{"id":"f7b39478-9298-4e12-8487-4ff4925faada","slug":"avtonomna-nauka","title":"Автономна наука: изкуственият интелект в научните открития","category":"Технологии · Изкуствен интелект","tags":["автономна наука","самоуправляващи се лаборатории","изкуствен интелект","научен метод","роботи учени","Co-Scientist","AlphaFold","възпроизводимост"],"lead":"**Автономната наука** е направление, в което системи с изкуствен интелект се съчетават с лабораторна автоматизация, за да провеждат изследвания в химията, материалознанието и биологичните науки[^t-def]. Най-развитите такива системи автоматизират почти целия научен метод — от формулирането на хипотези, проектирането и изпълнението на експерименти и анализа на данните до извеждането на заключения и обновяването на хипотезите за следващите кръгове[^t-method]. Първата машина, за която се твърди, че самостоятелно е открила ново научно знание, е роботът учен Adam, създаден в университетите в Кеймбридж и Аберистуит и описан в списание Science през 2009 г.[^ca-first][^ca-science] Най-голямото научно постижение с изкуствен интелект досега — предсказването на белтъчните структури с AlphaFold2, отличено с Нобеловата награда за химия за 2024 г. — обаче не е автономна наука: то е изчислителен инструмент в ръцете на учени, а не затворен цикъл от хипотеза, експеримент и преоценка[^nb-award]. През май 2026 г. в списание Nature са представени две многоагентни системи — Co-Scientist на Google DeepMind и Robin на FutureHouse — за които авторите им изрично заявяват, че са предназначени да подпомагат изследователите, а не да ги заменят[^pr-two]. Според обзор от 2026 г. основният проблем вече не е дали отделните части на науката могат да бъдат автоматизирани — те могат; проблемът е интеграцията[^k-integration]. Най-спорните въпроси остават достоверността на автоматично получените резултати, независимата им проверка и разграничаването между твърдения на самите разработчици и независимо потвърдени открития.","sections":[{"id":"ponyatieto-i-stepenite-na-avtonomiya","title":"Понятието и степените на автономия","paragraphs":["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[^t-def]. 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[^cr-promise].","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[^ca-pub][^ca-evol].","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[^sp-metaphor]."]},{"id":"predistoriya-dendral-bacon-i-robotite-ucheni","title":"Предистория: DENDRAL, BACON и роботите учени","paragraphs":["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[^dn-what]. 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[^dn-task]. Започва през 1964 г. и обхваща приблизително половината от историята на изследванията по изкуствен интелект[^dn-1964]. Dendral се смята за първата експертна система, защото автоматизира вземането на решения и поведението при решаване на задачи на органичните химици[^dn-first].","Програмите BACON (1981) и KEKADA (1988) използват набори от евристики за решаване на задачи, за да откриват закономерности в дадени набори от данни[^sp-bacon]. Те „правят открития“ в смисъл, че могат да симулират успешни открития като третия закон на Кеплер (BACON) или цикъла на Кребс (KEKADA)[^sp-kepler] — 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[^wr-adam]. 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[^wr-cycle]. Работата, финансирана от британския съвет BBSRC, е публикувана на 03 април 2009 г. в списание Science[^ca-science]. 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[^ca-yeast]. 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[^ca-confirm].","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[^ce-eve-dev]. С нейна помощ изследователски екип открива, че триклозанът — съставка в много пасти за зъби — може да помогне в борбата с лекарствената резистентност при малария[^ce-triclosan], като установява, че той потиска съвсем различен ензим на малариния паразит, наречен DHFR[^ce-dhfr]; резултатът е публикуван в *Scientific Reports* на 18 януари 2018 г.[^ce-date]","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[^k-adam]. Това е твърдение на самия създател на системите и трябва да се чете като такова."]},{"id":"arhitektura-na-zatvoreniya-tsikal","title":"Архитектура на затворения цикъл","paragraphs":["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[^t-method].","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[^cr-promise].","Кенти и Аболхасани формулират следващата фаза на полето чрез три взаимозависими изисквания: мащабируемост, обобщимост и експериментиране с пълна проследимост на произхода на данните[^ca-three]. 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[^ca-need]. 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[^ca-super] — това е заявена посока, не описание на съществуващо състояние."]},{"id":"alphafold-i-nobelovata-nagrada-instrument-a-ne-avtonomna-nauka","title":"AlphaFold и Нобеловата награда: инструмент, а не автономна наука","paragraphs":["От 70-те години на XX век изследователите се опитват да предсказват структурите на белтъците по аминокиселинните им последователности, но задачата е изключително трудна[^nb-1970]. 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[^nb-2020]. 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“[^nb-award]. От пробива AlphaFold2 е използван от над два милиона души от 190 държави[^nb-two].","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."]},{"id":"materialoznanie-a-lab-gnome-i-sporat-za-novostta","title":"Материалознание: A-Lab, GNoME и спорът за новостта","paragraphs":["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[^al-abs]. 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[^al-17].","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[^gn-abs]. Надграждайки върху 48 000 устойчиви кристала от предишни изследвания, системата открива 2,2 милиона структури под текущата изпъкнала обвивка[^gn-22]. Авторите заключават, че работата им представлява разширяване с един порядък на устойчивите материали, известни на човечеството[^gn-order]; от устойчивите структури 736 вече са независимо експериментално получени[^gn-736]. Блогът на Google DeepMind представя резултата като 2,2 милиона нови кристала, включително 380 000 устойчиви материала, които биха могли да захранят бъдещи технологии[^dg-380], и го сравнява с „почти 800 години“ натрупано знание[^dg-800].","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[^px-date][^px-abs]. 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[^px-no]. 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[^px-riet], а безпорядъкът в материалите често се пренебрегва в предсказанията[^px-disorder].","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[^rg-cheetham]. 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[^rg-crystal]. Изводът им е, че намират твърде малко доказателства за съединения, които изпълняват едновременно трите условия — новост, достоверност и полезност[^rg-trifecta]. Google DeepMind отговаря, че застава зад всички твърдения в статията си за GNoME[^rg-stand] и че стотици от предсказаните материали вече са независимо синтезирани от учени по света[^rg-hundreds].","Спорът има и формален резултат. На 19 януари 2026 г. Nature публикува авторска поправка към статията за A-Lab[^al-corrnote][^co-date]. 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[^co-concerns]. 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[^co-novelty]. 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[^co-36].","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“."]},{"id":"ezikovi-modeli-v-laboratoriyata-coscientist","title":"Езикови модели в лабораторията: Coscientist","paragraphs":["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“[^cs-pub]. 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[^cs-abs]. 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[^cs-six].","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."]