• ИИ-агенты генерируют гипотезы быстрее и дешевле, чем ученые.
• Разрыв между потоком научных предположений и физической проверкой будет увеличиваться.
• Радикальная реформа научной инфраструктуры необходима для адаптации к ИИ.
• Молодые ученые могут потерять возможность развить собственное научное суждение.
• ИИ-агенты способны планировать достижение долгосрочных целей и взаимодействовать с внешним миром.
• Развитие ИИ-моделей, структурирующего программного обеспечения и кастомизация под нужды лабораторий способствуют росту полезности систем.
• Процесс генерации гипотез становится дешевым и массовым, но стадия валидации остается медленной и дорогой.
• Внедрение ИИ-агентов может привести к потере квалификации молодых ученых и снижению оригинальности в грантовых заявках.
• Автоматизация исследований не должна стать поводом для сокращения бюджетов, а страны, которые первыми запустят глубокую структурную трансформацию институтов науки, получат наибольшую отдачу.

Согласно докладу Google DeepMind «Conjecture Machines», разрыв между мгновенным потоком научных предположений и медленной, дорогой физической проверкой будет только увеличиваться. Это потребует радикальной реформы всей научной инфраструктуры — от лабораторий до системы рецензирования. Под основным ударом оказываются молодые ученые — они лишаются возможности развить собственное научное суждение и интуицию. Внедрение агентов сопряжено с социальными рисками. Первый — потеря квалификации («де-скиллинг») молодых учёных. Если исследователи-новички будут с самого начала полагаться на агентов, они не смогут развить собственное научное суждение и интуицию. Второй — институты могут предпочесть тратить бюджеты на вычислительные ресурсы, а не на персонал. Третий — снижение оригинальности в грантовых заявках и статьях из-за оптимизации текста под критерии фондов. Наконец, неравенство: если доступ к лучшим агентам будет ограничен, разрыв между богатыми и бедными институтами может усугубиться. Авторы выводят четыре приоритета для политиков и фондов. Первый — обеспечить учёным широкий доступ к агентам, сравнимый по стратегической важности с доступом к суперкомпьютерам. Второй — адаптировать национальные научные данные под агентов через открытые API с метаданными и контролем качества. Третий — инвестировать в экспериментальную инфраструктуру для валидации, включая автоматизированные лаборатории. Четвёртый — реформировать рецензирование: агенты могут помочь рецензентам справляться с лавиной публикаций, но сначала нужно выработать прозрачные правила их использования.