OpenScience udostępnia otwartego agenta badawczego, a pieniądze na automatyzację laboratoriów płyną dalej

Repozytorium opisuje OpenScience jako „agenta badawczego z warsztatem wokół niego”. Według README projektu podajesz mu cel zwykłym językiem, a on planuje, zbiera dowody, uruchamia kod i eksperymenty, po czym zwraca wyniki, które użytkownik może sprawdzić.

Działa jako aplikacja desktopowa, warsztat w przeglądarce albo polecenie w terminalu, na maszynie użytkownika i na jego plikach. Strona projektu wyjątkowo wprost mówi, czym to nie jest. „Powstał do tych części badań, które są prawdziwą pracą, ale nie pomysłem: ściąganie i czyszczenie danych, odtwarzanie twierdzenia, przeszukiwanie parametru, pisanie sekcji metod, sprawdzanie przypisu”, głosi README. „Pomysł i osąd zostają przy tobie”. Wybory projektowe wyglądają jak odpowiedź na konkretną obawę: agentów uprawiających naukę trudno audytować.

Każdy krok pokazuje, co agent pomyślał, czego szukał, co uruchomił i co napisał.

Dostępne są kernele powłoki, Pythona i R, a do tego system plików z jawnymi uprawnieniami odczytu i zapisu oraz zdalne zasoby obliczeniowe na zadania, których laptop nie udźwignie. Dołączone umiejętności obejmują biologię, chemię, fizykę, ML i inżynierię danych, z konektorami do ChEMBL, UniProt, PubMed i arXiv. Użytkownicy wnoszą własne klucze API, uruchamiają model lokalnie albo płacą za zarządzaną opcję o nazwie Ace.

Linia finansowania wciąż się wydłuża

OpenScience nie jest odosobnionym wydaniem. 29 października Opentrons ogłosił rundę finansowania Series E o wartości 40 mln dolarów, prowadzoną przez Avego, na rozwój automatyzacji laboratoriów opartej na AI, podaje Business Wire. Genetic Engineering and Biotechnology News opisał tę samą rundę 30 października jako pieniądze na robotykę, oprogramowanie i infrastrukturę danych. Robotics & Automation News doniósł o tym 30 października, a hi-Tech.ua poinformował 2 listopada, że firma chce współpracy w stylu GitHuba dla robotów laboratoryjnych.

Kapitał płynie też do strony bezpieczeństwa i utrzymania w firmowym IT.

Tech.eu podał 3 listopada, że mediolański CyberKord zebrał 2,7 mln euro w rundzie pre-seed, prowadzonej przez 360 Capital z udziałem Plus Partners, Addendum Capital i Vento. Firma, założona w 2026 roku przez Alessandro Maggio, Dragosa Tanasę i Cosimo Michelagnoliego, używa AI i cyfrowego bliźniaka infrastruktury klienta, żeby analizować problemy, symulować poprawki i wdrażać je. To nie firma laboratoryjna. Ma jednak tę samą propozycję: wyjąć ręczną pracę z pętli i pozwolić oprogramowaniu zrobić pierwsze przejście.

Najmocniejszy sygnał tygodnia przyszedł tymczasem od dostawcy oprogramowania, który zwalnia ludzi i wskazuje automatyzację jako powód. Prezes SUSE Dirk-Peter van Leeuwen napisał w wewnętrznym mailu do załogi, że firma zwolni około 10 procent z 1 900 pracowników na świecie. Jako pierwszy doniósł o tym The Register w poniedziałek, a 2 listopada opisał heise online. „Automatyzacja i AI zasadniczo zmieniają sposób pracy firm software’owych”, napisał, cytuje heise. Dotknięci pracownicy mieli dowiedzieć się do środy, a indywidualne rozmowy zaczynają się na początku przyszłego tygodnia.

Co naprawdę pokazują prace naukowe

Literatura techniczna jest ostrożniejsza niż nagłówki o finansowaniu.

