Автономна наука: изкуственият интелект в научните открития

Понятието и степените на автономия

Терминът обхваща няколко различни по степен на самостоятелност неща, които в публичния дебат често се смесват. Най-разпространената употреба е за самоуправляващите се лаборатории (self-driving laboratories, SDL) — съчетание на изкуствен интелект и лабораторна автоматизация за изследвания в химията, материалознанието и биологичните науки^[1]. В обзор в списание *Chemical Reviews* от 2024 г. те се определят като обещание за ускорено прилагане на научния метод: чрез автоматизиране на експерименталните работни потоци и автономно експериментално планиране^[7].

Критичното разграничение е тристепенно. На първото ниво изкуственият интелект е инструмент: модел предсказва или анализира, а всички решения остават при учения. На второто ниво е частично автоматизираният цикъл: алгоритъм избира следващия експеримент, робот го изпълнява, а резултатът променя плана — но целите, тълкуването и публикуването остават човешки. На третото, все още хипотетично ниво е пълната автономия по целия път от въпроса до проверената публикация. Обзор на Ричард Кенти и Милад Аболхасани в *Nature Reviews Chemistry*, публикуван на 31 юли 2026 г., описва развитието като преход от тясно насочени средства за автоматизация към многоцелеви платформи за откриване, в които алгоритми предлагат, изпълняват и тълкуват експерименти с ограничена човешка намеса^[8][9].

Самото понятие „робот учен“ се използва предимно метафорично, а представата, че човешките учени един ден ще бъдат заменени от компютри — наследници на лабораторните системи Adam и Eve, за които се твърди, че са първите „роботи учени“ — се среща най-вече в текстове за широка публика; така го описва Станфордската философска енциклопедия^[13].

Предистория: DENDRAL, BACON и роботите учени

Идеята за автоматизирано научно откриване е по-стара от съвременните езикови модели. Проектът DENDRAL от 60-те години на XX век има за основна цел да изследва формирането на хипотези и откриването в науката^[16]. Задачата му е да помага на органичните химици да определят неизвестни органични молекули чрез анализ на масспектрите им и знания по химия; работата се води в Станфордския университет от Едуард Файгенбаум, Брус Бюканън, Джошуа Ледербърг и Карл Джераси^[17]. Започва през 1964 г. и обхваща приблизително половината от историята на изследванията по изкуствен интелект^[18]. Dendral се смята за първата експертна система, защото автоматизира вземането на решения и поведението при решаване на задачи на органичните химици^[19].

Програмите BACON (1981) и KEKADA (1988) използват набори от евристики за решаване на задачи, за да откриват закономерности в дадени набори от данни^[14]. Те „правят открития“ в смисъл, че могат да симулират успешни открития като третия закон на Кеплер (BACON) или цикъла на Кребс (KEKADA)^[15] — тоест възпроизвеждат вече известни резултати, а не произвеждат ново знание.

Преломът идва с робота Adam, създаден от група учени, включваща Рос Кинг, Кенет Уилън, Фион Джоунс, Филип Райзер, Кристофър Брайънт, Стивън Магълтън, Дъглас Кел, Ема Бърн и Стив Оливър^[20]. Adam може да формулира хипотези, за да обясни наблюдения; да проектира експерименти, с които да ги провери; физически да ги изпълни с лабораторна роботика; да тълкува резултатите и да повтаря цикъла при нужда^[21]. Работата, финансирана от британския съвет BBSRC, е публикувана на 03 април 2009 г. в списание Science^[23]. Роботът открива просто, но ново научно знание за генома на хлебната мая *Saccharomyces cerevisiae* — организъм, който учените използват като модел на по-сложни живи системи^[24]. Съществено за оценката на твърдението е, че изследователите са използвали отделни ръчни експерименти, за да потвърдят, че хипотезите на Adam са едновременно нови и верни^[25].

Следващата машина, Eve, е разработена от учени от университетите в Манчестър, Аберистуит и Кеймбридж, за да автоматизира и ускори откриването на лекарства чрез автоматично съставяне и проверка на хипотези, провеждане на експерименти с лабораторна роботика, тълкуване на резултатите и повтаряне на цикъла^[26]. С нейна помощ изследователски екип открива, че триклозанът — съставка в много пасти за зъби — може да помогне в борбата с лекарствената резистентност при малария^[27], като установява, че той потиска съвсем различен ензим на малариния паразит, наречен DHFR^[28]; резултатът е публикуван в *Scientific Reports* на 18 януари 2018 г.^[29]

В обзор от август 2026 г. Рос Кинг — ръководителят на двата проекта — формулира мястото им така: Adam е първата машина, направила нови научни открития чрез цикли на формиране на хипотези и физически експерименти, а Eve установява архитектурата на съвременната самоуправляваща се лаборатория^[30]. Това е твърдение на самия създател на системите и трябва да се чете като такова.

Архитектура на затворения цикъл

Отличителната черта на автономната научна система не е отделен модул, а затвореният цикъл: наблюдение → хипотеза → проектиран експеримент → изпълнение → анализ → преоценка на хипотезата. Именно този цикъл стои в основата на определението за най-развитите самоуправляващи се лаборатории, които автоматизират почти целия научен метод и обновяват хипотезите за следващите кръгове на оптимизация или откриване^[2].

Разликата с обикновената автоматизация е в избора. Високопроизводителният скрининг изпълнява предварително зададен списък от опити; автономната система избира следващия опит според получената дотук информация. Обзорът в *Chemical Reviews* подчертава точно съчетанието на автоматизирани работни потоци с автономно експериментално планиране^[7].

Кенти и Аболхасани формулират следващата фаза на полето чрез три взаимозависими изисквания: мащабируемост, обобщимост и експериментиране с пълна проследимост на произхода на данните^[10]. Постигането на този преход според тях зависи от съвместими стандарти за данни и метаданни, модулен и интегрируем експериментален хардуер и надеждни агенти с изкуствен интелект, които разсъждават при неопределеност в рамките на строги граници на безопасност и етика^[12]. Авторите говорят и за „колективна научна свръхинтелигентност“ като цел, която изисква лаборатории, надеждно мащабиращи производителността и пренасящи работни потоци и научени модели между лаборатории и научни области^[11] — това е заявена посока, не описание на съществуващо състояние.

