Raport terenowy przygotowany przez OpenAI i współpracowników akademickich wykazał, że agenci kodujący AI mogą radykalnie przyspieszyć modernizację starzejącego się oprogramowania naukowego, przepisując narzędzia na szybsze języki i skracając czas działania o rzędy wielkości. Haczyk: ci sami agenci nie są w stanie wiarygodnie ocenić, czy ich praca jest poprawna z naukowego punktu widzenia, często prezentując błędny kod z całkowitą pewnością.

W raporcie opublikowanym 1 sierpnia 2026 r. i udokumentowanym przez The Decoder przeanalizowano osiem studiów przypadków – głównie z biologii – w których grupy badawcze korzystały z agentów kodujących, takich jak Codex i Claude Code, do ratowania, optymalizacji i przepisywania krytycznego oprogramowania. Aby otrzymywać bieżące raporty na temat narzędzi zmieniających naukę i przemysł, śledź nasze najnowsze wiadomości o sztucznej inteligencji.

Cichy kryzys oprogramowania naukowego

Duża część oprogramowania stanowiącego podstawę współczesnych badań rozpoczęła się jako kod pomocniczy dla pojedynczego artykułu. Małe zespoły akademickie zbudowały te narzędzia bez zasobów potrzebnych do prawidłowego testowania, konserwacji i optymalizacji. Rezultatem jest kruchy fundament: programy, które pozostają krytyczne dla całych dziedzin, ale wymagają ciągłej naprawy. Raport terenowy OpenAI sugeruje, że agenci kodujący AI mogliby pomóc w wypełnieniu tej długotrwałej luki.

Projekty obejmowały zarówno rutynową konserwację, jak i pełne przepisanie we współczesnych językach programowania, a kilka z nich zapewniło przyciągający wzrok wzrost wydajności.

Odbudowa GWIAZDY w rdzy

Jeden z bardziej ambitnych projektów, rustar-aligner, przebudował STAR od podstaw w Rust. STAR to szeroko stosowane narzędzie, które odwzorowuje odczyty sekwencjonowania z komórek na odpowiadające im lokalizacje w genomie. Oryginalny program zawiera ponad 20 000 linii C i C++ i nie jest już aktywnie utrzymywany, mimo że pozostaje osadzony w wielu procesach badawczych.

Aby zweryfikować przepis, zespół przetestował oba narzędzia na 10 000 krótkich odczytach sekwencjonowania z komórek drożdży. W przypadku odczytów z jednego końca narzędzie rustar-aligner dało taki sam wynik jak STAR w 99,815 procent przypadków. W przypadku odczytów ze sparowanych końców współczynnik zgodności wyniósł 99,883 procent. Porównanie wykraczało poza zmapowane lokalizacje i obejmowało kilka innych kluczowych pól generowanych przez oba programy dla każdego odczytu, przy czym żadne z narzędzi nie mapowało żadnych odczytów, których nie udało się zmapować drugiemu.

60-krotne przyspieszenie

RustQC zapewnił największe przyspieszenie, łącząc 15 oddzielnych narzędzi kontroli jakości w jeden program. W przypadku dużego zbioru danych czas działania gwałtownie spadł z 15 godzin i 34 minut do zaledwie 14 minut i 54 sekund, co oznacza przyspieszenie ponad 60-krotne.

W innym projekcie, HelixForge, narzędzie do generowania syntetycznych danych genomowych zastąpiono wersją akcelerowaną przez GPU. W teście wykorzystującym dane od jednego dawcy i sekcję genomu składającą się z dziesięciu milionów par zasad HelixForge wykonał cały potok 59,6 razy szybciej niż oryginalny BamSurgeon, przy czym sam główny etap obliczeniowy przebiegał 98,6 razy szybciej.

W bardziej konwencjonalnej modernizacji GPT-5.5 zastąpił przestarzały proces kompilacji i instalacji cyvcf2, biblioteki Pythona do odczytu danych genetycznych. Bardziej zaangażowana migracja MHCflurry sprawiła, że ​​Claude Code i Codex na zmianę pełnili role programisty i recenzenta, przenosząc około 10 000 linii kodu z TensorFlow do PyTorch. MHCflurry to model immunologiczny, który przewiduje, jakie cele rozpoznają komórki odpornościowe.

„Z całą pewnością się mylę”

Jednak odkrycie nagłówka było otrzeźwiające. We wszystkich studiach przypadków agenci szybko wykonali dobrze określone zadania, ale nie mogli wiarygodnie ocenić, czy ich praca była poprawna z naukowego punktu widzenia. Nawet jeśli ich kod zawierał błędy, systemy często przedstawiały je z pełną pewnością.

Brent Pedersen, twórca cyvcf2, uchwycił napięcie w raporcie: „Dzięki agentom kodującym dość łatwo jest działać szybko; na razie, aby zajść daleko w nauce, nadal potrzebne są fachowe wskazówki, zrozumienie, gust i troska”.

Bardziej dosadny był Philip Ewels, który kierował projektem RustQC. Opisał agentów jako „elokwentnych, przekonujących i z całą pewnością mylących się w sposób, który łatwo przeoczyć”. Ewels nigdy nie pozwalał modelom oceniać dokładności ich własnej pracy, zamiast tego budował niezależną okablowanie testowe, aby wychwytywać ich błędy.

Błędy ukryte na widoku

Studium przypadku bayesm pokazało, jak trudne może być wyłapanie tych błędów. Przepisanie Rusta działało od dwóch do dwudziestu razy szybciej niż oryginał, ale pierwsze wersje dwóch zaawansowanych metod zawierały subtelne wady. W jednym przypadku agent odwrócił kluczowy parametr sterujący, powodując, że program użył odwrotności zamierzonych wartości. Oddzielny błąd dotyczył samych obliczeń. Badacze odkryli oba problemy dopiero po przeprowadzeniu szczegółowego testu kalibracyjnego z tysiącami syntetycznych zbiorów danych o znanych wynikach.

Odcinek podkreśla strukturalną zmianę w sposobie, w jaki naukowcy mogą współpracować ze sztuczną inteligencją: zamiast samodzielnie pisać kod, ich głównym zadaniem staje się rygorystyczna weryfikacja wyników – rola, która wymaga głębokiej wiedzy specjalistycznej, której sami agenci nie są w stanie zapewnić.

Co to oznacza dla nauki

Odkrycia wpisują się w moment intensywnej debaty na temat tego, jaką autonomię należy przyznać systemom AI w dziedzinach o wysokiej stawce. Przyspieszenie naprawdę zmienia sytuację — 60-krotne skrócenie czasu działania może zamienić nocną pracę w przerwę na kawę. Jednak najważniejszym wkładem raportu może być uczciwość w kwestii limitów. Agenci szybcy, płynni i przekonujący, a jednocześnie niezdolni do samodzielnej oceny zasadności naukowej, stanowią potężne narzędzie tylko w rękach ekspertów, którzy dokładnie wiedzą, co sprawdzać.

Dla zaangażowanych badaczy wniosek jest jasny: sztuczna inteligencja może odbudować rusztowanie nauki z niezwykłą szybkością, ale ludzki osąd pozostaje nośny.

Wyprzedź sztuczną inteligencję

Od przełomowych odkryć badawczych po wdrożenia w przedsiębiorstwach – tempo zmian jest nieubłagane. Dodaj do zakładek AI Buzz Wire, aby otrzymywać bieżące, sprawdzone informacje o tym, jak sztuczna inteligencja zmienia naukę, biznes i społeczeństwo.

Przeczytaj więcej aktualności z badań nad sztuczną inteligencją →