Лаборатории искусственного интеллекта в Пекине внедряют автономных роботизированных ученых, способных самостоятельно разрабатывать эксперименты, собирать данные и открывать новые материалы, что знаменует собой сдвиг в парадигме научных исследований.
Автономные научные процессы
В лабораториях AI for Science в Пекине ИИ и роботизированные манипуляторы функционируют как самодостаточные ученые. Журналист издания Beijing News посетил такое учреждение и наблюдал, как роботизированная рука готовит кондуктивную жидкость, завершая каждую бутылку за 20–30 секунд благодаря плавным, стандартизированным движениям, которые исключают человеческие ошибки ручного труда.
Автономная лаборатория построена вокруг герметичных экспериментальных станций, оснащенных роботизированными руками, которые с высокой точностью работают с пипетками, реагентами и образцами. Система функционирует на трех уровнях: во-первых, ИИ самостоятельно обнаруживает фундаментальные научные законы посредством проведения экспериментов; во-вторых, он создает новые материалы, генерируя качественные данные для обучения моделей, которые производят новые знания; и в-третьих, осуществляется сквозное обратное проектирование, где результаты напрямую проверяются в практических приложениях.
Разработка научной модели Panshi
В Институте автоматизации Китайской академии наук исследователи разработали научную модель Panshi. Вместо создания универсальной большой языковой модели (LLM), подобной Doubao или Qwen, команда выбрала двухэтапный подход. Первая версия (1.0) дообучает открытые модели на научной литературе и данных. Вторая версия (2.0), находящаяся в разработке, обучается с нуля, объединяя текст с различными научными модальностями, включая спектры волн, спектрограммы, электромагнитные поля и молекулярные структуры, в единую токен-систему. Модель Panshi прошла адаптацию в восьми научных дисциплинах.
Отличие научного ИИ от потребительского
Ключевое отличие научного ИИ (AI4S) от потребительского ИИ заключается в том, что научный ИИ обязан взаимодействовать с физическим миром для получения новых знаний. Как объяснил один руководитель исследовательской группы, в то время как системы вроде DeepSeek и ChatGPT анализируют существующие интернет-данные, системы AI4S должны проводить реальные эксперименты для генерации дополнительных данных, продвигающих человеческое знание. Это требует интеграции ИИ с лабораторным оборудованием, датчиками и роботизированными устройствами в замкнутый цикл, включающий гипотезу, эксперимент, сбор данных и оптимизацию.
Структурные преимущества Пекина
Пекин обладает структурными преимуществами в этой гонке. Город является местом концентрации самых ведущих исследовательских учреждений Китая, таких как CAS, Tsinghua и Пекинский университет, а также располагает крупнейшими научными объектами страны. Кластер науки Хуайроу генерирует огромные объемы высококачественных данных для обучения ИИ, причем сам Пекинский электрон-позитронный коллайдер производит 1 терабайт данных в секунду. В июне 2026 года Пекин представил свой план реализации AI for Science, который охватывает шесть приоритетных областей и ставит целью создание глобально влиятельного инновационного центра науки на базе ИИ к 2028 году.