AlphaFold и Нобеловата награда: инструмент, а не автономна наука

От 70-те години на XX век изследователите се опитват да предсказват структурите на белтъците по аминокиселинните им последователности, но задачата е изключително трудна^[34]. През 2020 г. Демис Хасабис и Джон Джъмпър представят модела AlphaFold2, с чиято помощ е предсказана структурата на практически всички 200 милиона белтъка, известни на изследователите^[35]. На 9 октомври 2024 г. Кралската шведска академия на науките присъжда Нобеловата награда за химия наполовина на Дейвид Бейкър „за компютърен дизайн на белтъци“ и наполовина на Хасабис и Джъмпър „за предсказване на белтъчни структури“^[36]. От пробива AlphaFold2 е използван от над два милиона души от 190 държави^[37].

Това е най-значимото научно постижение с изкуствен интелект до момента, но то не е пример за автономна наука. AlphaFold е предсказващ модел: той не формулира собствени изследователски цели, не планира и не изпълнява експерименти и не преоценява хипотези въз основа на нови измервания. Смесването на двете е една от най-честите грешки в публичния дебат — наградата отличава хора за създаден от тях инструмент, а не машина за самостоятелно откриване.

Материалознание: A-Lab, GNoME и спорът за новостта

На 29 ноември 2023 г. в Nature са публикувани две свързани статии, които се превръщат в най-обсъждания случай на автономно откриване — и в най-поучителния пример за това как твърденията се проверяват.

Първата представя A-Lab — автономна лаборатория в Националната лаборатория „Лорънс Бъркли“ за твърдофазен синтез на неорганични прахове, която използва изчисления, исторически данни от литературата, машинно обучение и активно обучение, за да планира и тълкува резултатите от експерименти, извършвани с роботика^[38]. За 17 дни непрекъсната работа A-Lab получава 36 съединения от набор от 57 цели, определени чрез мащабни ab initio данни за фазова устойчивост от Materials Project и Google DeepMind^[39].

Втората статия описва GNoME (Graph Networks for Materials Exploration): графови мрежи, обучени в голям мащаб, достигат безпрецедентни равнища на обобщаване и подобряват ефективността на откриването на материали с порядък^[41]. Надграждайки върху 48 000 устойчиви кристала от предишни изследвания, системата открива 2,2 милиона структури под текущата изпъкнала обвивка^[42]. Авторите заключават, че работата им представлява разширяване с един порядък на устойчивите материали, известни на човечеството^[43]; от устойчивите структури 736 вече са независимо експериментално получени^[44]. Блогът на Google DeepMind представя резултата като 2,2 милиона нови кристала, включително 380 000 устойчиви материала, които биха могли да захранят бъдещи технологии^[45], и го сравнява с „почти 800 години“ натрупано знание^[46].

И двете твърдения са оспорени от независими химици. В перспектива в *PRX Energy*, публикувана на 7 март 2024 г., Джош Лийман, Лесли Шоп, Робърт Палгрейв и съавтори вземат работата на Шимански и съавтори за пример и обсъждат проблемите, които могат да възникнат при ненаблюдавано откриване на материали^[47][48]. Те разглеждат всичките 43 синтезирани продукта, посочват четири често срещани слабости в анализа и заключават, че тези грешки за съжаление водят до извода, че в тази работа не са открити нови материали^[49]. Два от изводите им са от общо значение: автоматизираният анализ по метода на Ритвелд на данни от прахова рентгенова дифракция все още не е надежден^[50], а безпорядъкът в материалите често се пренебрегва в предсказанията^[51].

Критиката към GNoME е от друга страна. Антъни Чийтам и Рам Сешадри от Калифорнийския университет в Санта Барбара публикуват анализ в *Chemistry of Materials*, в който твърдят, че определените от GNoME материали не са толкова полезни, колкото се внушава^[52]. Според тях предсказанията се отнасят само до кристални неорганични съединения, а извън обхвата на системата остават много други видове материали — полимери, стъкла, метал-органични скелети, хетероструктури и композити^[53]. Изводът им е, че намират твърде малко доказателства за съединения, които изпълняват едновременно трите условия — новост, достоверност и полезност^[54]. Google DeepMind отговаря, че застава зад всички твърдения в статията си за GNoME^[55] и че стотици от предсказаните материали вече са независимо синтезирани от учени по света^[56].

Спорът има и формален резултат. На 19 януари 2026 г. Nature публикува авторска поправка към статията за A-Lab^[40][57]. В нея се признава, че след публикуването са повдигнати опасения относно еднозначното определяне на структурите на съединенията чрез дифракция, както и относно първоначалните твърдения за новост на материалите^[58]. Авторите приемат, че първоначалните твърдения за новост са подлежали на погрешно разбиране: намерението им е било да покажат, че материалите са нови за предсказващата платформа, а не непременно нови за науката^[59]. След ръчно повторен анализ на дифракционните картини, рецензиран след публикуването, те потвърждават, че платформата е стигнала до верния извод в 36 от 40 отчетени успеха, като при 4 съединения резултатът остава неубедителен^[60].

Този случай е най-добрият наличен пример за това как работи самокоригирането на науката при автономните системи: първоначално твърдение на разработчиците, независима проверка от специалисти по кристалография, частично признаване на грешката и официална поправка — и в същото време напомняне, че „ново за платформата“ не е равно на „ново за науката“.

Езикови модели в лабораторията: Coscientist

На 20 декември 2023 г. в Nature е публикувана статията „Autonomous chemical research with large language models“ на Даниил Бойко, Робърт Макнайт, Бен Клайн и Гейб Гомес от университета „Карнеги Мелън“^[61]. Тя представя Coscientist — система с изкуствен интелект, задвижвана от GPT-4, която автономно проектира, планира и провежда сложни експерименти, като съчетава големи езикови модели с инструменти като търсене в интернет и в документация, изпълнение на код и експериментална автоматизация^[62]. Системата е приложена към шест различни задачи, включително успешна оптимизация на реакция при кръстосани свързвания, катализирани от палладий, при което показва способности за (полу)автономно експериментално проектиране и изпълнение^[63].

