Autorzy eseju – Don Wallace, Conor Griffin, Sean O'Neill, Thang Luong i Owen Larter – argumentują, że najtrudniejszym elementem procesu naukowego nie jest już wymyślanie idei, ale przeprowadzanie eksperymentów niezbędnych do ich potwierdzenia lub odrzucenia . Jak pokazują przykłady narzędzi takich jak system Co-Scientist od DeepMind, maszynowo generowane hipotezy dotyczące leczenia raka czy zwłóknienia wątroby mogą powstawać w ciągu kilku minut, ale każda z nich wciąż wymaga tygodni lub miesięcy testów biologicznych na liniach komórkowych lub organoidach .
To wąskie gardło ma konkretne konsekwencje. W branży farmaceutycznej AI może błyskawicznie zaproponować tysiące nowych kandydatów na cząsteczki, ale walidacja kliniczna pozostaje powolna, kosztowna i ograniczona przepustowością. Pushmeet Kohli, jeden z liderów DeepMind, wcześniej zauważył, że choć AlphaFold skrócił przewidywanie struktury białek z lat do sekund, walidacja kliniczna leków wciąż stanowi nierozwiązane wąskie gardło . Podobnie przepaść między pomysłami generowanymi przez AI w dziedzinie materiałoznawstwa czy rozwiązań klimatycznych a dostępną infrastrukturą testową stale się powiększa .
Esej DeepMind przedstawia cztery konkretne priorytety, które mają pomóc zamknąć tę lukę :
1. Zapewnić naukowcom powszechny dostęp do agentów AI.
Dostęp do agentów AI powinien być traktowany jako priorytet strategiczny, analogiczny do historycznych starań o udostępnienie naukowcom superkomputerów. Badacze z różnych instytucji – nie tylko z dobrze finansowanych laboratoriów – potrzebują narzędzi do generowania i testowania hipotez .
2. Udostępnić krajową infrastrukturę laboratoryjną dla nauki wspomaganej AI.
Należy rozbudować i otworzyć fizyczne zaplecze laboratoryjne, takie jak laboratoria narodowe i współdzielone centra testowania o wysokiej przepustowości, aby fala hipotez generowanych przez AI mogła być systematycznie weryfikowana w świecie rzeczywistym .
3. Opracować nowe modele finansowania, które wspierają walidację o wysokiej przepustowości.
Tradycyjne systemy grantowe są zbyt wolne i zbyt małe w stosunku do skali testów, jakich może wymagać AI. Fundatorzy powinni stworzyć mechanizmy wyraźnie wspierające szybkie, wielkoskalowe potoki walidacji eksperymentalnej .
4. Zreformować procesy recenzji i oceny na potrzeby ery agentów AI.
Recenzenci powinni mieć możliwość korzystania z agentów AI, a także potrzebne są nowe ramy, takie jak „Karty Interakcji Człowieka z AI”, aby zapewnić przejrzystość, powtarzalność i zaufanie w nauce wspomaganej przez agentów .
To nie pierwsze ostrzeżenie DeepMind dotyczące walidacji. Już w listopadzie 2024 r. firma w swoim dokumencie politycznym wskazała lukę między cyfrowym a rzeczywistym światem jako kluczowe wyzwanie, a badacz Pushmeet Kohli publicznie określił infrastrukturę walidacyjną jako jedno z dwóch głównych pozostałych wąskich gardeł dla nauki przyspieszonej przez AI (obok dostępności) . Esej z lipca 2026 r. stanowi jak dotąd najbardziej skoncentrowane stanowisko polityczne w tej sprawie.
Podstawowym źródłem tych ustaleń jest oryginalny esej DeepMind opublikowany na stronie poświęconej polityce publicznej firmy w lipcu 2026 r. . Niektóre wczesne doniesienia błędnie wspominały o eseju z lipca 2025 r. – w wynikach wyszukiwania nie znaleziono eseju na dokładnie ten temat z lipca 2025 r. Treść ostrzeżenia i czterech priorytetów jest spójna we wszystkich źródłach .