Изкуственият интелект не замества лабораторията, но я отлага. Все по-голяма част от научния метод вече се случва в компютърни модели, виртуални клетки и автономни роботизирани системи. Какво означава това за начина, по който разбираме и правим наука?
Преди три години изследователи от Университета на Вашингтон прегледаха виртуално гигантска библиотека от над два милиарда химични съединения. Не с ръце и пипети, и не с месеци и години в лаборатория. Направиха го с ИИ модел, наречен RosettaVS, за по-малко от седем дни, и стигнаха до конкретни молекули-кандидати с доказана биологична активност. Реалните физически тестове дойдоха едва след това, когато списъкът с кандидати вече беше стеснен от милиарди до единици.
Тази сцена се повтаря в различни форми из целия научен свят. Специалисти по нови материали компютърно „синтезират“ стотици хиляди нови двумерни материали, преди да пипнат реактив. Биолози симулират поведението на клетки с модели, заредени с данни от геномика, протеомика и метаболомика. Клинични изследователи изграждат виртуални пациенти, чиито медицински траектории могат да бъдат проследени без да се докосне нито един реален болен човек.
Въпросът, пред който науката се изправя, не е дали ИИ е полезен. Той вече очевиднно е. Въпросът е по-дълбок: когато моделът предлага хипотеза, тества я в симулирана среда и сочи резултат, правим ли наука? И ако да, какво остава от старото изискване всяко знание да бъде потвърдено с реален, физически опит?
Научният метод среща четвъртия си стадий
В продължение на векове науката разчита на три основни подхода: наблюдение и теория, след това изчисление и симулация. Информационната ера добавя четвърти, воден от данни. Изкуственият интелект се настанява именно в тази четвърта ниша, но с повишени амбиции.
Статия в npj Artificial Intelligence от 2025 г. проследява как езиковите модели от типа на GPT или Claude потенциално могат да участват в почти всяка фаза на научния цикъл: формулиране на хипотези, планиране на проверки, анализ на резултати и дори предлагане на нови обяснения. Авторите, сред които изследователи от Francis Crick Institute и Karolinska Institutet, подчертават, че за да бъде ИИ действително полезен, той трябва да е интегриран в работата на учените с ясни мерила за оценка. Иначе остава само инструмент за автоматизация, а не за разбиране.
Именно думата „разбиране“ е ключова. В класически коментар, публикуван в Nature Reviews Physics от 2022 г., Алан Аспуру-Гузик от Университета на Торонто поставя въпроса по-остро: оракул, който правилно предсказва резултата от всеки физически опит, би революционизирал науката. Но учените не биха останали доволни, защото биха искали да разберат как оракулът прави тези предсказания. Научното разбиране, пише Аспуру-Гузик, е нещо различно от предсказателната точност. То изисква обяснения, модели на причинност, концептуални рамки.
Тази разлика е важна. ИИ може да е много добър в намирането на закономерности, с които да предсказва. Дали тези закономерности водят до истинско знание за света, е отделен въпрос.
Когато лабораторията стане виртуална
Тук идва понятието „in silico“ наука – изследване, провеждано изцяло в компютърна среда чрез модели и симулации. Идеята не е нова: физиците симулират сблъсъци на частици от десетилетия, а климатолозите моделират атмосферата. Новото тук е мащабът и биологичната сложност на системите, които вече могат да бъдат симулирани.
Напоследък три типа „изкуствена изследователска среда“ се очертаха като особено значими:
Виртуалното скриниране е процес, при който ИИ оценява свойствата на огромни библиотеки от молекули или материали преди всякакъв физически синтез или тест. Платформата RosettaVS, описана в Nature Communications от 2024 г., прави именно това с лекарствени молекули. Системата предсказва как дадено съединение ще се свърже с таргетен протеин, позволява работа с гъвкав рецептор (а не само с твърда структура) и за двата тествани биологични таргета постига процент на успеваемост, значително по-висок от случайния избор. Реалният биохимичен тест идва чак след виртуалното скриниране, само за да потвърди и валидира, а не за да търси тепърва.
Сходна логика работи и в материалознанието. Статия в npj Computational Materials описва стратегия за виртуално скриниране на двумерни материали, при която ИИ генерира и оценява над 316 000 химически нови кандидати. Да се синтезира всеки от тях физически би отнело стотици години. Изчислителният подход стеснява пространството на търсене до шепа перспективни кандидати с точно определени свойства за съхранение и преобразуване на енергия.
Цифровите двойници са виртуални представяния на реални системи, в случая на пациенти. Публикации в Clinical and Translational Science и в Expert Opinion on Drug Discovery описват как генеративни ИИ модели могат да изградят симулиран „двойник“ на пациент въз основа на данни за неговата медицинска история, след което да тестват върху него различни лечебни схеми или да предвидят хода на болестта му. Авторите на прегледната статия в Expert Opinion са предпазливи: сегашните цифрови двойници все още симулират ограничен брой биологични характеристики и не улавят пълната сложност на живия организъм. Потенциалът обаче е ясен. В клинични изпитвания, където контролната група може да бъде заменена частично или изцяло с виртуални пациенти, броят на реалните участници може да намалее, а заедно с него и разходите, сроковете и рисковете за хората в изпитването.