},{"id":"mnogoagentni-sistemi-za-hipotezi-co-scientist-i-robin","title":"Многоагентни системи за хипотези: Co-Scientist и Robin","paragraphs":["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[^pr-two]. Двата екипа подчертават, че ученият винаги остава в процеса[^pr-loop].","**Co-Scientist** е многоагентна система, изградена върху Gemini, за структурирано научно мислене и генериране на хипотези[^cn-pub][^cn-abs]. Устройството ѝ включва агенти, които непрекъснато генерират, критикуват и усъвършенстват хипотези, ускорени чрез мащабиране на изчисленията по време на извод[^cn-design]. В описанието на Google DeepMind агент за генериране предлага първоначални области и нови хипотези, основани на научната литература и данните[^dm-agents]; агент за размисъл действа като „виртуален рецензент“, преценявайки критично правилността, качеството и новостта[^dm-reflect]; агент за класиране организира „турнир на идеите“ чрез сравнения по двойки и симулирани научни дебати[^dm-rank]; а агент за мета-преглед обобщава изводите, за да оптимизира непрекъснато системата, и подготвя крайното изследователско предложение, което ученият преглежда[^dm-meta]. 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[^cn-aml]. 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[^pr-preclin].","**Robin** на FutureHouse е многоагентна система, способна да автоматизира напълно както генерирането на хипотези, така и анализа на данни за експерименталната биология[^rb-abs]. 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[^rb-semi]. Системата предлага засилването на фагоцитозата на ретинния пигментен епител като терапевтична стратегия и установява и потвърждава ин витро действието на рипасудил и KL001[^rb-amd]. Авторите заявяват, че всички хипотези, експериментални насоки, анализи на данни и фигури в основния текст на статията им са създадени от Robin[^rb-all]. 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[^ko-abs]. 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[^ko-79]. 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."]},{"id":"avtomatizirane-na-tseliya-tsikal-the-ai-scientist","title":"Автоматизиране на целия цикъл: The AI Scientist","paragraphs":["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[^ax-2024]. Според авторите всяка идея се реализира и развива в пълна статия на цена под 15 долара[^ax-cost].","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[^an-pub]. Системата създава изследователски идеи, пише код, провежда експерименти, изчертава и анализира данни, написва целия научен текст и извършва собствено рецензиране[^an-abs]. 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%[^an-review].","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[^an-score]. Като част от експерименталния протокол авторите са решили предварително, че всички представени от изкуствен интелект материали ще бъдат оттеглени след рецензирането независимо от резултата[^an-withdraw]; в блога си Sakana уточнява, че това е било определено предварително именно защото статиите са генерирани от изкуствен интелект[^sk-withdraw]. 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[^an-notyet]. 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[^an-limits]. Съобщението на Университета на Британска Колумбия добавя, че засега системата може да провежда изследвания само в компютърните науки[^ubc-limits].","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[^be-eval]; 42% от експериментите се провалят заради програмни грешки[^be-fail]; а генерираните текстове са слабо обосновани, с медиана от пет цитирания, повечето остарели[^be-cit]. 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[^an-risks]."]},{"id":"matematika-i-algoritmi-alphaevolve","title":"Математика и алгоритми: AlphaEvolve","paragraphs":["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[^ae-intro]. Системата открива алгоритъм за умножение на комплексни матрици 4x4 с 48 скаларни умножения, с което подобрява алгоритъма на Щрасен от 1969 г.[^ae-strassen] Самите разработчици посочват, че тя е особено полезна в области, където напредъкът може да се измерва ясно и систематично, като математиката и компютърните науки[^ae-measurable] — 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[^ta-67]. Системата преоткрива най-добрите известни решения в повечето случаи и открива по-добри решения в няколко от тях[^ta-res]. 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[^ai-erdos]. 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[^ai-tao]. Това е описание на силен изследователски инструмент, а не на автономен математик: доказателството остава човешка или отделна формална задача."]},{"id":"epistemologichni-problemi","title":"Епистемологични проблеми","paragraphs":["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.[^me-pub] 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[^me-illusion]. 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[^me-mono]. Разпространението на тези средства според авторите рискува да въведе фаза на научно изследване, в която произвеждаме повече, но разбираме по-малко[^me-more].","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[^co-novelty].","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[^ki-alt]. 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[^ki-aim]. 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[^k-2050] — преценка на участник в полето, а не независима оценка."]},{"id":"natisk-varhu-retsenziraneto-i-nauchnata-literatura","title":"Натиск върху рецензирането и научната литература","paragraphs":["Рискът, посочен от авторите на The AI Scientist — претоварване на системите за рецензиране и шум в литературата[^an-risks] — 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[^np-21][^np-date].","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[^ab-policy]. 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[^ab-flood].","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 [[otsenyavane-i-sravnyavane-na-sistemi-s-izkustven-intelekt|оценяването на системите с изкуствен интелект]] става част от самия научен въпрос."]},{"id":"bezopasnost-i-otgovornost","title":"Безопасност и отговорност","paragraphs":["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[^ss-pub]. 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[^ss-abs].","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[^t-safety]. 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[^t-patent].","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[^ss-abs], и настоява на крайна човешка отговорност и надеждни мерки за киберсигурност[^t-safety]. Подробности по такива сценарии не се разглеждат тук."]},{"id":"demokratizatsiya-ili-kontsentratsiya","title":"Демократизация или концентрация","paragraphs":["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[^t-cloud]. По отношение на заетостта техният анализ подсказва, че такива лаборатории може да изместят някои научни роли, но вероятно ще създадат много нови възможности[^t-labour].","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[^ca-three]. Дали автоматизацията разширява или ограничава достъпа, зависи от собствеността върху инфраструктурата, цената на достъпа и правилата за ползване, а не от самата технология."]},{"id":"darzhavni-programi","title":"Държавни програми","paragraphs":["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“[^eo-date]. 