Тази система не бива да се бърка с Co-Scientist на Google DeepMind, появила се по-късно и с различно предназначение: Coscientist на „Карнеги Мелън“ управлява физическа химическа апаратура, докато Co-Scientist работи с научни хипотези. Сходните имена са източник на трайно объркване в популярните преразкази.

Многоагентни системи за хипотези: Co-Scientist и Robin

На 19 май 2026 г. в Nature са публикувани две статии за многоагентни системи за научно откриване. Прессъобщението на Nature описва двете системи като подпомагащи множество процеси в научните изследвания — например формулиране на хипотези, проектиране на експерименти и анализ на данни — разработени поотделно от Google DeepMind и FutureHouse и предназначени да подпомагат изследователите в ускоряването на научните открития, а не да ги заменят^[64]. Двата екипа подчертават, че ученият винаги остава в процеса^[65].

Co-Scientist е многоагентна система, изградена върху Gemini, за структурирано научно мислене и генериране на хипотези^[67][68]. Устройството ѝ включва агенти, които непрекъснато генерират, критикуват и усъвършенстват хипотези, ускорени чрез мащабиране на изчисленията по време на извод^[69]. В описанието на Google DeepMind агент за генериране предлага първоначални области и нови хипотези, основани на научната литература и данните^[71]; агент за размисъл действа като „виртуален рецензент“, преценявайки критично правилността, качеството и новостта^[72]; агент за класиране организира „турнир на идеите“ чрез сравнения по двойки и симулирани научни дебати^[73]; а агент за мета-преглед обобщава изводите, за да оптимизира непрекъснато системата, и подготвя крайното изследователско предложение, което ученият преглежда^[74]. Според статията системата е помогнала да бъдат открити нови кандидати за пренасочване на лекарства и синергични комбинирани терапии при остра миелоидна левкемия, потвърдени чрез експерименти ин витро^[70]. Прессъобщението обаче уточнява, че предложените лечения са се оказали потенциално полезни в опити с клетъчни линии, но за терапевтично потвърждение би била необходима строга предклинична и клинична оценка^[66].

Robin на FutureHouse е многоагентна система, способна да автоматизира напълно както генерирането на хипотези, така и анализа на данни за експерименталната биология^[75]. Чрез обединяване на агенти за търсене в литературата с агенти за анализ на данни тя генерира хипотези, предлага експерименти, тълкува експерименталните резултати и създава обновени хипотези — което авторите определят като полуавтономен подход към научното откриване^[76]. Системата предлага засилването на фагоцитозата на ретинния пигментен епител като терапевтична стратегия и установява и потвърждава ин витро действието на рипасудил и KL001^[77]. Авторите заявяват, че всички хипотези, експериментални насоки, анализи на данни и фигури в основния текст на статията им са създадени от Robin^[78]. Съществената граница тук е ясна: физическите експерименти са извършени от хора, а системата е автоматизирала разсъждението и анализа.

Свързана с Robin е системата Kosmos, описана в препринт от ноември 2025 г.: при зададена отворена цел и набор от данни тя работи до 12 часа в цикли от паралелен анализ на данни, търсене в литературата и генериране на хипотези, преди да обобщи откритията в научни доклади^[79]. Авторите съобщават, че независими учени са намерили 79,4% от твърденията в докладите на Kosmos за точни, а сътрудници са преценили, че един 20-цикъл прогон се равнява средно на 6 месеца от собственото им изследователско време^[80]. И двете числа идват от самите разработчици; оценката „79,4% точни твърдения“ едновременно е силен и отрезвяващ резултат, защото означава, че около едно от пет твърдения не е точно.

Автоматизиране на целия цикъл: The AI Scientist

Отделно направление се опитва да автоматизира целия изследователски цикъл до публикация. Първата версия на The AI Scientist е представена в препринт от 12 август 2024 г. от Крис Лу, Конг Лу, Роберт Ланге, Якоб Фьорстер, Джеф Клун и Дейвид Ха^[81]. Според авторите всяка идея се реализира и развива в пълна статия на цена под 15 долара^[82].

Разширената версия е публикувана на 25 март 2026 г. в Nature като „Towards end-to-end automation of AI research“ от изследователи от Университета на Британска Колумбия, Sakana AI, института Vector и Оксфордския университет^[83]. Системата създава изследователски идеи, пише код, провежда експерименти, изчертава и анализира данни, написва целия научен текст и извършва собствено рецензиране^[84]. Идеите, изпълнението и представянето са с достатъчно качество, че създаденият от системата текст преминава първия кръг рецензиране за работен семинар на водеща конференция по машинно обучение; семинарът е имал процент на приемане 70%^[85].

Подробностите са важни за точната оценка. Една от трите генерирани с изкуствен интелект статии получава средна оценка 6,33 от рецензентите (отделните оценки са 6, 7 и 6), което я поставя над средния праг за приемане на семинара^[86]. Като част от експерименталния протокол авторите са решили предварително, че всички представени от изкуствен интелект материали ще бъдат оттеглени след рецензирането независимо от резултата^[87]; в блога си Sakana уточнява, че това е било определено предварително именно защото статиите са генерирани от изкуствен интелект^[91]. Самите автори посочват и границата: приета е само една от три представени статии, а работните семинари имат много по-висок процент на приемане от основните конференции (например 70% за семинара ICBINB на ICLR 2025 срещу 32% за основната конференция ICLR 2025), затова The AI Scientist все още не може да отговори на стандартите на водещите публикации^[88]. Честите начини на отказ включват наивни или недоразвити идеи, неправилни реализации на основната идея, липса на дълбока методологична строгост, грешки в експерименталното изпълнение, дублиране на фигури и много видове халюцинации, като неточни цитирания^[89]. Съобщението на Университета на Британска Колумбия добавя, че засега системата може да провежда изследвания само в компютърните науки^[92].