Виртуалните клетки са може би най-радикалната идея в тази посока. Публикация в Cell Research от 2025 г. описва концепцията за ИИ виртуални клетки, изградени върху три типа данни: геномни, протеомни и метаболомни. Идеята е, че ако имате достатъчно многослойна биологична информация за клетъчните функции, можете да построите модел, върху който да симулирате биологични процеси, промени в гените или реакция към лекарствени молекули, без да докосвате реална клетка. Авторите са внимателни: говорят за система с „обучение в затворен цикъл“ (closed-loop learning), при което моделът непрекъснато се коригира въз основа на нови данни. Това е ключова разлика от статичен симулатор: виртуалната клетка се обновява, когато реалният свят ѝ предостави нова информация.
Когато машината сама избира следващия опит
Паралелно с чисто виртуалната наука съществува и хибриден модел, при който ИИ не само симулира, но и управлява реалните физически стъпки. Това са т.нар. „самоуправляващи се лаборатории.
Изследване в Science Advances описва автономен робот-химик, разработен от Samsung Advanced Institute of Technology, който при зададена молекула-цел сам планира синтетичните пътища, задава условията на реакцията и изпълнява синтеза физически чрез роботизирана платформа. Машината не само предсказва, тя и действа. Аналогична система, описана в Science от 2019 г. от групата на Курцман (Cronin) в Глазгоу, демонстрира как роботизирана химична платформа може да работи 24 часа на денонощие, изследвайки пространства от реакции, до каквито никой химик не би стигнал физически в разумно време.
Важното е какво се случва в тези системи от гледна точка на научния метод. Хипотезата вече не се формулира само от човека. Моделът предлага следваща стъпка въз основа на предишните резултати. Тестът се изпълнява от робот. Данните се анализират автоматично. Новата хипотеза се ражда отново от машината. Цикълът „хипотеза, тест, анализ, нова хипотеза“ е запазен, но участието на учения се е преместило нагоре в йерархията: той задава целта, следи качеството и интерпретира крайния резултат.
Само по себе си това не е напълно ново. Автоматизацията в науката съществува от десетилетия. Но комбинацията от ИИ планиране, роботика и затворен обратен цикъл означава, че системата може да открива и неочевидни закономерности, без учен да е формулирал предварителна хипотеза за тях.
Какво казват изследователите за разбирането
В прегледната статия на Аспуру-Гузик в Nature Reviews Physics авторите разграничават три вида компютърно-подпомогнато научно разбиране. Първото е, когато ИИ помага на учения да разпознае закономерности в данни, твърде сложни за пряко наблюдение. Второто е, когато моделът предлага нови концептуални рамки или аналогии, ускоряващи интуицията на изследователя. Третото, и най-спорното, е когато ИИ системата сама стига до нещо, което наподобява „разбиране“ – когато моделът не само предсказва, а може да обясни защо, в смисъл съвместим с физическите закони и наблюдаемите явления.
За третото ниво науката все още няма консенсус. Езиковите модели от типа на GPT-4 могат да генерират обяснения, но не е ясно дали тези обяснения отразяват реална каузална структура в света или са само статистически убедителни рекомбинации на текстове от литературата. За външния наблюдателя двете изглеждат неразличими. Проблемът е, че понякога са неразличими и за самия модел.
По-ясно стоят нещата при моделите за конкретни физически и химични системи. Когато молекулен модел предсказва правилно как протеин ще се свърже с лекарство и след това рентгеновата кристалография потвърди предсказаната структура, това вече не е просто статистика. Физиката зад предсказанието е верифицирана. Тогава можем да кажем, че виртуалният тест е бил не просто точен, но е уловил нещо реално.
Ограниченията, които не трябва да се пренебрегват
Би било непочтено да представим картината само от едната страна. Изкуствената изследователска среда идва с ясни ограничения, за които самите изследователи пишат открито.
Едно от тях е зависимостта от данните. Всеки виртуален модел е толкова добър, колкото данните, от които се е научил. В области, където данните са оскъдни, непредставителни или пристрастно събрани, моделът ще произвежда пристрастни предсказания с висока привидна увереност. Например виртуална клетка, изградена почти изцяло върху данни от клетки на здрави млади мъже, ще предсказва неточно поведението на стари жени с хронично заболяване.
Друг проблем е, че ИИ е много силен при интерполация в пространствата, за които е бил обучен, но когато излиза извън тях, производителността му пада непредсказуемо. Науката обаче най-много се нуждае именно от тази способност: да стъпи в непознатото и да направи откритие там. Моделът не открива, в строгия смисъл, той доближава.