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[^eo-platform]. Заповедта сравнява необходимото усилие по спешност и амбиция с проекта „Манхатън“[^eo-manhattan] — 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[^eo-robotic], както и в срок от 270 дни да бъде демонстрирана начална работоспособност на платформата поне за едно от определените национални научно-технологични предизвикателства[^eo-270]. На 12 февруари 2026 г. Министерството на енергетиката обявява 26 научни и технологични предизвикателства от национално значение в рамките на програмата[^do-26][^do-date].","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)[^ra-launch]. Това е виртуален институт — водеща инициатива по стратегиите на ЕС за прилагане на изкуствения интелект и за изкуствен интелект в науката[^ra-virtual], а пилотът се финансира с 107 милиона евро по „Хоризонт Европа“[^ra-107]. На 16 октомври 2026 г., на следващата среща на върха в Дъблин[^bt-dublin][^bt-date], Комисията стартира и инициатива за поемане на ангажименти, която трябва да допълни публичното финансиране с непарични вноски[^bt-pledge]. Първите ангажименти са поети от фондация „Ново Нордиск“, Nvidia, Elsevier, Sanofi, Frontiers, Mistral и [[google-deepmind|Google DeepMind]][^bt-companies]. На същата среща е представена и най-обширната досега преработка на „Живите насоки за отговорно използване на генеративен изкуствен интелект в научните изследвания“[^bt-guidelines].","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."]},{"id":"sastoyanie-kam-oktomvri-2026-g","title":"Състояние към октомври 2026 г.","paragraphs":["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[^k-integration].\n- Интеграцията изисква съчетаване на невронното обучение с логика, вероятности, математика, причинно-следствено разсъждение, симулация, експериментално проектиране, роботика и формални научни записи[^k-combine].\n- Най-убедителните резултати са там, където проверката е автоматична и еднозначна — в математиката и компютърните науки[^ae-measurable].\n- Пълният цикъл до публикация е демонстриран, но все още не достига стандартите на водещите списания и конференции[^an-notyet].\n- Дори най-напредналите системи за хипотези работят с човек в цикъла и изискват обичайната предклинична и клинична проверка[^pr-loop][^pr-preclin].\n- Твърденията за автономни открития трябва да се четат внимателно: случаят A-Lab показа, че „ново за платформата“ не е „ново за науката“[^co-novelty], а независимият анализ на същите данни стигна до извода, че нови материали не са открити[^px-no].","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 [[samousavarshenstvasht-se-izkustven-intelekt|самоусъвършенстващия се изкуствен интелект]] и за [[obsht-izkustven-intelekt-agi|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."]}],"sources":[{"key":"tobias","title":"Autonomous ‘self-driving’ laboratories: a review of technology and policy implications (Tobias & Wahab)","url":"https://royalsocietypublishing.org/rsos/article/12/7/250646/235354/Autonomous-self-driving-laboratories-a-review-of","note":"","publisher":"Royal Society Open Science 12(7):250646","published_at":"2025-07-01","language":"en","retrieved_at":"2026-10-23"},{"key":"chemrev","title":"Self-Driving Laboratories for Chemistry and Materials Science (Tom et al.)","url":"https://pmc.ncbi.nlm.nih.gov/articles/PMC11363023/","note":"","publisher":"Chemical Reviews 124(16) / PMC","published_at":"2024-08-13","language":"en","retrieved_at":"2026-10-23"},{"key":"canty","title":"The past, present and future of self-driving laboratories (Canty & Abolhasani)","url":"https://www.nature.com/articles/s41570-026-00847-2","note":"","publisher":"Nature Reviews Chemistry 10","published_at":"2026-07-31","language":"en","retrieved_at":"2026-10-23"},{"key":"cosci","title":"Accelerating scientific discovery with Co-Scientist (Gottweis et al.)","url":"https://www.nature.com/articles/s41586-026-10644-y","note":"","publisher":"Nature 655","published_at":"2026-05-19","language":"en","retrieved_at":"2026-10-23"},{"key":"robin","title":"A multi-agent system for automating scientific discovery (Ghareeb et al.)","url":"https://www.nature.com/articles/s41586-026-10652-y","note":"","publisher":"Nature 655","published_at":"2026-05-19","language":"en","retrieved_at":"2026-10-23"},{"key":"naturepr","title":"Artificial intelligence: AI research assistants that may accelerate scientific discovery","url":"https://www.natureasia.com/en/info/press-releases/detail/9330","note":"","publisher":"Nature Portfolio (прессъобщение)","published_at":"2026-05-20","language":"en","retrieved_at":"2026-10-23"},{"key":"dmcosci","title":"Co-Scientist: A multi-agent AI partner to accelerate research","url":"https://deepmind.google/blog/co-scientist-a-multi-agent-ai-partner-to-accelerate-research/","note":"","publisher":"Google DeepMind","published_at":"2026-05-19","language":"en","retrieved_at":"2026-10-23"},{"key":"aisci","title":"Towards end-to-end automation of AI research (Lu et al.)","url":"https://www.nature.com/articles/s41586-026-10265-5","note":"","publisher":"Nature 651","published_at":"2026-03-25","language":"en","retrieved_at":"2026-10-23"},{"key":"ubc","title":"Researchers create an “AI Scientist” that conducts its own scientific research","url":"https://www.cs.ubc.ca/news/2026/03/ai-scientist","note":"","publisher":"University of British Columbia, Computer Science","published_at":"2026-03-25","language":"en","retrieved_at":"2026-10-23"},{"key":"sakana","title":"The AI Scientist Generates its First Peer-Reviewed Scientific Publication","url":"https://sakana.ai/ai-scientist-first-publication/","note":"","publisher":"Sakana AI","published_at":"2025-03-12","language":"en","retrieved_at":"2026-10-23"},{"key":"aisciarxiv","title":"The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery (Lu et al.)","url":"https://arxiv.org/abs/2408.06292","note":"","publisher":"arXiv","published_at":"2024-08-12","language":"en","retrieved_at":"2026-10-23"},{"key":"beel","title":"Evaluating Sakana's AI Scientist: Bold Claims, Mixed Results, and a Promising Future? (Beel, Kan, Baumgart)","url":"https://arxiv.org/abs/2502.14297","note":"","publisher":"arXiv","published_at":"2025-02-20","language":"en","retrieved_at":"2026-10-23"},{"key":"safesdl","title":"Steering towards safe self-driving laboratories (Leong et al.)","url":"https://www.nature.com/articles/s41570-025-00747-x","note":"","publisher":"Nature Reviews Chemistry 9","published_at":"2025-08-18","language":"en","retrieved_at":"2026-10-23"},{"key":"cmu","title":"Autonomous chemical research with large language models (Boiko, MacKnight, Kline, Gomes)","url":"https://www.nature.com/articles/s41586-023-06792-0","note":"","publisher":"Nature 624","published_at":"2023-12-20","language":"en","retrieved_at":"2026-10-23"},{"key":"alab","title":"An autonomous laboratory for the accelerated synthesis of inorganic materials (Szymanski et al.)","url":"https://www.nature.com/articles/s41586-023-06734-w","note":"","publisher":"Nature 624","published_at":"2023-11-29","language":"en","retrieved_at":"2026-10-23"},{"key":"alabcorr","title":"Author Correction: An autonomous laboratory for the accelerated synthesis of inorganic materials","url":"https://pmc.ncbi.nlm.nih.gov/articles/PMC12872444/","note":"","publisher":"Nature 650(8100):E1 / PMC","published_at":"2026-01-19","language":"en","retrieved_at":"2026-10-23"},{"key":"gnome","title":"Scaling deep learning for materials discovery (Merchant et al.)","url":"https://www.nature.com/articles/s41586-023-06735-9","note":"","publisher":"Nature 624","published_at":"2023-11-29","language":"en","retrieved_at":"2026-10-23"},{"key":"dmgnome","title":"Millions of new materials discovered with deep learning","url":"https://deepmind.google/discover/blog/millions-of-new-materials-discovered-with-deep-learning/","note":"","publisher":"Google DeepMind","published_at":"2023-11-29","language":"en","retrieved_at":"2026-10-23"},{"key":"register","title":"Boffins deem Google DeepMind's material discoveries rather shallow","url":"https://www.theregister.com/2024/04/11/google_deepmind_material_study/","note":"","publisher":"The Register","published_at":"2024-04-11","language":"en","retrieved_at":"2026-10-23"},{"key":"prx","title":"Challenges in High-Throughput Inorganic Materials Prediction and Autonomous Synthesis (Leeman, Schoop, Palgrave et al.)","url":"https://journals.aps.org/prxenergy/abstract/10.1103/PRXEnergy.3.011002","note":"","publisher":"PRX Energy 3, 011002","published_at":"2024-03-07","language":"en","retrieved_at":"2026-10-23"},{"key":"messeri","title":"Artificial intelligence and illusions of understanding