# Автономна наука: изкуственият интелект в научните открития

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. 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. 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. 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. 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. Според обзор от 2026 г. основният проблем вече не е дали отделните части на науката могат да бъдат автоматизирани — те могат; проблемът е интеграцията. Най-спорните въпроси остават достоверността на автоматично получените резултати, независимата им проверка и разграничаването между твърдения на самите разработчици и независимо потвърдени 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.

## Вижте също

- [Google DeepMind](https://wikib.online/article/google-deepmind)
- [Самоусъвършенстващ се изкуствен интелект](https://wikib.online/article/samousavarshenstvasht-se-izkustven-intelekt)
- [Оценяване и сравняване на системи с изкуствен интелект](https://wikib.online/article/otsenyavane-i-sravnyavane-na-sistemi-s-izkustven-intelekt)
- [Общ изкуствен интелект (AGI)](https://wikib.online/article/obsht-izkustven-intelekt-agi)
- [Anthropic](https://wikib.online/article/anthropic)
- [Физическите граници на изкуствения интелект](https://wikib.online/article/fizicheskite-granitsi-na-izkustveniya-intelekt)
- [Голям езиков модел](https://wikib.online/article/golyam-ezikov-model)
- [Центровете за данни и енергията за изкуствения интелект](https://wikib.online/article/tsentrove-za-danni-i-energiyata-za-izkustveniya-intelekt)
- [Отворени и локални модели на изкуствения интелект](https://wikib.online/article/otvoreni-i-lokalni-modeli-na-izkustveniya-intelekt)
- [Подравняване на изкуствения интелект](https://wikib.online/article/podravnyavane-na-izkustveniya-intelekt)

## Доказателства към твърденията

1. Autonomous ‘self-driving’ laboratories: a review of technology and policy implications (Tobias & Wahab) — https://royalsocietypublishing.org/rsos/article/12/7/250646/235354/Autonomous-self-driving-laboratories-a-review-of

2. Autonomous ‘self-driving’ laboratories: a review of technology and policy implications (Tobias & Wahab) — https://royalsocietypublishing.org/rsos/article/12/7/250646/235354/Autonomous-self-driving-laboratories-a-review-of

3. Autonomous ‘self-driving’ laboratories: a review of technology and policy implications (Tobias & Wahab) — https://royalsocietypublishing.org/rsos/article/12/7/250646/235354/Autonomous-self-driving-laboratories-a-review-of

4. Autonomous ‘self-driving’ laboratories: a review of technology and policy implications (Tobias & Wahab) — https://royalsocietypublishing.org/rsos/article/12/7/250646/235354/Autonomous-self-driving-laboratories-a-review-of

5. Autonomous ‘self-driving’ laboratories: a review of technology and policy implications (Tobias & Wahab) — https://royalsocietypublishing.org/rsos/article/12/7/250646/235354/Autonomous-self-driving-laboratories-a-review-of

6. Autonomous ‘self-driving’ laboratories: a review of technology and policy implications (Tobias & Wahab) — https://royalsocietypublishing.org/rsos/article/12/7/250646/235354/Autonomous-self-driving-laboratories-a-review-of

7. Self-Driving Laboratories for Chemistry and Materials Science (Tom et al.) — https://pmc.ncbi.nlm.nih.gov/articles/PMC11363023/

8. The past, present and future of self-driving laboratories (Canty & Abolhasani) — https://www.nature.com/articles/s41570-026-00847-2

9. The past, present and future of self-driving laboratories (Canty & Abolhasani) — https://www.nature.com/articles/s41570-026-00847-2

10. The past, present and future of self-driving laboratories (Canty & Abolhasani) — https://www.nature.com/articles/s41570-026-00847-2

11. The past, present and future of self-driving laboratories (Canty & Abolhasani) — https://www.nature.com/articles/s41570-026-00847-2

12. The past, present and future of self-driving laboratories (Canty & Abolhasani) — https://www.nature.com/articles/s41570-026-00847-2

13. Scientific Discovery — https://plato.stanford.edu/entries/scientific-discovery/

14. Scientific Discovery — https://plato.stanford.edu/entries/scientific-discovery/

15. Scientific Discovery — https://plato.stanford.edu/entries/scientific-discovery/

16. Dendral — https://en.wikipedia.org/wiki/Dendral

17. Dendral — https://en.wikipedia.org/wiki/Dendral

18. Dendral — https://en.wikipedia.org/wiki/Dendral

19. Dendral — https://en.wikipedia.org/wiki/Dendral

20. Robot Scientist — https://en.wikipedia.org/wiki/Robot_Scientist

21. Robot Scientist — https://en.wikipedia.org/wiki/Robot_Scientist

22. Robot scientist becomes first machine to discover new scientific knowledge — https://www.cam.ac.uk/research/news/robot-scientist-becomes-first-machine-to-discover-new-scientific-knowledge

23. Robot scientist becomes first machine to discover new scientific knowledge — https://www.cam.ac.uk/research/news/robot-scientist-becomes-first-machine-to-discover-new-scientific-knowledge

