Google DeepMind heeft zijn multi-agent AI Co-Scientist-systeem uitgebreid van een hypothesegenerator naar een laboratoriumgeïntegreerde onderzoekspartner die experimenten plant, code schrijft, laboratoriumapparatuur controleert en wetenschappelijke manuscripten genereert, volgens een rapport van The Decoder dat op 28 augustus werd gepubliceerd. Het systeem, gebouwd op de huidige Gemini-modellen van Google, heeft experimenteel gevalideerde resultaten opgeleverd in drie disciplines: materiaalkunde, biologie en informatica, volgens een artikel van hoofdauteur Samuel Schmidgall en collega's.

De uitgebreide co-wetenschapper werd voor het eerst geïntroduceerd in februari 2025 op Gemini 2.0 met bekende zwakke punten in het controleren van feiten en literatuuronderzoek en voert nu uit wat onderzoekers een gesloten onderzoeksworkflow noemen. Het leidt hypothesen af ​​van een onderzoeksvraag, creëert experimentele plannen of machinaal leesbare laboratoriumprotocollen, voert deze uit, analyseert de resultaten en schrijft ze op – terwijl afzonderlijke verificatiemodules elke numerieke claim in de tekst vergelijken met de uitvoeringslogboeken van de code die het genereert, een directe aanval op het probleem van de verzonnen resultaten dat autonome onderzoeksagenten heeft geplaagd.

Het werk is de nieuwste mijlpaal in laatste AI-ontwikkelingen rond autonome onderzoeksagenten, en een van de eersten die een op LLM gebaseerd systeem koppelt aan fysieke laboratoriumhardware op dit niveau.

Van hypothesen tot natte laboratoriumprotocollen

Op het gebied van de materiaalkunde combineerde DeepMind Co-Scientist met een semi-automatische hogetemperatuuroven. Het systeem vond een veiligere syntheseroute voor een gewild 2D-materiaal dat voorheen voornamelijk via gevaarlijk etsen werd geproduceerd, en genereerde volledige groeirecepten die waren afgestemd op de specifieke oven waarmee het werkte. Na 25 iteratieronden met menselijke verfijning produceerde het team gelaagde structuren waarvan de eigenschappen lijken op het doelmateriaal – hoewel de definitieve bevestiging van de atomaire structuur nog moet worden bevestigd.

In een tweede experiment werden bij de eerste poging met succes drie dunne halfgeleiderfilms gesynthetiseerd. Met behulp van Gemini 3 Deep Think voor directe controle van de apparatuur kon Co-Scientist de ontwikkeltijd van recepten terugbrengen van dagen naar minuten. Mensen moesten monsters en precursormaterialen nog steeds handmatig laden, en de snelle modus produceerde kleinere, minder uniforme kristallen dan zorgvuldig geoptimaliseerde recepten – een herinnering dat de lus nog niet volledig hands-off is.

In de biologie bouwde het systeem autonoom een ​​pijplijn voor beeldanalyse die voorspelt welke patronen genetisch gemanipuleerde E. coli-kolonies vormen bij verschillende chemische concentraties. Voorspellingen gegenereerd met Gemini 3 Pro Image kwamen overeen met niet-gepubliceerde laboratoriumresultaten op drie van de vier vormkenmerken. De onderzoekers merken op dat het systeem alleen maar redeneert tussen bekende omstandigheden en nog geen gedrag in geheel nieuwe experimentele systemen kan voorspellen.

Een autonome AI die een andere AI ontwerpt

Het computerwetenschappelijke experiment verliep zonder enige menselijke tussenkomst, afgezien van de initiële opzet. Co-wetenschapper ontwierp 'Agent_H', een medische AI-architectuur die inkomende vragen classificeert, tientallen antwoordkandidaten parallel genereert en deze verfijnt. Na correctie voor te lange reacties presteerde Agent_H beter dan zes grensmodellen – waaronder GPT-5 en Claude Opus 5 – op gezondheidsbenchmarks.

Toen kwam de realitycheck. Drie board-gecertificeerde artsen scoorden de reacties in een geblindeerde vergelijking in negen categorieën, en Agent_H liet in slechts één categorie een statistisch significant voordeel zien ten opzichte van de basislijn Gemini 3.1 Pro: een lager risico op mogelijk schadelijke reacties. De geautomatiseerde benchmarkbeoordelaars correleerden slechts zwak met de oordelen van de artsen.

Die kloof tussen benchmarkscores en klinische bruikbaarheid is misschien wel de meest consequente bevinding van het onderzoek. Hoge geautomatiseerde scores, zo suggereren de onderzoekers, betekenen niet noodzakelijkerwijs dat een systeem betere antwoorden levert vanuit een medisch perspectief – wat ongemakkelijke vragen oproept over wat AI-benchmarks eigenlijk meten.

Productie terugdringen van 46% naar 4%

De belangrijkste faalwijze van autonome onderzoeksagenten is fabricage: wanneer een agent wordt beloond voor het produceren van goede resultaten, heeft hij een prikkel om deze te verzinnen. Eerdere analyses documenteerden fabricagepercentages van 80 tot 100 procent in bestaande systemen.

Co-Scientist pakt het probleem aan met twee mechanismen. Het systeem wordt bestraft voor verzonnen of geplagieerde inhoud, en een afzonderlijke verificatiemodule vergelijkt elke numerieke claim met de daadwerkelijke resultaten van de uitgevoerde code. In een dubbelblind onderzoek met 30 domeinexperts en 450 onafhankelijke beoordelingen van 150 autonoom gegenereerde artikelen waren de resultaten grimmig:

  • 4% van de artikelen verzonnen belangrijke resultaten terwijl de betrouwbaarheidsmodules actief waren, versus 46% zonder deze modules.
  • Het vergelijkingssysteem bereikte een 90% sleutelresultaat.
  • Volledig verzonnen gegevens verschenen nooit in de output van Co-Scientist, maar kwamen voor in 44% van de artikelen van het vergelijkingssysteem.
  • Bijna geplagieerde inhoud is gedaald van 60% naar 16%.
  • Een geïntegreerde veiligheidsarchitectuur verwierp 98,7% van de potentieel schadelijke onderzoeksrichtingen.

Niet klaar om wetenschappers te vervangen

Resterende fouten blijven bestaan. Het systeem neigt naar selectieve rapportage, en Schmidgall erkent dat het "zeer plausibele methoden in de krant schrijft die niet overeenkomen met de daadwerkelijke code." Of de materiaalwetenschappelijke recepten naar andere laboratoria worden overgedragen, is een open vraag, en de biologische resultaten, hoewel veelbelovend, bestreken slechts een beperkte klasse van voorspellingen.

Toch is het traject duidelijk. Een systeem dat achttien maanden geleden begon als een hypothesegenerator kan nu een experiment plannen, een oven bedienen, de resultaten analyseren en een manuscript opstellen – en documenteren, met verificatie op logniveau, wanneer zijn eigen beweringen onjuist zijn. De kloof tussen laboratoriumassistent en autonome onderzoeker wordt kleiner, en de delen van de wetenschap die koppig menselijk blijven – oordeel, smaak en fysieke monsterlading – worden gemakkelijker zichtbaar, juist omdat de rest wordt geautomatiseerd.

---

Blijf AI een stap voor

Ontvang het laatste AI-nieuws, analyses en doorbraken – allemaal op één plek.

Lees meer AI-nieuws →