Независимата оценка потвърждава смесената картина. В препринт от февруари 2025 г. Йоран Бел, Мин-Йен Кан и Мориц Баумгарт съобщават за съществени слабости: литературните обзори на системата дават лоши оценки за новост, като често определят установени понятия като нови^[93]; 42% от експериментите се провалят заради програмни грешки^[94]; а генерираните текстове са слабо обосновани, с медиана от пет цитирания, повечето остарели^[95]. Тази независима проверка се отнася до по-ранната версия на системата, а не до публикуваната в Nature.

Самите автори на статията в Nature отбелязват и риска: както при всяка влиятелна нова технология, възможни са съществени рискове, включително претоварване на вече обременените системи за рецензиране и добавяне на шум в научната литература^[90].

Математика и алгоритми: AlphaEvolve

Отделен клон на автономното откриване работи там, където проверката е евтина и еднозначна. AlphaEvolve на Google DeepMind съчетава способностите на моделите Gemini за творческо решаване на задачи с автоматични оценители, които проверяват отговорите, и с еволюционна рамка, която развива най-обещаващите идеи^[96]. Системата открива алгоритъм за умножение на комплексни матрици 4x4 с 48 скаларни умножения, с което подобрява алгоритъма на Щрасен от 1969 г.^[97] Самите разработчици посочват, че тя е особено полезна в области, където напредъкът може да се измерва ясно и систематично, като математиката и компютърните науки^[98] — тоест успехът ѝ зависи от наличието на автоматичен критерий за истинност.

В препринт от 3 ноември 2025 г. Богдан Георгиев, Хавиер Гомес-Серано, Терънс Тао и Адам Жолт Вагнер прилагат системата към списък от 67 задачи от математическия анализ, комбинаториката, геометрията и теорията на числата^[99]. Системата преоткрива най-добрите известни решения в повечето случаи и открива по-добри решения в няколко от тях^[100]. В прегледа си от 7 май 2026 г. Google DeepMind съобщава, че в работа с математици като Терънс Тао системата е помогнала за решаването на задачи на Ердьош^[101]. Самият Тао описва ролята ѝ премерено: такива средства дават на математиците много полезни нови възможности, като позволяват бързо да се проверяват потенциални неравенства за контрапримери, което подобрява интуицията и улеснява намирането на строги доказателства^[102]. Това е описание на силен изследователски инструмент, а не на автономен математик: доказателството остава човешка или отделна формална задача.

Епистемологични проблеми

Най-системната критика срещу бързото навлизане на изкуствения интелект в науката е формулирана от Лиза Месери и Моли Крокет в перспектива в Nature от 6 март 2024 г.^[103] Според тях предлаганите решения с изкуствен интелект могат да използват познавателните ни ограничения, което ни прави уязвими към илюзии за разбиране — вярваме, че разбираме света повече, отколкото в действителност^[104]. Такива илюзии пречат на научната общност да забележи възникването на научни монокултури, в които определени методи, въпроси и гледни точки изместват алтернативните подходи, правейки науката по-малко новаторска и по-уязвима към грешки^[105]. Разпространението на тези средства според авторите рискува да въведе фаза на научно изследване, в която произвеждаме повече, но разбираме по-малко^[106].

От това следват няколко разграничения, които автономната научна система трябва да прави, но които не следват автоматично от нейната архитектура: наблюдение от обяснение, корелация от причинност, симулация от експеримент, хипотеза от потвърдена закономерност и статистическа значимост от практическа значимост. Случаят с A-Lab показва конкретно как липсата на такова разграничение — между „ново за платформата“ и „ново за науката“ — води до твърдение, което по-късно се налага да бъде поправено^[59].

Хироаки Китано формулира и обратната възможност. В перспектива от 18 юни 2021 г. той отбелязва, че това, което може да бъде осъществено от „ИИ учени“, може да не прилича на научния процес на човешкия учен: може да е алтернативна форма на наука, която преодолява ограниченията на днешната научна практика, силно възпрепятствана от човешките познавателни граници и социологическите ограничения^[107]. Неговият Nobel Turing Challenge си поставя за цел високо автономна система, която извършва наука на най-високо равнище, неразличима по качество от тази на най-добрите човешки учени, при което някои от откритията биха могли да заслужат признание на нобелово равнище и отвъд него^[108]. В обзора си от 2026 г. Рос Кинг определя целта като създаване до 2050 г. на системи, способни да автоматизират открития с нобелово качество, и твърди, че напредъкът изпреварва графика^[33] — преценка на участник в полето, а не независима оценка.

Натиск върху рецензирането и научната литература

Рискът, посочен от авторите на The AI Scientist — претоварване на системите за рецензиране и шум в литературата^[90] — вече е измерим. На 27 ноември 2025 г. Nature съобщава за спор, възникнал след като е установено, че 21% от рецензиите на материали за международна конференция по изкуствен интелект са генерирани от изкуствен интелект^[110][109].

Натиск има и върху препринт сървърите. На 31 октомври 2025 г. arXiv обявява, че в раздела си по компютърни науки обзорните статии и позиционните документи вече ще се приемат само след като са приети в списание или на конференция и са преминали успешно рецензиране^[111]. Обяснението е пряко: през последните години arXiv е залян от статии, а генеративният изкуствен интелект и големите езикови модели са допринесли за този наплив, като правят писането на статии — особено на такива, които не представят нови изследователски резултати — бързо и лесно^[112].

Тези две мерки показват, че тесният проблем на автономната наука не е производството на текстове, а капацитетът за тяхната проверка. Когато генерирането е по-евтино от рецензирането, ограничението се премества към проверката — и затова оценяването на системите с изкуствен интелект става част от самия научен въпрос.

Безопасност и отговорност

Автономните лаборатории управляват физическо оборудване и вещества, затова рисковете при тях са различни от тези при текстовите системи. В перспектива в *Nature Reviews Chemistry*, публикувана на 18 август 2025 г., Ши Сюан Леонг, Алан Аспуру-Гузик и съавтори разглеждат безопасността на самоуправляващите се лаборатории^[113]. Докато такива лаборатории разширяват обхвата на химичните процеси, които могат да изпълняват, според авторите е наложително безопасността да излезе на преден план, за да се осигурят необходимите предпазни механизми срещу произшествия — от едва избегнати инциденти до катастрофални откази^[114].