24. Robot scientist becomes first machine to discover new scientific knowledge — https://www.cam.ac.uk/research/news/robot-scientist-becomes-first-machine-to-discover-new-scientific-knowledge

25. Robot scientist becomes first machine to discover new scientific knowledge — https://www.cam.ac.uk/research/news/robot-scientist-becomes-first-machine-to-discover-new-scientific-knowledge

26. AI ‘scientist’ finds that toothpaste ingredient may help fight drug-resistant malaria — https://www.cam.ac.uk/research/news/ai-scientist-finds-that-toothpaste-ingredient-may-help-fight-drug-resistant-malaria

27. AI ‘scientist’ finds that toothpaste ingredient may help fight drug-resistant malaria — https://www.cam.ac.uk/research/news/ai-scientist-finds-that-toothpaste-ingredient-may-help-fight-drug-resistant-malaria

28. AI ‘scientist’ finds that toothpaste ingredient may help fight drug-resistant malaria — https://www.cam.ac.uk/research/news/ai-scientist-finds-that-toothpaste-ingredient-may-help-fight-drug-resistant-malaria

29. AI ‘scientist’ finds that toothpaste ingredient may help fight drug-resistant malaria — https://www.cam.ac.uk/research/news/ai-scientist-finds-that-toothpaste-ingredient-may-help-fight-drug-resistant-malaria

30. The Past and Future of AI Scientists (Ross D. King) — https://arxiv.org/abs/2608.14407

31. The Past and Future of AI Scientists (Ross D. King) — https://arxiv.org/abs/2608.14407

32. The Past and Future of AI Scientists (Ross D. King) — https://arxiv.org/abs/2608.14407

33. The Past and Future of AI Scientists (Ross D. King) — https://arxiv.org/abs/2608.14407

34. Press release: The Nobel Prize in Chemistry 2024 — https://www.nobelprize.org/prizes/chemistry/2024/press-release/

35. Press release: The Nobel Prize in Chemistry 2024 — https://www.nobelprize.org/prizes/chemistry/2024/press-release/

36. Press release: The Nobel Prize in Chemistry 2024 — https://www.nobelprize.org/prizes/chemistry/2024/press-release/

37. Press release: The Nobel Prize in Chemistry 2024 — https://www.nobelprize.org/prizes/chemistry/2024/press-release/

38. An autonomous laboratory for the accelerated synthesis of inorganic materials (Szymanski et al.) — https://www.nature.com/articles/s41586-023-06734-w

39. An autonomous laboratory for the accelerated synthesis of inorganic materials (Szymanski et al.) — https://www.nature.com/articles/s41586-023-06734-w

40. An autonomous laboratory for the accelerated synthesis of inorganic materials (Szymanski et al.) — https://www.nature.com/articles/s41586-023-06734-w

41. Scaling deep learning for materials discovery (Merchant et al.) — https://www.nature.com/articles/s41586-023-06735-9

42. Scaling deep learning for materials discovery (Merchant et al.) — https://www.nature.com/articles/s41586-023-06735-9

43. Scaling deep learning for materials discovery (Merchant et al.) — https://www.nature.com/articles/s41586-023-06735-9

44. Scaling deep learning for materials discovery (Merchant et al.) — https://www.nature.com/articles/s41586-023-06735-9

45. Millions of new materials discovered with deep learning — https://deepmind.google/discover/blog/millions-of-new-materials-discovered-with-deep-learning/

46. Millions of new materials discovered with deep learning — https://deepmind.google/discover/blog/millions-of-new-materials-discovered-with-deep-learning/

47. Challenges in High-Throughput Inorganic Materials Prediction and Autonomous Synthesis (Leeman, Schoop, Palgrave et al.) — https://journals.aps.org/prxenergy/abstract/10.1103/PRXEnergy.3.011002

48. Challenges in High-Throughput Inorganic Materials Prediction and Autonomous Synthesis (Leeman, Schoop, Palgrave et al.) — https://journals.aps.org/prxenergy/abstract/10.1103/PRXEnergy.3.011002

49. Challenges in High-Throughput Inorganic Materials Prediction and Autonomous Synthesis (Leeman, Schoop, Palgrave et al.) — https://journals.aps.org/prxenergy/abstract/10.1103/PRXEnergy.3.011002

50. Challenges in High-Throughput Inorganic Materials Prediction and Autonomous Synthesis (Leeman, Schoop, Palgrave et al.) — https://journals.aps.org/prxenergy/abstract/10.1103/PRXEnergy.3.011002

51. Challenges in High-Throughput Inorganic Materials Prediction and Autonomous Synthesis (Leeman, Schoop, Palgrave et al.) — https://journals.aps.org/prxenergy/abstract/10.1103/PRXEnergy.3.011002

52. Boffins deem Google DeepMind's material discoveries rather shallow — https://www.theregister.com/2024/04/11/google_deepmind_material_study/

53. Boffins deem Google DeepMind's material discoveries rather shallow — https://www.theregister.com/2024/04/11/google_deepmind_material_study/

