Hệ thống đa tác tử mô phỏng quy trình nghiên cứu khoa học

Co‑Scientist được xây dựng trên các mô hình ngôn ngữ lớn dựa trên Gemini và được tổ chức thành nhiều tác tử AI chuyên biệt. Khi hoạt động cùng nhau, chúng giống như một nhóm nhà khoa học đang cộng tác giải quyết một vấn đề nghiên cứu.

Các nhà nghiên cứu bắt đầu bằng cách mô tả mục tiêu khoa học bằng ngôn ngữ tự nhiên — chẳng hạn như tìm phương pháp điều trị cho một căn bệnh hoặc giải thích một cơ chế sinh học. Sau đó hệ thống sẽ thực hiện nhiều bước giống với phương pháp khoa học:

• tổng hợp tài liệu nghiên cứu hiện có
• đề xuất các giả thuyết
• đánh giá bằng chứng
• gợi ý các thí nghiệm có thể kiểm chứng

Điểm khác biệt là hệ thống không dừng ở một kết quả duy nhất. Nó tạo ra nhiều giả thuyết cạnh tranh và để các tác tử AI khác nhau phản biện lẫn nhau nhằm tìm ra phương án tốt nhất.

“Giải đấu ý tưởng”: cách AI chọn ra giả thuyết tốt nhất

Trọng tâm của Co‑Scientist là cơ chế idea tournaments — một quá trình có cấu trúc để các giả thuyết cạnh tranh và tiến hóa qua nhiều vòng.

Quy trình thường gồm ba bước:

1. Tạo giả thuyết – các tác tử AI đề xuất nhiều cách giải thích hoặc cơ chế khác nhau liên quan đến mục tiêu nghiên cứu.
2. Tranh luận và phản biện – các tác tử khác kiểm tra từng giả thuyết dựa trên tài liệu khoa học và dữ liệu hiện có, chỉ ra điểm yếu hoặc giả định thiếu sót.
3. Xếp hạng và tiến hóa – các giả thuyết mạnh hơn được giữ lại, còn giả thuyết yếu sẽ bị loại bỏ hoặc được chỉnh sửa, kết hợp với ý tưởng khác.

Sau nhiều vòng lặp, các ý tưởng dần được tinh chỉnh thành đề xuất nghiên cứu mạch lạc và có thể kiểm chứng bằng thí nghiệm. Thiết kế này cố ý mô phỏng cách cộng đồng khoa học thực sự hoạt động — thông qua phản biện đồng cấp, tranh luận học thuật và cải tiến liên tục.

Ngoài ra, hệ thống có thể khai thác kho dữ liệu và tài liệu khoa học khổng lồ, điều mà con người khó có thể tổng hợp thủ công.

Các thử nghiệm ban đầu trong y sinh

Những thử nghiệm ban đầu của Co‑Scientist tập trung chủ yếu vào khoa học đời sống và y sinh học.

Một ví dụ là nghiên cứu về tái sử dụng thuốc cho bệnh xơ gan (liver fibrosis) — căn bệnh hiện có rất ít lựa chọn điều trị hiệu quả. Một nghiên cứu được lập chỉ mục trên PubMed mô tả cách hệ thống AI đa tác tử này được dùng để đề xuất các ứng viên thuốc và định hướng thử nghiệm trong phòng thí nghiệm.

Trong đánh giá thực nghiệm, các nhà khoa học đã kiểm tra 25 ứng viên thuốc tiềm năng được đề xuất bởi hệ thống AI, đánh giá hiệu quả chống xơ hóa và độc tính của chúng.

Theo các tóm tắt nghiên cứu của Google DeepMind, hệ thống đã giúp phát hiện một số ứng viên tái sử dụng thuốc trước đây bị bỏ qua. Ít nhất một ứng viên cho thấy kết quả đáng chú ý trong phòng thí nghiệm khi chặn phần lớn phản ứng sinh học liên quan đến sẹo hóa trong mô hình thử nghiệm.

Dù vậy, các nhà nghiên cứu nhấn mạnh rằng AI chỉ đóng vai trò tạo và sàng lọc giả thuyết. Khám phá khoa học thực sự vẫn phải dựa vào thử nghiệm trong phòng thí nghiệm và đánh giá khoa học chính thức.

