Современные научные исследования генерируют колоссальные объёмы данных, но инструменты для их анализа часто оказываются узким местом. Типичное научное ПО — это код, написанный небольшой академической группой без опыта промышленной разработки. Он плохо упакован, не оптимизирован и требует постоянной поддержки, что отнимает время у самих учёных. OpenAI опубликовала отчёт, в котором на примере восьми проектов в области биоинформатики показано, как ИИ-агенты помогают решить эту проблему.
Почему научный код тормозит открытия
Проблема, описанная в отчёте, знакома многим исследователям. Программы для анализа геномных данных зачастую существуют в единственном экземпляре и «кочуют» между серверами. Они могут не установиться в чистом окружении или выдавать ошибки при малейшем изменении конфигурации. По данным агентства, даже рутинные улучшения способны экономить часы работы вычислительных кластеров, а полный рефакторинг или переписывание на Rust или C++ может дать многократный прирост производительности. Однако у учёных практически нет времени заниматься инженерными задачами.
Новая роль: учёный превращается в архитектора
Ключевое изменение, которое фиксируют авторы отчёта, — смещение роли исследователя. Вместо того чтобы вручную писать каждую строчку кода, учёные теперь формулируют задачу, определяют критерии корректности и проверяют итоговый результат. Агенты (в проектах использовались Codex от OpenAI и Claude Code от Anthropic) берут на себя черновую работу: создают каркас программы, проводят миграцию с языка на язык и оптимизируют узкие места.
«С кодинг-агентами легко двигаться быстро. Но для серьёзной науки по-прежнему нужны экспертиза, понимание, вкус и забота», — отмечает Брент Педерсен (Brent Pedersen), участник модернизации библиотеки для работы с геномными файлами cyvcf2. Барьер входа в вычислительную науку снижается, а фокус смещается на содержательную часть.
Главная сложность — «последняя миля» и верификация
Отчёт честно говорит о трудностях. Агенты отлично справляются с конкретными, хорошо сформулированными запросами, но не могут оценить научную валидность результата. Более того, они часто демонстрируют ложную уверенность, допуская грубые ошибки. Участники проектов выработали стратегию: разбиение глобальной задачи на мелкие шаги и использование чётких внешних референсов для проверки (например, точное совпадение вывода с эталонной реализацией или корректное прохождение статистических тестов).
При этом быстрый первый черновик — это лишь начало. На отлов пограничных случаев и тонких численных расхождений («последняя миля») уходит непропорционально много времени. Именно здесь человеческий глаз и интуиция остаются незаменимыми.
Долгосрочная судьба кода: риски фрагментации
Снижение стоимости разработки несёт скрытую угрозу. Когда любой аспирант может быстро сгенерировать новую версию популярного инструмента, возникает риск фрагментации: вместо одной поддерживаемой библиотеки появляется множество «одноразовых» форков, которые никто не будет обновлять.
В отчёте подчёркивается важность стратегии сопровождения. Например, улучшения библиотек MHCflurry и cyvcf2 были интегрированы обратно в оригинальные проекты. Инструмент rustar-aligner обрёл нового хранителя, так как исходный проект был заброшен. Авторы рекомендуют начинать диалог с мейнтейнерами как можно раньше. Код, написанный с помощью ИИ, должен иметь чёткого владельца и план поддержки, иначе он рискует усугубить ту самую проблему, которую пытался решить.
Отчёт носит исследовательский характер, но указывает на практический сдвиг в парадигме. Кодинг-агенты снижают стоимость рутинных задач. Их долгосрочная научная ценность по-прежнему определяется человеческими решениями: что строить, как проверять и кто будет поддерживать. Главный вывод — не в том, что учёные смогут писать больше кода, а в том, что они смогут тратить больше времени на саму науку.
Источник: https://openai.com/index/scientific-computing-agentic-ai/
Комментарии(0)
Оставьте комментарий
Войдите, чтобы присоединиться к обсуждению