версию. На выходе система пришла к гипотезе, что гены устойчивости переносятся на бактериальных вирусах, используя их как транспорт в нового хозяина. По данным статьи, это совпало с выводом исследователей из Imperial College London, которые шли к нему около десяти лет в wet lab, а их работа на тот момент еще находилась на peer review.
У этой модели есть важное следствие для отрасли, и оно выходит далеко за рамки лабораторий. Если агент автоматически логирует каждое действие, наука получает шанс не только ускориться, но и стать воспроизводимее. Для IT-аудитории здесь все почти болезненно знакомо: научный метод долго существовал без нормального version control. Исследователей годами уговаривали делиться сырыми данными, кодом и точной последовательностью шагов, но это обычно происходило уже после «интересной части» работы и потому саботировалось бытом. Агентная архитектура меняет саму механику процесса: журнал действий, цепочка решений и маршрут до результата появляются по умолчанию. Это потенциальный ответ на кризис воспроизводимости, который десятилетиями портит жизнь академии и фарме.
Есть и второй эффект, более приземленный для бизнеса и инженерных команд. Агент хранит институциональную память лучше, чем пачка лабораторных тетрадей, Slack и память двух ключевых сотрудников, которые ушли в другой проект. Для R&D-команд это означает меньше потерь на передаче контекста, быстрее онбординг и более дешевую проверку гипотез. Для продуктовых и платформенных команд сигнал тоже прозрачный: рынок AI for science может сместиться от продажи «всеобъясняющей модели» к продаже агентных контуров, которые умеют работать с кривыми данными, внешними инструментами и экспериментальным циклом.
При этом статья не романтизирует технологию. Научные агенты все еще галлюцинируют, их суждение нестабильно, а память и длина автономной работы ограничены. Но если узким местом науки действительно становится не вычисление, а скорость перебора и проверки гипотез, то гонка за следующим AlphaFold может оказаться не самым коротким путем. Куда интереснее вопрос, сколько научных процессов в ближайшие годы превратятся в агентные пайплайны и какие команды успеют встроить это раньше других. Подробнее об этой логике можно прочитать в .