Друго ограничение е сложността на биологичните системи. Даже и виртуалната клетка, захранена с три вида биологични данни, е огромно опростяване на живата клетка с нейните хиляди едновременно протичащи процеси, механо-биологична чувствителност и случайни флуктуации. Авторите на статията в Cell Research го признават изрично: целта е не да заменят биологичния опит, а да го допълнят и да насочат изследванията в по-обещаващи посоки.
И накрая разбира се ИИ не може сам да направи валидацията накрая. Дори когато виртуалният резултат изглежда убедителен, наука без поне някаква форма на емпирична проверка остава непълна. Когато RosettaVS предсказа как молекулата ще се свърже с KLHDC2, след това именно рентгеновата кристалографска структура потвърди предсказанието. Така виртуалното откритие получи своята истинност от физическия свят.
Двама в лабораторията: учен и алгоритъм
Ако трябва да се обобщи каква наука правим днес с ИИ, точното описание не е „без реални експерименти“. По-точно е „с отложени и насочени реални експерименти“.
Когато преди тридесет години за всяко ново лекарство се тестваха физически стотици или хиляди съединения в биологични тестове, малко се вече има начин да се разбере предварително какво ще проработи. Изследователите търсеха на сляпо в огромно пространство от възможности, докато днес моделът поема тази задача. Той обхожда пространството виртуално, отхвърля девет от десет пътища без синтез, без реагент, без опитно животно. Физическият опит идва, когато вече имате сериозни основания да очаквате успех.
Това не е маловажна промяна, тя означава по-малко ресурси, по-малко отпадъчни химикали, по-малко животни в изследванията, по-бърза скорост от идея до кандидат. Означава също и по-малко случайни открития, защото системата търси в пространствата, предопределени от модела. Науката губи малко от плодотворната случайност, която историята обичаше.
Тук е и може би най-интересното напрежение. Научните открития, които са преустроили цели области, понякога са идвали от случайно наблюдение: пеницилинът, рентгеновите лъчи, батерията. ИИ е много добър в оптимизацията на известното, но по-малко добър в признаването, че нещо напълно неочаквано тъкмо ще се случи в епруветката.
Затова отговорът на въпроса „можем ли да правим открития без реални експерименти?“ е условен: да, за голяма и нарастваща категория въпроси, особено там, където пространството от възможности е твърде огромно за физическо изчерпване.; и не, за въпросите, чийто отговор се крие в непредвидимите прояви на реалния свят, тези, за които нямаме достатъчно данни да построим достатъчно добър модел, или тези, при които самото откритие се е родило от грешка.
С ИИ науката все по-често започва не в лабораторията, а в модела. Реалният опит идва по-късно, по-рядко, много по-целенасочено. С това лабораторията не изчезва, тя се е преместила нагоре по веригата, и вече от място на търсене се превръща в място на потвърждение. И може би точно там, в тази си нова позиция, тя ще върши по-ефективна работа.
Бележки и използвани източници
- Aspuru-Guzik, A. et al. „On scientific understanding with artificial intelligence.“ Nature Reviews Physics 4, 761-769 (2022). https://doi.org/10.1038/s42254-022-00518-3
- Zhang, Y. et al. „Exploring the role of large language models in the scientific method: from hypothesis to discovery.“ npj Artificial Intelligence 1, 14 (2025). https://doi.org/10.1038/s44387-025-00019-5
- Guo, T. et al. „Grow AI virtual cells: three data pillars and closed-loop learning.“ Cell Research 35, 319-321 (2025). https://doi.org/10.1038/s41422-025-01101-y
- DiMaio, F. et al. „An artificial intelligence accelerated virtual screening platform for drug discovery.“ Nature Communications 15, 7761 (2024). https://doi.org/10.1038/s41467-024-52061-7
- Er, S. et al. „An artificial intelligence-aided virtual screening recipe for two-dimensional materials discovery.“ npj Computational Materials 6, 106 (2020). https://doi.org/10.1038/s41524-020-00375-7
- Vidovszky, A. A. et al. „Increasing acceptance of AI-generated digital twins through clinical trial applications.“ Clinical and Translational Science 17(7), e13897 (2024). https://pmc.ncbi.nlm.nih.gov/articles/PMC11263130/
- Bordukova, M. et al. „Generative artificial intelligence empowers digital twins in drug discovery and clinical trials.“ Expert Opinion on Drug Discovery 19(1) (2024). https://pubmed.ncbi.nlm.nih.gov/37887266/
- Ha, T. et al. „AI-driven robotic chemist for autonomous synthesis of organic molecules.“ Science Advances 9, eadj0461 (2023). https://doi.org/10.1126/sciadv.adj0461
- Granda, J. M. et al. „Controlling an organic synthesis robot with machine learning to search for new reactivity.“ Science 365, 1086-1092 (2019). https://doi.org/10.1126/science.aax1566
Автор: Радослав Тодоров
Изображения: canva.com
Още подобни материали четете в новия специални брой на списание „Българска Наука“