Обзорът на Александър Тобиас и Адам Уахаб в *Royal Society Open Science* от 1 юли 2025 г. разглежда същите рискове на равнище политика: самоуправляващите се лаборатории пораждат опасения за безопасност и сигурност, които авторите смятат за преодолими чрез изпреварващ подход, крайна човешка отговорност и надеждни мерки за киберсигурност^[5]. Принципът „крайна човешка отговорност“ е общоприет в литературата, но остава слабо институционализиран: няма установен ред за това кой отговаря, когато автономна система предложи и изпълни погрешен или опасен експеримент.

Същият обзор посочва и нерешен правен проблем: изобретенията, произтичащи от наука, движена от изкуствен интелект, представляват голямо предизвикателство, тъй като патентните закони по света признават само човешки изобретатели, а ако създаваните изобретения останат непатентоспособни, финансирането на такива лаборатории може да бъде ограничено^[4].

Отделен въпрос е двойната употреба: по принцип едни и същи изчислителни методи могат да служат както за търсене на полезни, така и на вредни вещества. Именно затова литературата по безопасност изисква предпазните механизми да бъдат вградени предварително в проектирането на самоуправляващите се лаборатории, а не добавени след това^[114], и настоява на крайна човешка отговорност и надеждни мерки за киберсигурност^[5]. Подробности по такива сценарии не се разглеждат тук.

Демократизация или концентрация

Автономните инструменти могат да разширят достъпа до експериментална наука. Тобиас и Уахаб отбелязват, че съобщения за експерименти, направлявани от изкуствен интелект и изпълнени в „облачни лаборатории“, вече се появяват в литературата, което предвещава демократизация на науката, която едновременно заинтригува и буди опасения^[3]. По отношение на заетостта техният анализ подсказва, че такива лаборатории може да изместят някои научни роли, но вероятно ще създадат много нови възможности^[6].

Обратната тенденция е не по-малко реална. Най-мащабните резултати в полето идват от организации с голяма изчислителна инфраструктура, а Кенти и Аболхасани посочват, че превръщането на самоуправляващите се лаборатории в споделена научна инфраструктура се сблъсква със структурни асиметрии — именно затова изискват мащабируемост и пренос на работни потоци между лаборатории^[10]. Дали автоматизацията разширява или ограничава достъпа, зависи от собствеността върху инфраструктурата, цената на достъпа и правилата за ползване, а не от самата технология.

Държавни програми

През 2025 и 2026 г. автономната наука става предмет на мащабна държавна политика.

В САЩ на 24 ноември 2025 г. е издадена изпълнителна заповед 14363 „Launching the Genesis Mission“^[115]. Програмата предвижда изграждане на интегрирана платформа с изкуствен интелект, която да използва федералните научни набори от данни — според заповедта най-голямата такава колекция в света — за обучаване на научни базови модели и създаване на агенти, които да проверяват нови хипотези, да автоматизират изследователски работни потоци и да ускоряват научните пробиви^[116]. Заповедта сравнява необходимото усилие по спешност и амбиция с проекта „Манхатън“^[117] — риторика, която сама по себе си не е доказателство за резултат. Предвижда се и преглед на възможностите на националните лаборатории за роботизирани лаборатории и производствени съоръжения, способни да провеждат експериментиране и производство, направлявано от изкуствен интелект^[118], както и в срок от 270 дни да бъде демонстрирана начална работоспособност на платформата поне за едно от определените национални научно-технологични предизвикателства^[119]. На 12 февруари 2026 г. Министерството на енергетиката обявява 26 научни и технологични предизвикателства от национално значение в рамките на програмата^[120][121].

В Европейския съюз на 3 ноември 2025 г., на Европейската среща на върха за изкуствения интелект в науката в Копенхаген, е открит пилотният етап на RAISE (Resource for Artificial Intelligence Science in Europe)^[122]. Това е виртуален институт — водеща инициатива по стратегиите на ЕС за прилагане на изкуствения интелект и за изкуствен интелект в науката^[123], а пилотът се финансира с 107 милиона евро по „Хоризонт Европа“^[124]. На 16 октомври 2026 г., на следващата среща на върха в Дъблин^[126][125], Комисията стартира и инициатива за поемане на ангажименти, която трябва да допълни публичното финансиране с непарични вноски^[127]. Първите ангажименти са поети от фондация „Ново Нордиск“, Nvidia, Elsevier, Sanofi, Frontiers, Mistral и Google DeepMind^[128]. На същата среща е представена и най-обширната досега преработка на „Живите насоки за отговорно използване на генеративен изкуствен интелект в научните изследвания“^[129].

Общото между двете програми е, че към октомври 2026 г. те са най-вече обявена инфраструктура и ангажименти, а не постигнати научни резултати. Публичните документи описват платформи, предизвикателства и вноски; независими оценки на техния научен добив все още няма.

Състояние към октомври 2026 г.

Следните изводи са относително добре подкрепени от проверими източници:

• Автоматизирането на отделните етапи на научния процес вече е постигнато: според обзора на Кинг от 2026 г. основният проблем не е дали отделните части могат да бъдат автоматизирани — те могат — а интеграцията им^[31].
• Интеграцията изисква съчетаване на невронното обучение с логика, вероятности, математика, причинно-следствено разсъждение, симулация, експериментално проектиране, роботика и формални научни записи^[32].
• Най-убедителните резултати са там, където проверката е автоматична и еднозначна — в математиката и компютърните науки^[98].
• Пълният цикъл до публикация е демонстриран, но все още не достига стандартите на водещите списания и конференции^[88].
• Дори най-напредналите системи за хипотези работят с човек в цикъла и изискват обичайната предклинична и клинична проверка^[65][66].
• Твърденията за автономни открития трябва да се четат внимателно: случаят A-Lab показа, че „ново за платформата“ не е „ново за науката“^[59], а независимият анализ на същите данни стигна до извода, че нови материали не са открити^[49].

Остава недоказано, че съществува универсален изкуствен учен, който може самостоятелно и надеждно да изпълнява всички етапи на научното откритие в различни дисциплини. Най-сериозните нерешени проблеми са достоверността, преносимостта на методите между лаборатории, независимата проверка и разпределението на научната отговорност. Връзката с по-широките дебати за самоусъвършенстващия се изкуствен интелект и за общия изкуствен интелект е реална, но автономната наука е по-тесен и по-проверим въпрос: тук напредъкът се измерва с експерименти, които издържат независима проверка, а не с очаквания.

