Den nye flaskehals i videnskaben er ikke ideer – det er validering

Debatindlægget, skrevet af Don Wallace, Conor Griffin, Sean O'Neill, Thang Luong og Owen Larter, argumenterer for, at den sværeste del af den videnskabelige proces i dag ikke længere er at komme på ideer – det er at udføre de eksperimenter, der skal til for at bekræfte eller afvise dem . Som AI-værktøjer som DeepMinds Co-Scientist-system demonstrerer, kan maskingenererede hypoteser inden for områder som kræftbehandling og leverfibrose nu genereres på få minutter, men hver eneste kræver stadig uger eller måneder med biologisk testning i cellelinjer eller organoider .

Hvorfor det haster nu

Denne flaskehals har konkrete konsekvenser. Inden for lægemiddeludvikling kan AI for eksempel hurtigt foreslå tusindvis af nye molekylære kandidater, men klinisk validering forbliver langsom, dyr og kapacitetsbegrænset. Pushmeet Kohli, en leder hos DeepMind, har tidligere bemærket, at mens AlphaFold forkortede proteinstrukturforudsigelse fra år til sekunder, er klinisk lægemiddelvalidering fortsat den uløste flaskehals . Tilsvarende bliver kløften mellem AI-genererede ideer inden for materialevidenskab og klimaløsninger og den fysiske testinfrastruktur, der er til rådighed for at validere dem, større og større .

De fire prioriteter, DeepMind opfordrer politikere og fonde til at forfølge

DeepMinds debatindlæg skitserer fire konkrete prioriteter til at lukke kløften :

1. Sikre bred adgang til AI-agenter for forskere.
Behandl adgang til AI-agenter som en strategisk prioritet, der kan sammenlignes med den historiske indsats for at give forskere adgang til supercomputere. Forskere på tværs af institutioner – ikke kun dem på velfinansierede laboratorier – har brug for værktøjerne til at generere og teste hypoteser .

2. Gør national laboratorieinfrastruktur tilgængelig for AI-drevet videnskab.
Udvid og åbn op for fysiske laboratoriefaciliteter, såsom nationale laboratorier og delte højkapacitets testcentre, så bølgen af AI-genererede hypoteser systematisk kan valideres i den virkelige verden .

3. Udvikl nye finansieringsmodeller, der understøtter højkapacitetsvalidering.
Traditionelle tilskudsstrukturer er for langsomme og for små i forhold til den testskala, AI kan kræve. Fonde bør skabe mekanismer, der eksplicit støtter hurtige, storstilede eksperimentelle valideringspipeliner .

4. Reformér peer review- og evalueringsprocesser til AI-agent-æraen.
Bedømmerne selv bør have mulighed for at bruge AI-agenter, og nye rammer som 'Human-AI Interaction Cards' er nødvendige for at sikre gennemsigtighed, reproducerbarhed og tillid til agentassisteret videnskab .

Den bredere kontekst: En kendt udfordring

Dette er ikke DeepMinds første advarsel om validering. Et politisk oplæg fra november 2024 havde allerede identificeret kløften mellem digital og fysisk verden som en central udfordring, og forskeren Pushmeet Kohli havde offentligt fremhævet valideringsinfrastruktur som en af to primære resterende flaskehalse for AI-accelereret videnskab, ved siden af tilgængelighed . Debatindlægget fra juli 2026 repræsenterer den hidtil mest fokuserede politiske udtalelse om emnet.

Vigtig bemærkning om datoer

Den primære kilde til disse resultater er DeepMinds eget debatindlæg på dets offentlige policieside, offentliggjort i juli 2026 . Nogle tidlige rapporter henviste fejlagtigt til et indlæg fra juli 2025; der blev ikke fundet noget indlæg om dette præcise emne fra juli 2025 i søgeresultaterne. Indholdet af advarslen og de fire prioriteter er konsistent på tværs af alle rapporteringskilder .