AI kan skapa vetenskapliga hypoteser på löpande band – men labben hänger inte med

Varför detta är viktigt just nu

Flaskhalsen får konkreta konsekvenser. Inom läkemedelsutveckling, till exempel, kan AI snabbt föreslå tusentals nya molekylära kandidater, men klinisk validering förblir långsam, dyr och kapacitetsbegränsad. Pushmeet Kohli, en ledare på DeepMind, har tidigare påpekat att medan AlphaFold förkortade tiden för att förutsäga proteinstrukturer från år till sekunder, så förblir klinisk läkemedelsvalidering den olösta flaskhalsen . På samma sätt blir gapet mellan AI-genererade idéer inom materialvetenskap och klimatlösningar och den fysiska testningsinfrastruktur som finns tillgänglig för att validera dem allt större .

De fyra prioriteringarna som DeepMind uppmanar politiker och finansiärer att genomföra

DeepMinds essä beskriver fyra konkreta prioriteringar för att överbrygga klyftan :

1. Säkerställ bred tillgång till AI-agenter för forskare.
Behandla tillgång till AI-agenter som en strategisk prioritering, i linje med de historiska ansträngningarna att ge forskare tillgång till superdatorer. Forskare vid alla institutioner – inte bara vid välnutrierade labb – behöver verktygen för att generera och testa hypoteser .

2. Gör nationell laboratorieinfrastruktur tillgänglig för AI-driven vetenskap.
Utöka och öppna upp fysiska laboratoriefaciliteter, som nationella labb och delade högkapacitetstestcenter, så att den våg av AI-genererade hypoteser systematiskt kan valideras i verkligheten .

3. Utveckla nya finansieringsmodeller som stödjer högkapacitetsvalidering.
Traditionella bidragsstrukturer är för långsamma och för små för den testningsskala som AI kan kräva. Finansiärer bör skapa mekanismer som explicit stödjer snabba, storskaliga experimentella valideringspipelines .

4. Reformera peer review och utvärderingsprocesser för agenteran.
Granskare bör själva få använda AI-agenter, och nya ramverk som ”Human-AI Interaction Cards” behövs för att säkerställa transparens, reproducerbarhet och förtroende inom agentassisterad vetenskap .

Den bredare kontexten: Ett känt problem

Detta är inte DeepMinds första varning om validering. Ett policy-papper från november 2024 hade redan identifierat det digital-till-verkliga gapet som en nyckelutmaning, och forskaren Pushmeet Kohli hade offentligt flaggat valideringsinfrastruktur som en av två huvudsakliga kvarvarande flaskhalsar för AI-accelererad vetenskap, tillsammans med tillgänglighet . Essän från juli 2026 är det mest fokuserade policyuttalandet i frågan hittills.

Viktig notering om datum

Primärkällan för dessa rön är DeepMinds egen essä på deras offentliga policy-sida, publicerad i juli 2026 . Vissa tidiga rapporter hänvisade felaktigt till en essä från juli 2025; ingen essä om detta exakta ämne från juli 2025 hittades i sökresultaten. Varningens innehåll och de fyra prioriteringarna är konsekventa över alla rapporterande källor .