in scientific research (Messeri & Crockett)","url":"https://www.nature.com/articles/s41586-024-07146-0","note":"","publisher":"Nature 627","published_at":"2024-03-06","language":"en","retrieved_at":"2026-10-23"},{"key":"nobel","title":"Press release: The Nobel Prize in Chemistry 2024","url":"https://www.nobelprize.org/prizes/chemistry/2024/press-release/","note":"","publisher":"The Royal Swedish Academy of Sciences","published_at":"2024-10-09","language":"en","retrieved_at":"2026-10-23"},{"key":"wprobot","title":"Robot Scientist","url":"https://en.wikipedia.org/wiki/Robot_Scientist","note":"","publisher":"Wikipedia","language":"en","retrieved_at":"2026-10-23"},{"key":"camadam","title":"Robot scientist becomes first machine to discover new scientific knowledge","url":"https://www.cam.ac.uk/research/news/robot-scientist-becomes-first-machine-to-discover-new-scientific-knowledge","note":"","publisher":"University of Cambridge","published_at":"2009-04-03","language":"en","retrieved_at":"2026-10-23"},{"key":"cameve","title":"AI ‘scientist’ finds that toothpaste ingredient may help fight drug-resistant malaria","url":"https://www.cam.ac.uk/research/news/ai-scientist-finds-that-toothpaste-ingredient-may-help-fight-drug-resistant-malaria","note":"","publisher":"University of Cambridge","published_at":"2018-01-18","language":"en","retrieved_at":"2026-10-23"},{"key":"wpdendral","title":"Dendral","url":"https://en.wikipedia.org/wiki/Dendral","note":"","publisher":"Wikipedia","language":"en","retrieved_at":"2026-10-23"},{"key":"sep","title":"Scientific Discovery","url":"https://plato.stanford.edu/entries/scientific-discovery/","note":"","publisher":"Stanford Encyclopedia of Philosophy","language":"en","retrieved_at":"2026-10-23"},{"key":"alphaevolve","title":"AlphaEvolve: A Gemini-powered coding agent for designing advanced algorithms","url":"https://deepmind.google/discover/blog/alphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms/","note":"","publisher":"Google DeepMind","published_at":"2025-05-14","language":"en","retrieved_at":"2026-10-23"},{"key":"tao","title":"Mathematical exploration and discovery at scale (Georgiev, Gómez-Serrano, Tao, Wagner)","url":"https://arxiv.org/abs/2511.02864","note":"","publisher":"arXiv","published_at":"2025-11-03","language":"en","retrieved_at":"2026-10-23"},{"key":"aeimpact","title":"AlphaEvolve: How our Gemini-powered coding agent is scaling impact across fields","url":"https://deepmind.google/blog/alphaevolve-impact/","note":"","publisher":"Google DeepMind","published_at":"2026-05-07","language":"en","retrieved_at":"2026-10-23"},{"key":"eo","title":"Launching the Genesis Mission (Executive Order 14363)","url":"https://www.whitehouse.gov/presidential-actions/2025/11/launching-the-genesis-mission/","note":"","publisher":"The White House","published_at":"2025-11-24","language":"en","retrieved_at":"2026-10-23"},{"key":"doe","title":"Energy Department Announces 26 Genesis Mission Science and Technology Challenges","url":"https://www.energy.gov/articles/energy-department-announces-26-genesis-mission-science-and-technology-challenges","note":"","publisher":"U.S. Department of Energy","published_at":"2026-02-12","language":"en","retrieved_at":"2026-10-23"},{"key":"raise","title":"Commission launches ‘Resource for AI Science in Europe'","url":"https://digital-strategy.ec.europa.eu/en/news/commission-launches-resource-ai-science-europe","note":"","publisher":"European Commission","published_at":"2025-11-03","language":"en","retrieved_at":"2026-10-23"},{"key":"btraise","title":"EU initiative pushes AI tools for science but demands ethical research","url":"https://www.brusselstimes.com/2364624/eu-initiative-pushes-ai-tools-for-science-but-demands-ethical-research","note":"","publisher":"The Brussels Times","published_at":"2026-10-16","language":"en","retrieved_at":"2026-10-23"},{"key":"kitano","title":"Nobel Turing Challenge: creating the engine for scientific discovery (Hiroaki Kitano)","url":"https://www.nature.com/articles/s41540-021-00189-3","note":"","publisher":"npj Systems Biology and Applications 7","published_at":"2021-06-18","language":"en","retrieved_at":"2026-10-23"},{"key":"king","title":"The Past and Future of AI Scientists (Ross D. King)","url":"https://arxiv.org/abs/2608.14407","note":"","publisher":"arXiv","published_at":"2026-08-14","language":"en","retrieved_at":"2026-10-23"},{"key":"kosmos","title":"Kosmos: An AI Scientist for Autonomous Discovery (Mitchener et al.)","url":"https://arxiv.org/abs/2511.02824","note":"","publisher":"arXiv","published_at":"2025-11-04","language":"en","retrieved_at":"2026-10-23"},{"key":"naturepeer","title":"Major AI conference flooded with peer reviews written fully by AI (Miryam Naddaf)","url":"https://www.nature.com/articles/d41586-025-03506-6","note":"","publisher":"Nature 648","published_at":"2025-11-27","language":"en","retrieved_at":"2026-10-23"},{"key":"arxivblog","title":"Attention Authors: Updated Practice for Review Articles and Position Papers in arXiv CS Category","url":"https://blog.arxiv.org/2025/10/31/attention-authors-updated-practice-for-review-articles-and-position-papers-in-arxiv-cs-category/","note":"","publisher":"arXiv (блог)","published_at":"2025-10-31","language":"en","retrieved_at":"2026-10-23"}],"citations":[{"id":"t-def","source_key":"tobias","locator":"","excerpt":"This article reviews and provides perspective on the emerging technology of autonomous, ‘self-driving’ laboratories (SDLs) that combine artificial intelligence (AI) and laboratory automation to perform research in chemistry, materials science and biological sciences.","note":""},{"id":"t-method","source_key":"tobias","locator":"","excerpt":"Today’s most capable SDLs automate nearly the entire scientific method, from hypothesis generation, experimental design, experiment execution and data analysis, to drawing conclusions and updating hypotheses for subsequent rounds of optimization or discovery.","note":""},{"id":"t-cloud","source_key":"tobias","locator":"","excerpt":"Reports of AI-directed experiments executed in cloud labs are appearing in the literature, previewing a democratization of science that intrigues but inspires concern.","note":""},{"id":"t-patent","source_key":"tobias","locator":"","excerpt":"Inventions emerging from AI-driven science pose a grand challenge, as patent laws across the world recognize only human inventors. If the inventions they generate remain unpatentable, funding for SDLs may be constrained.","note":""},{"id":"t-safety","source_key":"tobias","locator":"","excerpt":"Alexander V. Tobias, Adam Wahab; Autonomous ‘self-driving’ laboratories: a review of technology and policy implications. R. Soc. Open Sci. 1 July 2025; 12 (7): 250646. ... SDLs raise safety and security concerns. We deem them surmountable with a proactive approach, ultimate human accountability and robust cybersecurity measures.","note":""},{"id":"t-labour","source_key":"tobias","locator":"","excerpt":"Our analysis suggests that SDLs may displace some scientific roles but are likely to create many new opportunities.","note":""},{"id":"cr-promise","source_key":"chemrev","locator":"","excerpt":"Chem Rev . 