Доказателства към твърденията

1. Autonomous ‘self-driving’ laboratories: a review of technology and policy implications (Tobias & Wahab)
   Royal Society Open Science 12(7):250646 · 2025-07-01
   Отвори източника
2. Autonomous ‘self-driving’ laboratories: a review of technology and policy implications (Tobias & Wahab)
   Royal Society Open Science 12(7):250646 · 2025-07-01
   Отвори източника
3. Autonomous ‘self-driving’ laboratories: a review of technology and policy implications (Tobias & Wahab)
   Royal Society Open Science 12(7):250646 · 2025-07-01
   Отвори източника
4. Autonomous ‘self-driving’ laboratories: a review of technology and policy implications (Tobias & Wahab)
   Royal Society Open Science 12(7):250646 · 2025-07-01
   Отвори източника
5. Autonomous ‘self-driving’ laboratories: a review of technology and policy implications (Tobias & Wahab)
   Royal Society Open Science 12(7):250646 · 2025-07-01
   Отвори източника
6. Autonomous ‘self-driving’ laboratories: a review of technology and policy implications (Tobias & Wahab)
   Royal Society Open Science 12(7):250646 · 2025-07-01
   Отвори източника
7. Self-Driving Laboratories for Chemistry and Materials Science (Tom et al.)
   Chemical Reviews 124(16) / PMC · 2024-08-13
   Отвори източника
8. The past, present and future of self-driving laboratories (Canty & Abolhasani)
   Nature Reviews Chemistry 10 · 2026-07-31
   Отвори източника
9. The past, present and future of self-driving laboratories (Canty & Abolhasani)
   Nature Reviews Chemistry 10 · 2026-07-31
   Отвори източника
10. The past, present and future of self-driving laboratories (Canty & Abolhasani)
    Nature Reviews Chemistry 10 · 2026-07-31
    Отвори източника
11. The past, present and future of self-driving laboratories (Canty & Abolhasani)
    Nature Reviews Chemistry 10 · 2026-07-31
    Отвори източника
12. The past, present and future of self-driving laboratories (Canty & Abolhasani)
    Nature Reviews Chemistry 10 · 2026-07-31
    Отвори източника
13. Scientific Discovery
    Stanford Encyclopedia of Philosophy
    Отвори източника
14. Scientific Discovery
    Stanford Encyclopedia of Philosophy
    Отвори източника
15. Scientific Discovery
    Stanford Encyclopedia of Philosophy
    Отвори източника
16. Dendral
    Wikipedia
    Отвори източника
17. Dendral
    Wikipedia
    Отвори източника
18. Dendral
    Wikipedia
    Отвори източника
19. Dendral
    Wikipedia
    Отвори източника
20. Robot Scientist
    Wikipedia
    Отвори източника
21. Robot Scientist
    Wikipedia
    Отвори източника
22. Robot scientist becomes first machine to discover new scientific knowledge
    University of Cambridge · 2009-04-03
    Отвори източника
23. Robot scientist becomes first machine to discover new scientific knowledge
    University of Cambridge · 2009-04-03
    Отвори източника
24. Robot scientist becomes first machine to discover new scientific knowledge
    University of Cambridge · 2009-04-03
    Отвори източника
25. Robot scientist becomes first machine to discover new scientific knowledge
    University of Cambridge · 2009-04-03
    Отвори източника
26. AI ‘scientist’ finds that toothpaste ingredient may help fight drug-resistant malaria
    University of Cambridge · 2018-01-18
    Отвори източника
27. AI ‘scientist’ finds that toothpaste ingredient may help fight drug-resistant malaria
    University of Cambridge · 2018-01-18
    Отвори източника
28. AI ‘scientist’ finds that toothpaste ingredient may help fight drug-resistant malaria
    University of Cambridge · 2018-01-18
    Отвори източника
29. AI ‘scientist’ finds that toothpaste ingredient may help fight drug-resistant malaria
    University of Cambridge · 2018-01-18
    Отвори източника
30. The Past and Future of AI Scientists (Ross D. King)
    arXiv · 2026-08-14
    Отвори източника
31. The Past and Future of AI Scientists (Ross D. King)
    arXiv · 2026-08-14
    Отвори източника
32. The Past and Future of AI Scientists (Ross D. King)
    arXiv · 2026-08-14
    Отвори източника
33. The Past and Future of AI Scientists (Ross D. King)
    arXiv · 2026-08-14
    Отвори източника
34. Press release: The Nobel Prize in Chemistry 2024
    The Royal Swedish Academy of Sciences · 2024-10-09
    Отвори източника
35. Press release: The Nobel Prize in Chemistry 2024
    The Royal Swedish Academy of Sciences · 2024-10-09
    Отвори източника
36. Press release: The Nobel Prize in Chemistry 2024
    The Royal Swedish Academy of Sciences · 2024-10-09
    Отвори източника
37. Press release: The Nobel Prize in Chemistry 2024
    The Royal Swedish Academy of Sciences · 2024-10-09
    Отвори източника
38. An autonomous laboratory for the accelerated synthesis of inorganic materials (Szymanski et al.)
    Nature 624 · 2023-11-29
    Отвори източника
39. An autonomous laboratory for the accelerated synthesis of inorganic materials (Szymanski et al.)
    Nature 624 · 2023-11-29
    Отвори източника
40. An autonomous laboratory for the accelerated synthesis of inorganic materials (Szymanski et al.)
    Nature 624 · 2023-11-29
    Отвори източника
41. Scaling deep learning for materials discovery (Merchant et al.)
    Nature 624 · 2023-11-29
    Отвори източника
42. Scaling deep learning for materials discovery (Merchant et al.)
    Nature 624 · 2023-11-29
    Отвори източника
43. Scaling deep learning for materials discovery (Merchant et al.)
    Nature 624 · 2023-11-29
    Отвори източника
44. Scaling deep learning for materials discovery (Merchant et al.)
    Nature 624 · 2023-11-29
    Отвори източника
45. Millions of new materials discovered with deep learning
    Google DeepMind · 2023-11-29
    Отвори източника
46. Millions of new materials discovered with deep learning