Một phần của sáng kiến “Gemini for Science”

Google đang triển khai Co‑Scientist như một phần của nền tảng nghiên cứu rộng hơn mang tên Gemini for Science — tập hợp các công cụ AI nhằm tăng tốc các bước quan trọng của phương pháp khoa học.

Nền tảng này bao gồm nhiều hệ thống khác nhau, chẳng hạn:

• Co‑Scientist cho việc tạo giả thuyết
• AlphaEvolve và các tác tử khác cho khám phá tính toán
• công cụ phân tích tài liệu khoa học và hỗ trợ thiết kế thí nghiệm

Mục tiêu là giúp các nhà khoa học xử lý khối lượng tài liệu nghiên cứu ngày càng khổng lồ và tìm ra ý tưởng nghiên cứu mới nhanh hơn.

Google cũng đã hợp tác với Bộ Năng lượng Hoa Kỳ (U.S. Department of Energy) để cung cấp quyền truy cập vào các mô hình AI phục vụ nghiên cứu cho các nhà khoa học tại 17 phòng thí nghiệm quốc gia của DOE, thông qua Google Cloud.

Điều này có ý nghĩa gì cho tương lai nghiên cứu

AI Co‑Scientist không được thiết kế để thay thế nhà khoa học. Thay vào đó, nó đóng vai trò như “động cơ tạo giả thuyết” — nhanh chóng đề xuất và cải thiện các ý tưởng mà con người có thể đánh giá và kiểm chứng.

Điểm thay đổi lớn nằm ở phương pháp: thay vì một mô hình AI đơn lẻ tạo ra câu trả lời, các hệ thống như Co‑Scientist sử dụng nhiều tác tử AI hợp tác và phản biện lẫn nhau để nâng cao chất lượng suy luận.

Nếu các hệ thống như vậy tiếp tục cải thiện và các giả thuyết của chúng thường xuyên dẫn tới thí nghiệm thành công, chúng có thể rút ngắn đáng kể thời gian của giai đoạn khám phá khoa học ban đầu. Nhưng ở thời điểm hiện tại, bước cuối cùng của khoa học vẫn không thay đổi: kết quả thật sự chỉ được xác nhận trong phòng thí nghiệm.

Hệ thống đa tác tử mô phỏng quy trình nghiên cứu khoa học

Co‑Scientist được xây dựng trên các mô hình ngôn ngữ lớn dựa trên Gemini và được tổ chức thành nhiều tác tử AI chuyên biệt. Khi hoạt động cùng nhau, chúng giống như một nhóm nhà khoa học đang cộng tác giải quyết một vấn đề nghiên cứu.

Các nhà nghiên cứu bắt đầu bằng cách mô tả mục tiêu khoa học bằng ngôn ngữ tự nhiên — chẳng hạn như tìm phương pháp điều trị cho một căn bệnh hoặc giải thích một cơ chế sinh học. Sau đó hệ thống sẽ thực hiện nhiều bước giống với phương pháp khoa học:

• tổng hợp tài liệu nghiên cứu hiện có
• đề xuất các giả thuyết
• đánh giá bằng chứng
• gợi ý các thí nghiệm có thể kiểm chứng

Điểm khác biệt là hệ thống không dừng ở một kết quả duy nhất. Nó tạo ra nhiều giả thuyết cạnh tranh và để các tác tử AI khác nhau phản biện lẫn nhau nhằm tìm ra phương án tốt nhất.

“Giải đấu ý tưởng”: cách AI chọn ra giả thuyết tốt nhất

Trọng tâm của Co‑Scientist là cơ chế idea tournaments — một quá trình có cấu trúc để các giả thuyết cạnh tranh và tiến hóa qua nhiều vòng.

Quy trình thường gồm ba bước:

1. Tạo giả thuyết – các tác tử AI đề xuất nhiều cách giải thích hoặc cơ chế khác nhau liên quan đến mục tiêu nghiên cứu.
2. Tranh luận và phản biện – các tác tử khác kiểm tra từng giả thuyết dựa trên tài liệu khoa học và dữ liệu hiện có, chỉ ra điểm yếu hoặc giả định thiếu sót.
3. Xếp hạng và tiến hóa – các giả thuyết mạnh hơn được giữ lại, còn giả thuyết yếu sẽ bị loại bỏ hoặc được chỉnh sửa, kết hợp với ý tưởng khác.