2024 Aug 13;124(16):9633–9732 ... Self-driving laboratories (SDLs) promise an accelerated application of the scientific method. Through the automation of experimental workflows, along with autonomous experimental planning, SDLs hold the potential to greatly accelerate research in chemistry and materials discovery.","note":""},{"id":"ca-pub","source_key":"canty","locator":"","excerpt":"Published: 31 July 2026 The past, present and future of self-driving laboratories","note":""},{"id":"ca-evol","source_key":"canty","locator":"","excerpt":"Over the last decade, SDLs have progressed from narrowly focused automation tools to multipurpose discovery platforms in which algorithms propose, execute and interpret experiments with limited human intervention.","note":""},{"id":"ca-three","source_key":"canty","locator":"","excerpt":"We frame the next phase of the field around three interdependent requirements: scalability, generalizability and provenance-complete experimentation.","note":""},{"id":"ca-super","source_key":"canty","locator":"","excerpt":"Realizing collective scientific superintelligence will require SDLs that reliably scale throughput, transfer workflows and learned models across laboratories and scientific domains","note":""},{"id":"ca-need","source_key":"canty","locator":"","excerpt":"Achieving this transition will depend on interoperable data and metadata standards, modular and integrable experimental hardware, and trustworthy artificial intelligence agents that reason under uncertainty within rigorous safety and ethical boundaries.","note":""},{"id":"sp-metaphor","source_key":"sep","locator":"","excerpt":"The notion of “robot scientist” is mostly used metaphorically, and the vision that human scientists may one day be replaced by computers – by successors of the laboratory automation systems “Adam” and “Eve”, allegedly the first “robot scientists” – is evoked in writings for broader audiences","note":""},{"id":"sp-bacon","source_key":"sep","locator":"","excerpt":"Computer programs such as BACON (Simon et al. 1981) and KEKADA (Kulkarni and Simon 1988) utilize sets of problem-solving heuristics to detect regularities in given data sets.","note":""},{"id":"sp-kepler","source_key":"sep","locator":"","excerpt":"These programs can “make discoveries” in the sense that they can simulate successful discoveries such as Kepler’s third law (BACON) or the Krebs cycle (KEKADA).","note":""},{"id":"dn-what","source_key":"wpdendral","locator":"","excerpt":"Dendral was a project in artificial intelligence (AI) of the 1960s, and the computer software expert system that it produced. Its primary aim was to study hypothesis formation and discovery in science.","note":""},{"id":"dn-task","source_key":"wpdendral","locator":"","excerpt":"help organic chemists in identifying unknown organic molecules, by analyzing their mass spectra and using knowledge of chemistry.[1] It was done at Stanford University by Edward Feigenbaum, Bruce G. Buchanan,[2] Joshua Lederberg, and Carl Djerassi","note":""},{"id":"dn-1964","source_key":"wpdendral","locator":"","excerpt":"It began in 1964[4] and spans approximately half the history of AI research.","note":""},{"id":"dn-first","source_key":"wpdendral","locator":"","excerpt":"The software program Dendral is considered the first expert system because it automated the decision-making process and problem-solving behavior of organic chemists.","note":""},{"id":"wr-adam","source_key":"wprobot","locator":"","excerpt":"Robot Scientist (also known as Adam[5]) is a laboratory robot created and developed by a group of scientists including Ross King, Kenneth Whelan, Ffion Jones, Philip Reiser, Christopher Bryant, Stephen Muggleton, Douglas Kell, Emma Byrne and Steve Oliver.","note":""},{"id":"wr-cycle","source_key":"wprobot","locator":"","excerpt":"hypothesizing to explain observations devising experiments to test these hypotheses physically running the experiments using laboratory robotics interpreting the results from the experiments repeating the cycle as required","note":""},{"id":"ca-first","source_key":"camadam","locator":"","excerpt":"Scientists from the University of Cambridge and Aberystwyth University have created a \"robot scientist\" which the researchers believe is the first machine to have independently discovered new scientific knowledge.","note":""},{"id":"ca-science","source_key":"camadam","locator":"","excerpt":"The work, which was funded by the Biotechnology and Biological Sciences Research Council (BBSRC) was published today, 03 April 2009, in the journal Science.","note":""},{"id":"ca-yeast","source_key":"camadam","locator":"","excerpt":"The robot has discovered simple but new scientific knowledge about the genomics of the baker's yeast Saccharomyces cerevisiae, an organism that scientists use to model more complex life systems.","note":""},{"id":"ca-confirm","source_key":"camadam","locator":"","excerpt":"The researchers have used separate manual experiments to confirm that Adam's hypotheses were both novel and correct.","note":""},{"id":"ce-eve-dev","source_key":"cameve","locator":"","excerpt":"Robot scientist Eve was developed by a team of scientists at the Universities of Manchester, Aberystwyth, and Cambridge to automate – and hence speed up – the drug discovery process by automatically developing and testing hypotheses to explain observations, run experiments using laboratory robotics, interpret the results to amend their hypotheses, and then repeat the cycle, automating high-throughput hypothesis-led research.","note":""},{"id":"ce-triclosan","source_key":"cameve","locator":"","excerpt":"a team of researchers employed the Robot Scientist ‘Eve’ in a high-throughput screen and discovered that triclosan, an ingredient found in many toothpastes, may help the fight against drug-resistance.","note":""},{"id":"ce-dhfr","source_key":"cameve","locator":"","excerpt":"Working with ‘Eve’, the research team discovered that in fact, triclosan affects parasite growth by specifically inhibiting an entirely different enzyme of the malaria parasite, called DHFR.","note":""},{"id":"ce-date","source_key":"cameve","locator":"","excerpt":"Bilsland, E et al. Plasmodium dihydrofolate reductase is a second enzyme target for the antimalarial action of triclosan. Scientific Reports; 18 Jan 2018; DOI: 10.1038/s41598-018-19549-x","note":""},{"id":"k-adam","source_key":"king","locator":"","excerpt":"Adam was the first machine to make novel scientific discoveries through cycles of hypothesis formation and physical experimentation. Eve established the architecture of the modern self-driving laboratory.","note":""},{"id":"k-integration","source_key":"king","locator":"","excerpt":"[Submitted on 14 Aug 2026] ... The central problem is no longer whether individual components of science can be automated. They can. The problem is integration.","note":""},{"id":"k-combine","source_key":"king","locator":"","excerpt":"AI Scientists must combine neural learning with logic, probability, mathematics, causal reasoning, simulation, experimental design, robotics and formal scientific records.","note":""},{"id":"k-2050","source_key":"king","locator":"","excerpt":"The Nobel Turing Challenge sets the goal of developing by 2050 AI systems capable of automating Nobel-quality discoveries. Progress is ahead of schedule.","note":""},{"id":"nb-1970","source_key":"nobel","locator":"","excerpt":"Since the 1970s, researchers had tried to predict protein structures from amino acid sequences, but this was notoriously difficult.","note":""},{"id":"nb-2020","source_key":"nobel","locator":"","excerpt":"In 2020, Demis Hassabis and John Jumper presented an AI model called AlphaFold2. With its help, they have been able to predict the structure of virtually all the 200 million proteins that researchers have identified.","note":""},{"id":"nb-award","source_key":"nobel","locator":"","excerpt":"9 October 2024 The Royal Swedish Academy of Sciences has decided to award the Nobel Prize in Chemistry 2024 with one half to David Baker ... “for computational protein design” and the other half jointly to Demis Hassabis Google DeepMind, London, UK John Jumper Google DeepMind, London, UK “for protein structure prediction”","note":""},{"id":"nb-two","source_key":"nobel","locator":"","excerpt":"Since their breakthrough, AlphaFold2 has been used by more than two million people from 190 countries.","note":""},{"id":"al-abs","source_key":"alab","locator":"","excerpt":"we introduce the A-Lab, an autonomous laboratory for the solid-state synthesis of inorganic powders. This platform uses computations, historical data from the literature, machine learning (ML) and active learning to plan and interpret the