Научная статья за последние несколько десятилетий изменилась не так уж сильно.
Да, вместо стопки журналов в библиотеке мы открываем PDF на экране. Внутри появились цветные графики, ссылки на наборы данных, иногда — GitHub с кодом. Но принцип остался прежним: учёный что-то сделал, описал результат, а дальше другой учёный должен прочитать десяток страниц, разобраться в методике, найти нужные файлы, заставить чужой код запуститься и только потом попробовать применить работу к своей задаче.
Иногда на всё это уходит больше времени, чем на чтение самой статьи.
А теперь представьте другой вариант.
Вы находите интересное исследование и не читаете его от начала до конца. Вместо этого говорите:
— У меня вот такие данные. Примени к ним метод из этой работы.
И статья отвечает:
— Хорошо. Загружайте.
Потом сама запускает авторский код, выбирает необходимые инструменты, обрабатывает ваши данные и выдаёт результат.
Это уже не фантазия. 16 сентября в Nature вышла работа Paper2Agent, авторы которой предлагают довольно радикальную идею: научная статья должна перестать быть просто текстом.
Она может стать ИИ-агентом.
PDF — довольно странный способ хранить современную науку
С самим PDF всё в порядке. Прекрасный формат, если задача — показать человеку текст, формулы и картинки примерно так, как задумал автор.
Проблема в том, что современное научное исследование всё чаще состоит далеко не только из текста.
Представим работу по биоинформатике.
Есть статья. Есть программный код. Есть набор данных. Есть десятки библиотек, которые этот код использует. Есть параметры анализа. Есть дополнительные материалы. Есть ноутбуки с примерами. Где-нибудь отдельно лежит инструкция, в какой последовательности всё это запускать.
В статье учёные фактически описали работающую машину.
А читателю отдали её фотографию и инструкцию по сборке.
Конечно, хороший специалист может разобраться. Скачать репозиторий, установить зависимости, изучить примеры, понять логику метода и адаптировать код под собственные данные.
Но здесь появляется известная проблема воспроизводимости.
Код может оказаться устаревшим. Путь к файлу изменился. Библиотека обновилась. В инструкции пропущен очевидный для автора шаг, который совсем не очевиден человеку снаружи.
А если работа вообще немного не из вашей области, входной билет становится особенно дорогим.
Создатели Paper2Agent предлагают почти нахальное решение:
не заставлять человека разбираться, как пользоваться статьёй. Научить статью пользоваться самой собой.
Что именно делает Paper2Agent
Название можно перевести буквально: «из статьи в агента».
Но нейросеть здесь не просто заглатывает PDF и начинает пересказывать его более человеческим языком. Такие инструменты существуют давно и особой революции в них нет.
Paper2Agent идёт намного дальше.
Система изучает саму статью, дополнительные материалы и связанный с ней программный репозиторий. Находит рабочие примеры. Разбирается, какие функции и последовательности действий нужны для воспроизведения методов авторов.
После этого несколько ИИ-агентов превращают всё это в набор готовых инструментов.
Причём система не должна просто поверить самой себе.
Созданные функции автоматически тестируются. Если что-то работает неправильно, агент пытается найти причину, исправляет её и запускает проверку снова.
В результате получается MCP-сервер — грубо говоря, стандартизированный набор инструментов, к которому уже может подключиться обычный ИИ-агент.
И вот тогда вместо:
«Объясни мне, пожалуйста, что написано на странице 14»
можно сказать:
«Возьми мои данные и выполни анализ методом из этой статьи».
Разница примерно как между книгой о Photoshop и самим Photoshop.
Например, вам вообще не надо знать, как работает AlphaGenome
Один из примеров авторов построен вокруг AlphaGenome — системы для анализа того, как изменения в ДНК могут влиять на работу генома.
Для специалиста это мощный инструмент.
Для человека из соседней области — уже довольно приличный входной барьер. Нужно разобраться в API, формате данных, параметрах, последовательности вызовов.
Paper2Agent превращает методы в агента, которому задачу можно описать естественным языком.
Исследователь спрашивает о конкретном генетическом варианте, а дальше агент сам использует необходимые инструменты AlphaGenome и возвращает анализ.
Похожие эксперименты авторы провели со Scanpy — популярным инструментарием анализа данных отдельных клеток — и системой TISSUE для пространственной транскриптомики.
То есть идея не в том, чтобы агент рассказал, как работают научные инструменты.
Он должен ими работать.
Это довольно важная разница, которую легко потерять за очередной красивой фразой «ИИ читает научные статьи».
Читать их нейросети давно умеют.
Здесь статья становится исполняемой.
Насколько хорошо это вообще работает
Самая интересная часть исследования — авторы не ограничились тремя красивыми демонстрациями.
Они взяли сто работ по вычислительной биологии и попробовали автоматически превратить их в агентов.
Получилось с 74.
На первый взгляд 74% — совсем не тот результат, после которого пора закрывать научные журналы и торжественно хоронить PDF.
Но гораздо интереснее причины остальных неудач.
Где-то отсутствовал исполняемый код. Где-то не хватало данных или файлов моделей. Где-то разваливались программные зависимости. В некоторых исследованиях код вообще был написан так, что его практически невозможно было использовать вне исходного эксперимента.
И здесь Paper2Agent неожиданно превращается ещё и в тест качества самой научной публикации.
