Изкуственият интелект вече не е само инструмент за анализ на данни. Той започва да участва активно в самия процес на научното откриване — от прогнози за епидемии до космология, климатични наблюдения и невронаука.
През есента (на 2025 г.) Google Research представи система, наречена Empirical Research Assistance — или накратко ERA. Тя е разработена, за да помага на учените да създават експертен софтуер за емпирични изследвания, да тестват хипотези и да намират решения на сложни научни задачи.
Първоначалните резултати показват, че ERA може да се справя с разнообразни предизвикателства — от клетъчна биология до невронаука. Сега Google Research описва четири реални научни приложения, в които системата вече се използва: обществено здраве, космология, климатични изследвания и невронаука.
1. Прогнози за грип, COVID-19 и RSV
Една от най-практичните области, в които ERA вече показва резултати, е епидемиологията.
В първоначалната научна публикация системата е използвана за прогнозиране на хоспитализации, свързани с COVID-19 в САЩ. Според Google тя е успяла ретроспективно да достигне или дори да надмине резултатите на някои от съществуващите инструменти, използвани от Центровете за контрол и превенция на заболяванията на САЩ — CDC — и водещи изследователски институции.
След това екипът разширява приложението на ERA. Системата вече се използва не само за COVID-19, но и за грип и респираторно-синцитиален вирус — RSV. Google започва да подава седмични прогнози за всеки американски щат и за различни времеви хоризонти до четири седмици напред.
Това е важно, защото точните прогнози за хоспитализации могат да помогнат на болници, здравни власти и правителства да се подготвят по-добре за сезонни вълни от инфекции. Ако подобни AI инструменти станат по-достъпни, те могат да дадат възможност и на по-малки институции или страни с по-ограничени ресурси да използват напреднали модели за обществено здраве.
2. Космически струни и гравитационно излъчване
Втората област е далеч по-фундаментална: космологията.
Космическите струни са хипотетични дефекти в тъканта на пространство-времето, които според някои теории може да са се образували в ранната Вселена. Смята се, че те биха могли да излъчват гравитационна енергия.
Изчисляването на спектъра на тази енергия обаче е изключително трудно. Причината е, че уравненията съдържат сингулярности — математически точки, в които стойностите клонят към безкрайност и стандартните модели започват да се провалят.
Според Google миналата есен е публикуван труд, в който GPT-5 намира частично решение за гравитационната енергия, излъчвана от космически струни, но само за най-простия случай — квадратен контур с ъгъл 90 градуса. Пълното обобщено решение остава отворен проблем.
Google комбинира ERA с Gemini Deep Think, за да изследва систематично математически подходи, които могат да се справят със сингулярностите. В резултат изследователите съобщават, че са достигнали до шест общи решения и кратка формула за асимптотичния предел.
Този пример показва потенциала на AI системите не просто да обработват данни, а да помагат в решаването на реални математически и физични проблеми на границата на съвременното знание.
3. Климат: измерване на CO₂ чрез метеорологични сателити
Третото приложение е свързано с климата и мониторинга на въглеродния диоксид.
Редовните измервания на CO₂ започват в края на 50-те години в обсерваторията Мауна Лоа на Хаваите. Именно тези данни създават прочутата крива на Кийлинг, която показва дългосрочното покачване на концентрацията на въглероден диоксид в атмосферата.
Днес учените разполагат със специализирани сателити като OCO-2 на NASA, които измерват CO₂ с висока точност. Проблемът е, че те покриват само малка част от земната повърхност и се връщат към едно и също място сравнително рядко.
От друга страна, геостационарни сателити като GOES East наблюдават цяло полукълбо на всеки 10 минути. Те обаче не са проектирани специално за измерване на CO₂.
Тук ERA се използва, за да помогне за създаването на физически насочена невронна мрежа, която извлича сигнал за средната концентрация на CO₂ в атмосферен стълб от съществуващите наблюдения на GOES East. Моделът комбинира данни от 16 дължини на вълната, метеорологична информация, ъгли на слънчевото осветяване и сезонни фактори.
След обучение върху данни от OCO-2 и OCO-3 моделът успява да изчислява CO₂ с висока пространствена и времева резолюция — навсякъде и на всеки 10 минути.
Това е особено ценно, защото показва как AI може да извлича нова научна стойност от вече съществуващи инструменти. Вместо да се разчита само на скъпи нови сателитни мисии, изкуственият интелект може да разшири възможностите на наличните наблюдателни системи.
4. Невронаука: откриване на механизми в мозъчни вериги
Четвъртото приложение е в невронауката.
Днес учените могат да картографират активността на десетки хиляди неврони в живи мозъци. Следващото голямо предизвикателство е да се разбере как тези неврони образуват функционални вериги — тоест как точно водят от сетивен стимул до поведение.
Google използва ERA при изследване на зеброви рибки — популярен модел в невронауката. Тези малки риби реагират на шарки от светли и тъмни ивици, които в природата се образуват от светлината, преминаваща през водната повърхност. Такива визуални сигнали им помагат да се ориентират и да останат в плитка вода.
Изследователите предоставят на ERA „схема на свързване“ от симулирана рибка — simZFish. Системата знае кои клетки са свързани, но не получава математическите правила, които управляват взаимодействията между тях.
На тази основа ERA предлага възможни невронни вериги, които свързват визуалния стимул, невронната активност и двигателната реакция. Когато тези AI-хипотези са тествани с нови визуални стимули, те не се оказват просто статистически съвпадения, а работещи модели на механизма.
Това е важна стъпка, защото показва, че AI може да прави повече от „черна кутия“ за предсказания. Когато е снабден със структурна информация, той може да открива интерпретируеми и механистично точни решения — нещо от огромно значение за изучаването на мозъка.
Какво означава това за бъдещето на науката?
Четирите примера показват различни начини, по които AI може да промени научната работа.
В епидемиологията той може да подобри прогнозите и да направи сложното моделиране по-достъпно. В космологията може да помага при решаване на трудни математически задачи. В климатичните науки може да извлича нова информация от вече съществуващи сателити. В невронауката може да помага за откриване на реалните механизми зад поведението и мозъчната активност.
Общото между тези случаи е, че изкуственият интелект вече не е само помощник за автоматизация. Той започва да се превръща в партньор в научното мислене — инструмент, който може да предлага хипотези, да тества модели и да ускорява пътя от данните към разбирането.
Google Research представя ERA като част от по-широка вълна от AI инструменти за научни открития, сред които са още co-scientist и PAT. Резултатите засега са ранни, но посоката е ясна: бъдещата наука вероятно ще бъде все по-тясно свързана с изкуствения интелект.
Източник: https://research.google/blog/four-ways-google-research-scientists-have-been-using-empirical-research-assistance/