outcomes of experiments performed using robotics.","note":""},{"id":"al-17","source_key":"alab","locator":"","excerpt":"Over 17 days of continuous operation, the A-Lab realized 36 compounds from a set of 57 targets including a variety of oxides and phosphates that were identified using large-scale ab initio phase-stability data from the Materials Project and Google DeepMind.","note":""},{"id":"al-corrnote","source_key":"alab","locator":"","excerpt":"An Author Correction to this article was published on 19 January 2026","note":""},{"id":"gn-abs","source_key":"gnome","locator":"","excerpt":"Here we show that graph networks trained at scale can reach unprecedented levels of generalization, improving the efficiency of materials discovery by an order of magnitude.","note":""},{"id":"gn-22","source_key":"gnome","locator":"","excerpt":"Building on 48,000 stable crystals identified in continuing studies15,16,17, improved efficiency enables the discovery of 2.2 million structures below the current convex hull, many of which escaped previous human chemical intuition.","note":""},{"id":"gn-order","source_key":"gnome","locator":"","excerpt":"Our work represents an order-of-magnitude expansion in stable materials known to humanity.","note":""},{"id":"gn-736","source_key":"gnome","locator":"","excerpt":"Of the stable structures, 736 have already been independently experimentally realized.","note":""},{"id":"dg-380","source_key":"dmgnome","locator":"","excerpt":"AI tool GNoME finds 2.2 million new crystals, including 380,000 stable materials that could power future technologies","note":""},{"id":"dg-800","source_key":"dmgnome","locator":"","excerpt":"we share the discovery of 2.2 million new crystals – equivalent to nearly 800 years’ worth of knowledge.","note":""},{"id":"px-date","source_key":"prx","locator":"","excerpt":"PRX Energy 3, 011002 – Published 7 March, 2024","note":""},{"id":"px-abs","source_key":"prx","locator":"","excerpt":"Using the recent work of Szymanski et al. [Nature 624, 86 (2023)], which reported the autonomous discovery of 43 novel materials, as an example, we discuss problems that can arise in unsupervised materials discovery","note":""},{"id":"px-no","source_key":"prx","locator":"","excerpt":"We discuss all 43 synthetic products and point out four common shortfalls in the analysis. These errors unfortunately lead to the conclusion that no new materials have been discovered in that work.","note":""},{"id":"px-riet","source_key":"prx","locator":"","excerpt":"Automated Rietveld analysis of powder x-ray diffraction data is not yet reliable.","note":""},{"id":"px-disorder","source_key":"prx","locator":"","excerpt":"We find that disorder in materials is often neglected in predictions.","note":""},{"id":"rg-cheetham","source_key":"register","locator":"","excerpt":"In an article published Monday in the journal Chemistry of Materials, Anthony Cheetham and Ram Seshadri, both research professors in the Materials Research Lab at UC Santa Barbara, argue that the materials identified by GNoME aren't as useful as has been suggested.","note":""},{"id":"rg-crystal","source_key":"register","locator":"","excerpt":"They note that there are many more types of materials into which GNoME did not delve, such as polymers, glasses, metal−organic frameworks, heterostructures, and composites.","note":""},{"id":"rg-trifecta","source_key":"register","locator":"","excerpt":"We examine the claims of this work here, unfortunately finding scant evidence for compounds that fulfill the trifecta of novelty, credibility,and utility","note":""},{"id":"rg-stand","source_key":"register","locator":"","excerpt":"We stand by all claims made in Google DeepMind’s GNoME paper,","note":""},{"id":"rg-hundreds","source_key":"register","locator":"","excerpt":"Our GNoME research represents orders of magnitude more candidate materials than were previously known to science, and hundreds of the materials we’ve predicted have already been independently synthesized by scientists around the world.","note":""},{"id":"co-date","source_key":"alabcorr","locator":"","excerpt":"Nature . 2026 Jan 19;650(8100):E1. doi: 10.1038/s41586-025-09992-y","note":""},{"id":"co-concerns","source_key":"alabcorr","locator":"","excerpt":"Following publication of this article, concerns were raised about the unambiguous identification of the compound structures using diffraction as well as the original claims of material novelty.","note":""},{"id":"co-novelty","source_key":"alabcorr","locator":"","excerpt":"We acknowledge that the original claims of material novelty were subject to misinterpretation—their intention was to indicate that the materials were new to the prediction platform, not necessarily new to science.","note":""},{"id":"co-36","source_key":"alabcorr","locator":"","excerpt":"we have manually re-analyzed the diffraction patterns and have confirmed that the prediction platform came to the correct conclusion in 36 of its 40 reported successes, with 4 compounds being inconclusive.","note":""},{"id":"cs-pub","source_key":"cmu","locator":"","excerpt":"Published: 20 December 2023 Autonomous chemical research with large language models Daniil A. Boiko","note":""},{"id":"cs-abs","source_key":"cmu","locator":"","excerpt":"Here, we show the development and capabilities of Coscientist, an artificial intelligence system driven by GPT-4 that autonomously designs, plans and performs complex experiments by incorporating large language models empowered by tools such as internet and documentation search, code execution and experimental automation.","note":""},{"id":"cs-six","source_key":"cmu","locator":"","excerpt":"Coscientist showcases its potential for accelerating research across six diverse tasks, including the successful reaction optimization of palladium-catalysed cross-couplings, while exhibiting advanced capabilities for (semi-)autonomous experimental design and execution.","note":""},{"id":"pr-two","source_key":"naturepr","locator":"","excerpt":"Two artificial intelligence (AI) systems that can assist throughout multiple processes involved in scientific research — such as generating hypotheses, designing experiments, and analysing data — are presented in Nature this week. The systems, individually developed by Google DeepMind and FutureHouse, are designed to assist researchers in accelerating scientific discovery, not to replace them.","note":""},{"id":"pr-loop","source_key":"naturepr","locator":"","excerpt":"Both teams emphasize that these systems are designed to collaborate with researchers, and a scientist would always be in the loop.","note":""},{"id":"pr-preclin","source_key":"naturepr","locator":"","excerpt":"The suggested treatments were shown to be potentially beneficial in cell line experiments, although rigorous preclinical and clinical assessment would be required for therapeutic validation, note the authors, Vivek Natarajan and colleagues.","note":""},{"id":"cn-pub","source_key":"cosci","locator":"","excerpt":"Published: 19 May 2026 Accelerating scientific discovery with Co-Scientist","note":""},{"id":"cn-abs","source_key":"cosci","locator":"","excerpt":"we introduce Co-Scientist, a multi-agent artificial intelligence (AI) system built on Gemini for structured scientific thinking and hypothesis generation.","note":""},{"id":"cn-design","source_key":"cosci","locator":"","excerpt":"The system’s design involves agents continuously generating, critiquing and refining hypotheses accelerated by scaling test-time compute.","note":""},{"id":"cn-aml","source_key":"cosci","locator":"","excerpt":"Co-Scientist helped to identify new drug-repurposing candidates and synergistic combination therapies for acute myeloid leukaemia that were validated through in vitro experiments.","note":""},{"id":"dm-agents","source_key":"dmcosci","locator":"","excerpt":"Generation agent - Proposes initial focus areas and novel hypotheses grounded in scientific literature and