Если метод невозможно автоматически воспроизвести даже при наличии статьи и репозитория, возможно, проблема не только в ИИ.
Из успешно обработанных работ система предложила 599 инструментов. Автоматическую проверку прошли 593.
Дальше авторы устроили агентам экзамен.
На трёхстах вопросах и задачах, построенных по учебным материалам исходных проектов, связка Paper2Agent с Claude Sonnet 4 получила около 91% правильных результатов.
Когда тому же Claude просто дали прямой доступ к статье и репозиторию без заранее созданной структуры Paper2Agent, результат был заметно хуже.
Даже более новая версия модели не смогла полностью закрыть разницу.
Получается занятная вещь: более сильный ИИ не обязательно заменяет правильно подготовленный инструмент.
Мы уже не первый раз упираемся в эту историю. Можно бесконечно наращивать интеллект модели, а можно перестроить среду так, чтобы модели не приходилось каждый раз заново понимать, где лежит нужный код и какой командой его запускать.
Второй вариант иногда работает лучше.
И заодно дешевле.
А теперь представим библиотеку, где статьи разговаривают друг с другом
Вот тут идея становится действительно любопытной.
Авторы Paper2Agent рассматривают отдельного агента статьи только как начало.
Потому что если одна работа стала агентом, почему другой не может стать соседняя?
Допустим, первый агент умеет анализировать генетические варианты. Второй специализируется на экспрессии генов. Третий работает с клеточными данными.
Человеческому исследователю пришлось бы прочитать три статьи, освоить три разных набора инструментов, разобраться в форматах и вручную построить между ними мостики.
Агенты теоретически могут договариваться сами.
Первый обработал данные и передал результат второму. Второй увидел интересный сигнал и запросил дополнительный анализ у третьего.
Человек при этом задаёт задачу уровнем выше.
Не:
«Запусти функцию X с параметром Y».
А:
«Попробуйте выяснить, почему этот генетический вариант связан с заболеванием».
Это уже очень похоже на то, что сейчас называют AI co-scientist — ИИ не как поисковик или умный автокомплит, а как участник исследовательского процесса.
Причём участником становится не только универсальная модель.
Каждая научная работа получает собственного маленького специалиста.
Тогда научные статьи больше не понадобятся?
Вот здесь я бы пока PDF не хоронил.
Во-первых, Paper2Agent лучше всего чувствует себя там, где исследование вообще можно превратить в вычислительную процедуру.
Если археолог описывает новое поселение бронзового века или астроном предлагает теоретическую интерпретацию наблюдений, далеко не очевидно, какой «инструмент» должен родиться из такой статьи.
Во-вторых, агент наследует ограничения исходной работы.
Если авторский метод содержит ошибку, превращение его в красивый MCP-сервер эту ошибку магически не исправит.
Можно даже сделать хуже.
Человек, вручную разбирающий чужую методику, иногда замечает странность именно потому, что вынужден остановиться и подумать.
Агент способен очень быстро и очень удобно воспроизвести ошибочный подход тысячу раз.
В-третьих, остаётся вопрос доверия.
Если ИИ сказал: «Я применил метод статьи к вашим данным», учёному всё равно необходимо понимать, что именно произошло внутри.
Наука отличается от заказа пиццы тем, что одного правильного результата недостаточно. Нужно ещё иметь возможность объяснить, каким образом он получен.
Поэтому нормальное будущее здесь вряд ли выглядит как:
«Забудьте статьи. Просто спросите агента».
Скорее:
статья остаётся доказательством и описанием работы, а агент становится интерфейсом к ней.
Но формат научной публикации от этого действительно может измениться
Сегодня публикация выглядит примерно так:
текст + картинки + приложения + ссылка на код.
Завтра вполне может появиться ещё один обязательный слой:
действующий агент исследования.
Хотите узнать детали — читаете статью.
Хотите проверить результат — запускаете инструменты.
Хотите применить метод к своим данным — разговариваете с агентом.
Хотите объединить несколько работ — соединяете их агентов.
Причём такая система может довольно жестоко разделить исследования на две категории.
В одной статье написано: «Вот наш метод, вот код, вот данные, вот работающий агент — можете проверить».
В другой: «Поверьте нам, всё работало на компьютере аспиранта три года назад».
Угадайте, какой публикации будут доверять больше.
И здесь ИИ меняет науку немного не так, как ожидалось
Последние пару лет разговор обычно шёл о другом.
ИИ будет писать научные статьи.
ИИ будет искать литературу.
ИИ будет придумывать гипотезы.
ИИ будет анализировать данные.
Всё это действительно происходит.
Но Paper2Agent показывает ещё один вариант, менее эффектный и, возможно, более важный.
ИИ может изменить саму форму научного знания.
До печатного станка знание жило в рукописях.
Потом несколько столетий основной единицей науки была печатная статья.
Интернет превратил её в PDF, но принцип почти не поменял.
Мы всё ещё получаем замороженный снимок чужой работы.
Paper2Agent предлагает другую модель: опубликованное исследование продолжает работать после публикации.
Его можно спросить.
Ему можно дать новые данные.
Его можно соединить с другой работой.
Его результаты можно проверить повторно.
Получается уже не совсем документ.
Скорее маленькая специализированная программа со встроенным экспертом.
И если эта идея приживётся, через несколько лет вопрос «скинь мне статью» действительно может звучать немного старомодно.
Потому что вместо файла коллега пришлёт вам агента.
