Лаборатории, которые работают сами — и насколько это правда
В мае 2026 года Nature опубликовал развёрнутый материал о революции self-driving labs — автономных лабораторий, управляемых искусственным интеллектом. Картина, которую рисует издание, впечатляет. Робот Ева в Технологическом университете Чалмерса в Гётеборге — пятиметровая платформа, чей манипулятор перемещается со скоростью нескольких метров в секунду с точностью до долей миллиметра. Ещё в 2018 году Ева самостоятельно проверила 1 600 химических соединений и обнаружила, что обычный антимикробный компонент трикло́зан способен воздействовать на фермент малярийного паразита в его дремлющей фазе. Исследователи только задали цель — дальше система строила гипотезы, планировала эксперименты и проводила их сама.
Acceleration Consortium под руководством Алана Аспуру-Гузика в Университете Торонто объединяет 50 автономных роботизированных установок в нескольких лабораториях и университетах — с финансированием в 200 миллионов канадских долларов. Система Coscientist в Университете Карнеги — Меллон принимает инструкции на обычном английском языке, ищет информацию в документах и интернете, планирует эксперименты и управляет роботизированным оборудованием. OpenAI и Ginkgo Bioworks протестировали более 30 000 экспериментальных условий за шесть месяцев и снизили стоимость синтеза белка на 40% при росте выхода на 27%.
Это не научная фантастика и не далёкое будущее. Это происходит прямо сейчас — в нескольких лабораториях мира, с реальными результатами и реальными инвестициями.
Что автоматизируется — и где граница
При всей впечатляющей картине авторы материала Nature последовательно обозначают границы. Росс Кинг, один из пионеров автономных лабораторий, говорит прямо: текущие self-driving labs «не понимают большой картины». Они оптимизируют соединения в рамках заданной задачи, улучшают уже известные материалы — но не совершают концептуальных прорывов. «Ни одна машина даже близко не подошла к тому, чтобы задаваться глубокими вопросами», — добавляет он.
Что автоматизируется хорошо уже сегодня: многократное повторение структурированных экспериментов, высокопроизводительный скрининг соединений, обработка и первичный анализ больших массивов данных, байесовская оптимизация параметров процессов. Lila Sciences сообщает, что год назад системе требовалась значительная поддержка при каждом шаге, а сейчас вмешательство человека нужно заметно реже. Fedus из Periodic Labs называет это «очень итеративным процессом»: автоматизируются отдельные части, которые доказали свою надёжность.
Что по-прежнему остаётся за человеком: постановка целей и выбор направления исследования, оценка неожиданных результатов, которые система не умеет интерпретировать, суждение в условиях неопределённости, где нет достаточно данных для статистической оптимизации, и безопасность — отдельная острая тема. Аспуру-Гузик разрабатывает специального ИИ-агента для оценки безопасности реакций с неизвестной реактивностью реагентов, потому что пробел в безопасности остаётся одним из главных уязвимых мест всего направления.
Fedus формулирует это точно: автоматизация «освобождает учёных для размышлений о химии и новых методах синтеза, а не для того, чтобы просто что-то измерять».
СИЗАМ — как первый практичный слой автоматизации до лаборатории: поиск, обзор, анализ источников
Self-driving labs существуют пока в нескольких лабораториях мира, оснащённых специализированным оборудованием стоимостью в миллионы долларов. Но запрос на автоматизацию научного цикла шире, чем роботизированные эксперименты, — и формируется он уже сейчас, в том числе в российских промышленных НИИ и R&D-командах предприятий.
Самый трудоёмкий и при этом наименее автоматизированный этап научного цикла в большинстве организаций — не эксперимент, а то, что ему предшествует: поиск релевантной литературы, анализ мирового опыта, изучение актуальных стандартов и методик, первичный отбор источников. Именно здесь инженер-исследователь тратит, по нашим наблюдениям, около 30% рабочего времени. Именно здесь автоматизация даёт немедленный и измеримый эффект — без роботизированного оборудования и без многомиллионных инвестиций.
В SIZAMAI этот слой автоматизирован через несколько взаимосвязанных инструментов. Семантический поиск по базе из шести миллионов научных публикаций и 156 тысяч международных стандартов находит релевантное по смыслу запроса, а не по буквальному совпадению ключевых слов — и делает это на русском языке, находя результаты в англоязычных источниках. Тематическая подборка формирует первичный срез того, что существует в мире по заданной теме: исследователь за минуты получает представление о ландшафте, на построение которого вручную ушли бы дни. ИИ-ассистент отвечает на конкретные вопросы по документам из базы — с указанием источника, раздела и пункта. Сравнение позволяет сопоставить несколько документов и увидеть различия в подходах или требованиях без параллельного чтения каждого.
Кинг описывает будущее науки как сочетание автоматизированных фабрик экспериментов и людей, которые направляют их работу. Между этим образом и сегодняшней реальностью большинства R&D-команд — большой разрыв. Но первый шаг к его сокращению не требует роботизированной лаборатории. Он требует инструмента, который автоматизирует то, что сейчас делается вручную и занимает больше всего времени: поиск, первичный анализ и работу с источниками.
Это и есть то место, с которого автоматизация научного цикла начинается на практике.
Заходите в наш Телеграм-канал https://t.me/sizam_ai. Здесь мы регулярно пишем об актуальных методах управления технической документацией.