data.","note":""},{"id":"dm-reflect","source_key":"dmcosci","locator":"","excerpt":"Reflection agent - Acts as a \"virtual peer reviewer,\" critically evaluating hypotheses for correctness, quality, and novelty.","note":""},{"id":"dm-rank","source_key":"dmcosci","locator":"","excerpt":"Ranking agent - Orchestrates an “idea tournament”, using pairwise comparisons and simulated scientific debates to prioritize the most promising paths and hypotheses.","note":""},{"id":"dm-meta","source_key":"dmcosci","locator":"","excerpt":"Meta-review agent - Synthesizes insights from the debates and idea tournament to continuously optimize the system and generates the final research proposal for the scientist to review.","note":""},{"id":"rb-abs","source_key":"robin","locator":"","excerpt":"Here we introduce Robin, a multi-agent system capable of fully automating both hypothesis generation and data analysis for experimental biology.","note":""},{"id":"rb-semi","source_key":"robin","locator":"","excerpt":"Robin can generate hypotheses, propose experiments, interpret experimental results and generate updated hypotheses, achieving a semi-autonomous approach to scientific discovery.","note":""},{"id":"rb-amd","source_key":"robin","locator":"","excerpt":"Robin proposed enhancing retinal pigment epithelium phagocytosis as a therapeutic strategy, and identified and confirmed in vitro efficacy for ripasudil and KL001.","note":""},{"id":"rb-all","source_key":"robin","locator":"","excerpt":"All hypotheses, experimental directions, data analyses and data figures in the main text of this report were produced by Robin.","note":""},{"id":"ko-abs","source_key":"kosmos","locator":"","excerpt":"[Submitted on 4 Nov 2025 (v1), last revised 5 Nov 2025 (this version, v2)] ... Here we present Kosmos, an AI scientist that automates data-driven discovery. Given an open-ended objective and a dataset, Kosmos runs for up to 12 hours performing cycles of parallel data analysis, literature search, and hypothesis generation before synthesizing discoveries into scientific reports.","note":""},{"id":"ko-79","source_key":"kosmos","locator":"","excerpt":"Independent scientists found 79.4% of statements in Kosmos reports to be accurate, and collaborators reported that a single 20-cycle Kosmos run performed the equivalent of 6 months of their own research time on average.","note":""},{"id":"ax-2024","source_key":"aisciarxiv","locator":"","excerpt":"[Submitted on 12 Aug 2024 (v1), last revised 1 Sep 2024 (this version, v3)] Title:The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery Authors:Chris Lu, Cong Lu, Robert Tjarko Lange, Jakob Foerster, Jeff Clune, David Ha","note":""},{"id":"ax-cost","source_key":"aisciarxiv","locator":"","excerpt":"Each idea is implemented and developed into a full paper at a cost of less than $15 per paper.","note":""},{"id":"an-pub","source_key":"aisci","locator":"","excerpt":"Published: 25 March 2026 Towards end-to-end automation of AI research","note":""},{"id":"an-abs","source_key":"aisci","locator":"","excerpt":"We present The AI Scientist, which creates research ideas, writes code, runs experiments, plots and analyses data, writes the entire scientific manuscript, and performs its own peer review.","note":""},{"id":"an-review","source_key":"aisci","locator":"","excerpt":"Its ideas, execution and presentation are of sufficient quality that the manuscript generated by this AI system passed the first round of peer review for a workshop of a top-tier machine learning conference. The workshop had an acceptance rate of 70%.","note":""},{"id":"an-score","source_key":"aisci","locator":"","excerpt":"One of the three AI-generated manuscripts received an average score of 6.33 from the reviewers (individual scores were 6, 7 and 6), placing it above the average acceptance threshold for the workshop","note":""},{"id":"an-withdraw","source_key":"aisci","locator":"","excerpt":"as part of our experimental protocol, we determined in advance that all AI-generated submissions would be withdrawn after peer review, regardless of outcome.","note":""},{"id":"an-notyet","source_key":"aisci","locator":"","excerpt":"Only one of three submissions was accepted, and workshops have much higher acceptance rates than main conferences (for example, 70% for the ICLR 2025 ICBINB workshop38 versus 32% for the ICLR 2025 main conference39). Therefore, The AI Scientist cannot yet meet the standards of top-tier publications nor even do so consistently for workshops.","note":""},{"id":"an-limits","source_key":"aisci","locator":"","excerpt":"Common failure modes include the generation of naive or underdeveloped ideas, incorrect implementations of the main idea, a lack of deep methodological rigour, errors in experimental implementation, duplicating figures in the main text and the appendix, and many types of hallucinations, such as inaccurate citations","note":""},{"id":"an-risks","source_key":"aisci","locator":"","excerpt":"As with any impactful new technology, there could be important risks, including taxing overwhelmed review systems and adding noise to the scientific literature.","note":""},{"id":"sk-withdraw","source_key":"sakana","locator":"","excerpt":"it was determined ahead of time, as part of our experiment protocol, that even if papers by The AI Scientist were accepted, we would withdraw them before they were actually published.","note":""},{"id":"ubc-limits","source_key":"ubc","locator":"","excerpt":"they acknowledge the limitations of the system at present, such as sometimes producing underdeveloped ideas or generating inaccurate citations. Currently, the AI Scientist can only conduct research in computer science","note":""},{"id":"be-eval","source_key":"beel","locator":"","excerpt":"Our evaluation of the AI Scientist reveals critical shortcomings. The system's literature reviews produced poor novelty assessments, often misclassifying established concepts (e.g., micro-batching for stochastic gradient descent) as novel.","note":""},{"id":"be-fail","source_key":"beel","locator":"","excerpt":"[Submitted on 20 Feb 2025 (v1), last revised 15 Oct 2025 (this version, v3)] ... It also struggles with experiment execution: 42% of experiments failed due to coding errors, while others produced flawed or misleading results.","note":""},{"id":"be-cit","source_key":"beel","locator":"","excerpt":"Generated manuscripts were poorly substantiated, with a median of five citations, most outdated (only five of 34 from 2020 or later).","note":""},{"id":"ae-intro","source_key":"alphaevolve","locator":"","excerpt":"AlphaEvolve pairs the creative problem-solving capabilities of our Gemini models with automated evaluators that verify answers, and uses an evolutionary framework to improve upon the most promising ideas.","note":""},{"id":"ae-strassen","source_key":"alphaevolve","locator":"","excerpt":"AlphaEvolve’s procedure found an algorithm to multiply 4x4 complex-valued matrices using 48 scalar multiplications, improving upon Strassen’s 1969 algorithm that was previously known as the best in this setting.","note":""},{"id":"ae-measurable","source_key":"alphaevolve","locator":"","excerpt":"This makes AlphaEvolve particularly helpful in a broad range of domains where progress can be clearly and systematically measured, like in math and computer science.","note":""},{"id":"ta-67","source_key":"tao","locator":"","excerpt":"[Submitted on 3 Nov 2025 (v1), last revised 22 Dec 2025 (this version, v3)] Title:Mathematical exploration and discovery at scale Authors:Bogdan Georgiev, Javier Gómez-Serrano, Terence Tao, Adam Zsolt Wagner ... To demonstrate its breadth, we considered a list of 67 problems spanning mathematical analysis, combinatorics, geometry, and number theory.","note":""},{"id":"ta-res","source_key":"tao","locator":"","excerpt":"The system rediscovered the best known solutions in most of the cases and discovered improved solutions in