    Google DeepMind · 2023-11-29
    Отвори източника
47. Challenges in High-Throughput Inorganic Materials Prediction and Autonomous Synthesis (Leeman, Schoop, Palgrave et al.)
    PRX Energy 3, 011002 · 2024-03-07
    Отвори източника
48. Challenges in High-Throughput Inorganic Materials Prediction and Autonomous Synthesis (Leeman, Schoop, Palgrave et al.)
    PRX Energy 3, 011002 · 2024-03-07
    Отвори източника
49. Challenges in High-Throughput Inorganic Materials Prediction and Autonomous Synthesis (Leeman, Schoop, Palgrave et al.)
    PRX Energy 3, 011002 · 2024-03-07
    Отвори източника
50. Challenges in High-Throughput Inorganic Materials Prediction and Autonomous Synthesis (Leeman, Schoop, Palgrave et al.)
    PRX Energy 3, 011002 · 2024-03-07
    Отвори източника
51. Challenges in High-Throughput Inorganic Materials Prediction and Autonomous Synthesis (Leeman, Schoop, Palgrave et al.)
    PRX Energy 3, 011002 · 2024-03-07
    Отвори източника
52. Boffins deem Google DeepMind's material discoveries rather shallow
    The Register · 2024-04-11
    Отвори източника
53. Boffins deem Google DeepMind's material discoveries rather shallow
    The Register · 2024-04-11
    Отвори източника
54. Boffins deem Google DeepMind's material discoveries rather shallow
    The Register · 2024-04-11
    Отвори източника
55. Boffins deem Google DeepMind's material discoveries rather shallow
    The Register · 2024-04-11
    Отвори източника
56. Boffins deem Google DeepMind's material discoveries rather shallow
    The Register · 2024-04-11
    Отвори източника
57. Author Correction: An autonomous laboratory for the accelerated synthesis of inorganic materials
    Nature 650(8100):E1 / PMC · 2026-01-19
    Отвори източника
58. Author Correction: An autonomous laboratory for the accelerated synthesis of inorganic materials
    Nature 650(8100):E1 / PMC · 2026-01-19
    Отвори източника
59. Author Correction: An autonomous laboratory for the accelerated synthesis of inorganic materials
    Nature 650(8100):E1 / PMC · 2026-01-19
    Отвори източника
60. Author Correction: An autonomous laboratory for the accelerated synthesis of inorganic materials
    Nature 650(8100):E1 / PMC · 2026-01-19
    Отвори източника
61. Autonomous chemical research with large language models (Boiko, MacKnight, Kline, Gomes)
    Nature 624 · 2023-12-20
    Отвори източника
62. Autonomous chemical research with large language models (Boiko, MacKnight, Kline, Gomes)
    Nature 624 · 2023-12-20
    Отвори източника
63. Autonomous chemical research with large language models (Boiko, MacKnight, Kline, Gomes)
    Nature 624 · 2023-12-20
    Отвори източника
64. Artificial intelligence: AI research assistants that may accelerate scientific discovery
    Nature Portfolio (прессъобщение) · 2026-05-20
    Отвори източника
65. Artificial intelligence: AI research assistants that may accelerate scientific discovery
    Nature Portfolio (прессъобщение) · 2026-05-20
    Отвори източника
66. Artificial intelligence: AI research assistants that may accelerate scientific discovery
    Nature Portfolio (прессъобщение) · 2026-05-20
    Отвори източника
67. Accelerating scientific discovery with Co-Scientist (Gottweis et al.)
    Nature 655 · 2026-05-19
    Отвори източника
68. Accelerating scientific discovery with Co-Scientist (Gottweis et al.)
    Nature 655 · 2026-05-19
    Отвори източника
69. Accelerating scientific discovery with Co-Scientist (Gottweis et al.)
    Nature 655 · 2026-05-19
    Отвори източника
70. Accelerating scientific discovery with Co-Scientist (Gottweis et al.)
    Nature 655 · 2026-05-19
    Отвори източника
71. Co-Scientist: A multi-agent AI partner to accelerate research
    Google DeepMind · 2026-05-19
    Отвори източника
72. Co-Scientist: A multi-agent AI partner to accelerate research
    Google DeepMind · 2026-05-19
    Отвори източника
73. Co-Scientist: A multi-agent AI partner to accelerate research
    Google DeepMind · 2026-05-19
    Отвори източника
74. Co-Scientist: A multi-agent AI partner to accelerate research
    Google DeepMind · 2026-05-19
    Отвори източника
75. A multi-agent system for automating scientific discovery (Ghareeb et al.)
    Nature 655 · 2026-05-19
    Отвори източника
76. A multi-agent system for automating scientific discovery (Ghareeb et al.)
    Nature 655 · 2026-05-19
    Отвори източника
77. A multi-agent system for automating scientific discovery (Ghareeb et al.)
    Nature 655 · 2026-05-19
    Отвори източника
78. A multi-agent system for automating scientific discovery (Ghareeb et al.)
    Nature 655 · 2026-05-19
    Отвори източника
79. Kosmos: An AI Scientist for Autonomous Discovery (Mitchener et al.)
    arXiv · 2025-11-04
    Отвори източника
80. Kosmos: An AI Scientist for Autonomous Discovery (Mitchener et al.)
    arXiv · 2025-11-04
    Отвори източника
81. The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery (Lu et al.)
    arXiv · 2024-08-12
    Отвори източника
82. The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery (Lu et al.)
    arXiv · 2024-08-12
    Отвори източника
83. Towards end-to-end automation of AI research (Lu et al.)
    Nature 651 · 2026-03-25
    Отвори източника
84. Towards end-to-end automation of AI research (Lu et al.)
    Nature 651 · 2026-03-25
    Отвори източника
85. Towards end-to-end automation of AI research (Lu et al.)
    Nature 651 · 2026-03-25
    Отвори източника
86. Towards end-to-end automation of AI research (Lu et al.)
    Nature 651 · 2026-03-25
    Отвори източника
87. Towards end-to-end automation of AI research (Lu et al.)
    Nature 651 · 2026-03-25
    Отвори източника
88. Towards end-to-end automation of AI research (Lu et al.)