30 października zespół pod kierunkiem Jae-Hyuna Baeka zamieścił na arXiv pracę opisującą prowadzony przez LLM potok do odkrywania rodzin kwantowych kodów korygujących błędy wspomaganych splątaniem. Potok łączył ewolucję programów z dokładną oceną, formalnym sprawdzaniem dowodów w Lean i certyfikowanymi testami nieistnienia. Domknął 54 luki w archiwalnych tabelach i opublikował 115 zweryfikowanych rekordów kodów. Autorzy przeprowadzili też kontrolowane porównanie: programy iteracyjne wybrane przez walidację zadziałały w 46,1 procent i 31,6 procent wykonań na niewidzianych długościach kodów, wobec 19,5 procent i 3,1 procent dla programów generowanych niezależnie.

Druga praca na arXiv, przesłana tego samego dnia przez Akshata Janiego, Sakhinanę Sagara Srinivasa i Venkataramanę Runkana, pyta, czy agenci potrafią rzetelnie specyfikować symulacje inżynierskie. Na 120 zapytaniach dotyczących szablonów ich pełny proces osiągnął 98,3 procent poprawnych specyfikacji i decyzji w pierwszym kroku, wobec 92,5 procent dla pojedynczego strzału wspomaganego schematem i 82,5 procent dla podejścia opartego tylko na modelu. Proces nie podjął żadnej fałszywej decyzji o gotowości w 42 zapytaniach, które wymagały wyjaśnienia lub odrzucenia. W 12 testach na żywo od użytkownika do wyników 9 zakończyło się sukcesem w specyfikacji, wykonaniu, eksporcie i zgodności numerycznej, czyli 75 procent.

„Chcieliśmy sprawdzić, jak różne podejścia do uczenia kwantowego wypadają, gdy ilość danych treningowych jest celowo ograniczona”, powiedział Arslan Munir z Florida Atlantic University, według HPCwire.

HPCwire podał 2 listopada, że zespół Munira testował kwantowe uczenie maszynowe na przewidywaniu raka płuc z ograniczonych danych. Maszyny annealacyjne D-Wave, użyte w kwantowej maszynie wektorów nośnych, osiągnęły 94,31 procent dokładności w symulacji i 91,90 procent na sprzęcie. Zbiór danych zaczynał się od 309 rekordów i został zbalansowany do 540 próbek syntetycznymi przykładami, które według badaczy nie odpowiadały nowo rekrutowanym pacjentom.

Sprzęt rusza równolegle. Semiengineering podał 2 listopada, że badacze IBM zademonstrowali cztery sprzęgła dalekiego zasięgu między dwoma nadprzewodzącymi procesorami Nighthawk R1 po 120 kubitów, w pracy na arXiv. Własna praca IBM nad hodowlą stanów magicznych, zamieszczona na arXiv, wskazuje w tę samą stronę.

Gdzie należy się sceptycyzm

Najlepiej pokazuje przepaść między demem a wdrożeniem historia Claude’a i badacza ptasiej grypy.

Science News podał 26 października, że Anthropic twierdzi, iż badacz użył Claude’a do planowania badań i analizy danych dotyczących wysoce zjadliwej grypy ptaków, w tym prac nad mutacjami, które mogłyby pomóc wirusowi przystosować się do ssaków. Anthropic zbanował konto w maju 2026 roku za obchodzenie ograniczeń dostępu. Gregory Koblentz z George Mason University powiedział Science News, że „nie ma dowodów, by którekolwiek z tych badań było związane z opracowaniem broni biologicznej”, a Thomas Friedrich z University of Wisconsin–Madison stwierdził, że relacja firmy sugeruje, iż model „nie dodał istotnych zdolności naukowych”.

Każde z tych narzędzi staje teraz przed tym samym testem. Automatyzacja potrafi skrócić nudne części badań, a otwartoźródłowy warsztat pozwala obejrzeć jego kroki, co udaje się niewielu. Szybsza pętla nie znaczy jednak lepsze pytanie. Mail SUSE przypomina, że ten sam argument, który finansuje narzędzia, już odbiera ludziom pracę.