Sau nhiều vòng lặp, các ý tưởng dần được tinh chỉnh thành đề xuất nghiên cứu mạch lạc và có thể kiểm chứng bằng thí nghiệm. Thiết kế này cố ý mô phỏng cách cộng đồng khoa học thực sự hoạt động — thông qua phản biện đồng cấp, tranh luận học thuật và cải tiến liên tục.

Ngoài ra, hệ thống có thể khai thác kho dữ liệu và tài liệu khoa học khổng lồ, điều mà con người khó có thể tổng hợp thủ công.

Các thử nghiệm ban đầu trong y sinh

Những thử nghiệm ban đầu của Co‑Scientist tập trung chủ yếu vào khoa học đời sống và y sinh học.

Một ví dụ là nghiên cứu về tái sử dụng thuốc cho bệnh xơ gan (liver fibrosis) — căn bệnh hiện có rất ít lựa chọn điều trị hiệu quả. Một nghiên cứu được lập chỉ mục trên PubMed mô tả cách hệ thống AI đa tác tử này được dùng để đề xuất các ứng viên thuốc và định hướng thử nghiệm trong phòng thí nghiệm.

Trong đánh giá thực nghiệm, các nhà khoa học đã kiểm tra 25 ứng viên thuốc tiềm năng được đề xuất bởi hệ thống AI, đánh giá hiệu quả chống xơ hóa và độc tính của chúng.

Theo các tóm tắt nghiên cứu của Google DeepMind, hệ thống đã giúp phát hiện một số ứng viên tái sử dụng thuốc trước đây bị bỏ qua. Ít nhất một ứng viên cho thấy kết quả đáng chú ý trong phòng thí nghiệm khi chặn phần lớn phản ứng sinh học liên quan đến sẹo hóa trong mô hình thử nghiệm.

Dù vậy, các nhà nghiên cứu nhấn mạnh rằng AI chỉ đóng vai trò tạo và sàng lọc giả thuyết. Khám phá khoa học thực sự vẫn phải dựa vào thử nghiệm trong phòng thí nghiệm và đánh giá khoa học chính thức.

Một phần của sáng kiến “Gemini for Science”

Google đang triển khai Co‑Scientist như một phần của nền tảng nghiên cứu rộng hơn mang tên Gemini for Science — tập hợp các công cụ AI nhằm tăng tốc các bước quan trọng của phương pháp khoa học.

Nền tảng này bao gồm nhiều hệ thống khác nhau, chẳng hạn:

• Co‑Scientist cho việc tạo giả thuyết
• AlphaEvolve và các tác tử khác cho khám phá tính toán
• công cụ phân tích tài liệu khoa học và hỗ trợ thiết kế thí nghiệm

Mục tiêu là giúp các nhà khoa học xử lý khối lượng tài liệu nghiên cứu ngày càng khổng lồ và tìm ra ý tưởng nghiên cứu mới nhanh hơn.

Google cũng đã hợp tác với Bộ Năng lượng Hoa Kỳ (U.S. Department of Energy) để cung cấp quyền truy cập vào các mô hình AI phục vụ nghiên cứu cho các nhà khoa học tại 17 phòng thí nghiệm quốc gia của DOE, thông qua Google Cloud.

Điều này có ý nghĩa gì cho tương lai nghiên cứu

AI Co‑Scientist không được thiết kế để thay thế nhà khoa học. Thay vào đó, nó đóng vai trò như “động cơ tạo giả thuyết” — nhanh chóng đề xuất và cải thiện các ý tưởng mà con người có thể đánh giá và kiểm chứng.

Điểm thay đổi lớn nằm ở phương pháp: thay vì một mô hình AI đơn lẻ tạo ra câu trả lời, các hệ thống như Co‑Scientist sử dụng nhiều tác tử AI hợp tác và phản biện lẫn nhau để nâng cao chất lượng suy luận.

Nếu các hệ thống như vậy tiếp tục cải thiện và các giả thuyết của chúng thường xuyên dẫn tới thí nghiệm thành công, chúng có thể rút ngắn đáng kể thời gian của giai đoạn khám phá khoa học ban đầu. Nhưng ở thời điểm hiện tại, bước cuối cùng của khoa học vẫn không thay đổi: kết quả thật sự chỉ được xác nhận trong phòng thí nghiệm.