    Nature 651 · 2026-03-25
    Отвори източника
89. Towards end-to-end automation of AI research (Lu et al.)
    Nature 651 · 2026-03-25
    Отвори източника
90. Towards end-to-end automation of AI research (Lu et al.)
    Nature 651 · 2026-03-25
    Отвори източника
91. The AI Scientist Generates its First Peer-Reviewed Scientific Publication
    Sakana AI · 2025-03-12
    Отвори източника
92. Researchers create an “AI Scientist” that conducts its own scientific research
    University of British Columbia, Computer Science · 2026-03-25
    Отвори източника
93. Evaluating Sakana's AI Scientist: Bold Claims, Mixed Results, and a Promising Future? (Beel, Kan, Baumgart)
    arXiv · 2025-02-20
    Отвори източника
94. Evaluating Sakana's AI Scientist: Bold Claims, Mixed Results, and a Promising Future? (Beel, Kan, Baumgart)
    arXiv · 2025-02-20
    Отвори източника
95. Evaluating Sakana's AI Scientist: Bold Claims, Mixed Results, and a Promising Future? (Beel, Kan, Baumgart)
    arXiv · 2025-02-20
    Отвори източника
96. AlphaEvolve: A Gemini-powered coding agent for designing advanced algorithms
    Google DeepMind · 2025-05-14
    Отвори източника
97. AlphaEvolve: A Gemini-powered coding agent for designing advanced algorithms
    Google DeepMind · 2025-05-14
    Отвори източника
98. AlphaEvolve: A Gemini-powered coding agent for designing advanced algorithms
    Google DeepMind · 2025-05-14
    Отвори източника
99. Mathematical exploration and discovery at scale (Georgiev, Gómez-Serrano, Tao, Wagner)
    arXiv · 2025-11-03
    Отвори източника
100. Mathematical exploration and discovery at scale (Georgiev, Gómez-Serrano, Tao, Wagner)
     arXiv · 2025-11-03
     Отвори източника
101. AlphaEvolve: How our Gemini-powered coding agent is scaling impact across fields
     Google DeepMind · 2026-05-07
     Отвори източника
102. AlphaEvolve: How our Gemini-powered coding agent is scaling impact across fields
     Google DeepMind · 2026-05-07
     Отвори източника
103. Artificial intelligence and illusions of understanding in scientific research (Messeri & Crockett)
     Nature 627 · 2024-03-06
     Отвори източника
104. Artificial intelligence and illusions of understanding in scientific research (Messeri & Crockett)
     Nature 627 · 2024-03-06
     Отвори източника
105. Artificial intelligence and illusions of understanding in scientific research (Messeri & Crockett)
     Nature 627 · 2024-03-06
     Отвори източника
106. Artificial intelligence and illusions of understanding in scientific research (Messeri & Crockett)
     Nature 627 · 2024-03-06
     Отвори източника
107. Nobel Turing Challenge: creating the engine for scientific discovery (Hiroaki Kitano)
     npj Systems Biology and Applications 7 · 2021-06-18
     Отвори източника
108. Nobel Turing Challenge: creating the engine for scientific discovery (Hiroaki Kitano)
     npj Systems Biology and Applications 7 · 2021-06-18
     Отвори източника
109. Major AI conference flooded with peer reviews written fully by AI (Miryam Naddaf)
     Nature 648 · 2025-11-27
     Отвори източника
110. Major AI conference flooded with peer reviews written fully by AI (Miryam Naddaf)
     Nature 648 · 2025-11-27
     Отвори източника
111. Attention Authors: Updated Practice for Review Articles and Position Papers in arXiv CS Category
     arXiv (блог) · 2025-10-31
     Отвори източника
112. Attention Authors: Updated Practice for Review Articles and Position Papers in arXiv CS Category
     arXiv (блог) · 2025-10-31
     Отвори източника
113. Steering towards safe self-driving laboratories (Leong et al.)
     Nature Reviews Chemistry 9 · 2025-08-18
     Отвори източника
114. Steering towards safe self-driving laboratories (Leong et al.)
     Nature Reviews Chemistry 9 · 2025-08-18
     Отвори източника
115. Launching the Genesis Mission (Executive Order 14363)
     The White House · 2025-11-24
     Отвори източника
116. Launching the Genesis Mission (Executive Order 14363)
     The White House · 2025-11-24
     Отвори източника
117. Launching the Genesis Mission (Executive Order 14363)
     The White House · 2025-11-24
     Отвори източника
118. Launching the Genesis Mission (Executive Order 14363)
     The White House · 2025-11-24
     Отвори източника
119. Launching the Genesis Mission (Executive Order 14363)
     The White House · 2025-11-24
     Отвори източника
120. Energy Department Announces 26 Genesis Mission Science and Technology Challenges
     U.S. Department of Energy · 2026-02-12
     Отвори източника
121. Energy Department Announces 26 Genesis Mission Science and Technology Challenges
     U.S. Department of Energy · 2026-02-12
     Отвори източника
122. Commission launches ‘Resource for AI Science in Europe'
     European Commission · 2025-11-03
     Отвори източника
123. Commission launches ‘Resource for AI Science in Europe'
     European Commission · 2025-11-03
     Отвори източника
124. Commission launches ‘Resource for AI Science in Europe'
     European Commission · 2025-11-03
     Отвори източника
125. EU initiative pushes AI tools for science but demands ethical research
     The Brussels Times · 2026-10-16
     Отвори източника
126. EU initiative pushes AI tools for science but demands ethical research
     The Brussels Times · 2026-10-16
     Отвори източника
127. EU initiative pushes AI tools for science but demands ethical research
     The Brussels Times · 2026-10-16
     Отвори източника
128. EU initiative pushes AI tools for science but demands ethical research
     The Brussels Times · 2026-10-16
     Отвори източника
129. EU initiative pushes AI tools for science but demands ethical research
     The Brussels Times · 2026-10-16
     Отвори източника