several.","note":""},{"id":"ai-erdos","source_key":"aeimpact","locator":"","excerpt":"May 7, 2026 Science ... Working with world-renowned mathematicians like Terence Tao, the system has helped solve Erdős problems.","note":""},{"id":"ai-tao","source_key":"aeimpact","locator":"","excerpt":"Tools such as AlphaEvolve are giving mathematicians very useful new capabilities. For optimization problems in particular, we can now quickly test potential inequalities for counterexamples, or to confirm our beliefs in what the extremizers are, which greatly improves our intuition about these problems and allows us to find rigorous proofs more readily.","note":""},{"id":"me-pub","source_key":"messeri","locator":"","excerpt":"Perspective Published: 06 March 2024 Artificial intelligence and illusions of understanding in scientific research Lisa Messeri","note":""},{"id":"me-illusion","source_key":"messeri","locator":"","excerpt":"But proposed AI solutions can also exploit our cognitive limitations, making us vulnerable to illusions of understanding in which we believe we understand more about the world than we actually do.","note":""},{"id":"me-mono","source_key":"messeri","locator":"","excerpt":"Such illusions obscure the scientific community’s ability to see the formation of scientific monocultures, in which some types of methods, questions and viewpoints come to dominate alternative approaches, making science less innovative and more vulnerable to errors.","note":""},{"id":"me-more","source_key":"messeri","locator":"","excerpt":"The proliferation of AI tools in science risks introducing a phase of scientific enquiry in which we produce more but understand less.","note":""},{"id":"ki-alt","source_key":"kitano","locator":"","excerpt":"Published: 18 June 2021 ... what may be implemented by “AI Scientists” may not resemble the scientific process conducted by human scientist. It may be an alternative form of science that will break the limitation of current scientific practice largely hampered by human cognitive limitation and sociological constraints.","note":""},{"id":"ki-aim","source_key":"kitano","locator":"","excerpt":"The Nobel Turing Challenge aims to develop a highly autonomous AI system that can perform top-level science, indistinguishable from the quality of that performed by the best human scientists, where some of the discoveries may be worthy of Nobel Prize level recognition and beyond.","note":""},{"id":"np-date","source_key":"naturepeer","locator":"","excerpt":"NEWS 27 November 2025 Correction 01 December 2025 Major AI conference flooded with peer reviews written fully by AI","note":""},{"id":"np-21","source_key":"naturepeer","locator":"","excerpt":"Controversy has erupted after 21% of manuscript reviews for an international AI conference were found to be generated by artificial intelligence.","note":""},{"id":"ab-policy","source_key":"arxivblog","locator":"","excerpt":"Before being considered for submission to arXiv’s CS category, review articles and position papers must now be accepted at a journal or a conference and complete successful peer review.","note":""},{"id":"ab-flood","source_key":"arxivblog","locator":"","excerpt":"By Kat Boboris·October 31st 2025 ... In the past few years, arXiv has been flooded with papers. Generative AI / large language models have added to this flood by making papers – especially papers not introducing new research results – fast and easy to write.","note":""},{"id":"ss-pub","source_key":"safesdl","locator":"","excerpt":"Perspective Published: 18 August 2025 Steering towards safe self-driving laboratories Shi Xuan Leong","note":""},{"id":"ss-abs","source_key":"safesdl","locator":"","excerpt":"As SDLs evolve to expand the scope of chemical processes that can be performed, it is essential to bring safety to the forefront to ensure that the necessary safeguards are in place to mitigate against potential accidents that range from near-misses to catastrophic failures.","note":""},{"id":"eo-date","source_key":"eo","locator":"","excerpt":"LAUNCHING THE GENESIS MISSION Executive Orders November 24, 2025 Executive Order 14363","note":""},{"id":"eo-platform","source_key":"eo","locator":"","excerpt":"The Genesis Mission will build an integrated AI platform to harness Federal scientific datasets — the world’s largest collection of such datasets, developed over decades of Federal investments — to train scientific foundation models and create AI agents to test new hypotheses, automate research workflows, and accelerate scientific breakthroughs.","note":""},{"id":"eo-manhattan","source_key":"eo","locator":"","excerpt":"the challenges we face require a historic national effort, comparable in urgency and ambition to the Manhattan Project that was instrumental to our victory in World War II","note":""},{"id":"eo-robotic","source_key":"eo","locator":"","excerpt":"the Secretary shall review capabilities across the DOE national laboratories and other participating Federal research facilities for robotic laboratories and production facilities with the ability to engage in AI-directed experimentation and manufacturing","note":""},{"id":"eo-270","source_key":"eo","locator":"","excerpt":"Within 270 days of the date of this order, the Secretary shall, consistent with applicable law and subject to available appropriations, seek to demonstrate an initial operating capability of the Platform for at least one of the national science and technology challenges identified pursuant to section 4 of this order.","note":""},{"id":"do-26","source_key":"doe","locator":"","excerpt":"The U.S. Department of Energy (DOE) today announced 26 science and technology challenges of national importance to advance the Genesis Mission and accelerate innovation and discovery through artificial intelligence (AI).","note":""},{"id":"do-date","source_key":"doe","locator":"","excerpt":"Office of the Under Secretary for Science February 12, 2026","note":""},{"id":"ra-launch","source_key":"raise","locator":"","excerpt":"On 3 November 2025, at the European AI in Science Summit in Copenhagen, organised by the European Commission and the Danish Presidency of the Council of the EU, Executive Vice-President Henna Virkkunen and Commissioner Ekaterina Zaharieva launched the pilot of RAISE – the Resource for Artificial Intelligence Science in Europe.","note":""},{"id":"ra-virtual","source_key":"raise","locator":"","excerpt":"This new virtual institute is a flagship initiative under the Apply AI Strategy and the European Strategy for Artificial Intelligence (AI) in Science.","note":""},{"id":"ra-107","source_key":"raise","locator":"","excerpt":"The RAISE pilot will be funded with €107 million under Horizon Europe.","note":""},{"id":"bt-date","source_key":"btraise","locator":"","excerpt":"Friday, 16 October 2026","note":""},{"id":"bt-dublin","source_key":"btraise","locator":"","excerpt":"The initiative was launched at the European AI in Science Summit in Dublin.","note":""},{"id":"bt-pledge","source_key":"btraise","locator":"","excerpt":"The initiative, called RAISE — short for Resource for AI Science in Europe — is linked to the Commission’s AI in Science Strategy and is intended to complement public research funding with in-kind contributions, the Commission informed on Thursday.","note":""},{"id":"bt-companies","source_key":"btraise","locator":"","excerpt":"Initial commitments have been made by the Novo Nordisk Foundation, Nvidia, Elsevier, Sanofi, Frontiers, Mistral and Google DeepMind, the Commission said, adding that the scheme remains open to further contributions.","note":""},{"id":"bt-guidelines","source_key":"btraise","locator":"","excerpt":"The Commission also presented an updated version of its Living Guidelines on the Responsible Use of Generative AI in Research at the summit, describing it as the most extensive revision so far","note":""}],"status":"published","featured":false,"revision":1,"created_at":"2026-10-23T13:44:47.925Z","updated_at":"2026-10-23T13:44:47.925Z"}