54. Boffins deem Google DeepMind's material discoveries rather shallow — https://www.theregister.com/2024/04/11/google_deepmind_material_study/

55. Boffins deem Google DeepMind's material discoveries rather shallow — https://www.theregister.com/2024/04/11/google_deepmind_material_study/

56. Boffins deem Google DeepMind's material discoveries rather shallow — https://www.theregister.com/2024/04/11/google_deepmind_material_study/

57. Author Correction: An autonomous laboratory for the accelerated synthesis of inorganic materials — https://pmc.ncbi.nlm.nih.gov/articles/PMC12872444/

58. Author Correction: An autonomous laboratory for the accelerated synthesis of inorganic materials — https://pmc.ncbi.nlm.nih.gov/articles/PMC12872444/

59. Author Correction: An autonomous laboratory for the accelerated synthesis of inorganic materials — https://pmc.ncbi.nlm.nih.gov/articles/PMC12872444/

60. Author Correction: An autonomous laboratory for the accelerated synthesis of inorganic materials — https://pmc.ncbi.nlm.nih.gov/articles/PMC12872444/

61. Autonomous chemical research with large language models (Boiko, MacKnight, Kline, Gomes) — https://www.nature.com/articles/s41586-023-06792-0

62. Autonomous chemical research with large language models (Boiko, MacKnight, Kline, Gomes) — https://www.nature.com/articles/s41586-023-06792-0

63. Autonomous chemical research with large language models (Boiko, MacKnight, Kline, Gomes) — https://www.nature.com/articles/s41586-023-06792-0

64. Artificial intelligence: AI research assistants that may accelerate scientific discovery — https://www.natureasia.com/en/info/press-releases/detail/9330

65. Artificial intelligence: AI research assistants that may accelerate scientific discovery — https://www.natureasia.com/en/info/press-releases/detail/9330

66. Artificial intelligence: AI research assistants that may accelerate scientific discovery — https://www.natureasia.com/en/info/press-releases/detail/9330

67. Accelerating scientific discovery with Co-Scientist (Gottweis et al.) — https://www.nature.com/articles/s41586-026-10644-y

68. Accelerating scientific discovery with Co-Scientist (Gottweis et al.) — https://www.nature.com/articles/s41586-026-10644-y

69. Accelerating scientific discovery with Co-Scientist (Gottweis et al.) — https://www.nature.com/articles/s41586-026-10644-y

70. Accelerating scientific discovery with Co-Scientist (Gottweis et al.) — https://www.nature.com/articles/s41586-026-10644-y

71. Co-Scientist: A multi-agent AI partner to accelerate research — https://deepmind.google/blog/co-scientist-a-multi-agent-ai-partner-to-accelerate-research/

72. Co-Scientist: A multi-agent AI partner to accelerate research — https://deepmind.google/blog/co-scientist-a-multi-agent-ai-partner-to-accelerate-research/

73. Co-Scientist: A multi-agent AI partner to accelerate research — https://deepmind.google/blog/co-scientist-a-multi-agent-ai-partner-to-accelerate-research/

74. Co-Scientist: A multi-agent AI partner to accelerate research — https://deepmind.google/blog/co-scientist-a-multi-agent-ai-partner-to-accelerate-research/

75. A multi-agent system for automating scientific discovery (Ghareeb et al.) — https://www.nature.com/articles/s41586-026-10652-y

76. A multi-agent system for automating scientific discovery (Ghareeb et al.) — https://www.nature.com/articles/s41586-026-10652-y

77. A multi-agent system for automating scientific discovery (Ghareeb et al.) — https://www.nature.com/articles/s41586-026-10652-y

78. A multi-agent system for automating scientific discovery (Ghareeb et al.) — https://www.nature.com/articles/s41586-026-10652-y

79. Kosmos: An AI Scientist for Autonomous Discovery (Mitchener et al.) — https://arxiv.org/abs/2511.02824

80. Kosmos: An AI Scientist for Autonomous Discovery (Mitchener et al.) — https://arxiv.org/abs/2511.02824

81. The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery (Lu et al.) — https://arxiv.org/abs/2408.06292

82. The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery (Lu et al.) — https://arxiv.org/abs/2408.06292

83. Towards end-to-end automation of AI research (Lu et al.) — https://www.nature.com/articles/s41586-026-10265-5

84. Towards end-to-end automation of AI research (Lu et al.) — https://www.nature.com/articles/s41586-026-10265-5

85. Towards end-to-end automation of AI research (Lu et al.) — https://www.nature.com/articles/s41586-026-10265-5

86. Towards end-to-end automation of AI research (Lu et al.) — https://www.nature.com/articles/s41586-026-10265-5

87. Towards end-to-end automation of AI research (Lu et al.) — https://www.nature.com/articles/s41586-026-10265-5

88. Towards end-to-end automation of AI research (Lu et al.) — https://www.nature.com/articles/s41586-026-10265-5

89. Towards end-to-end automation of AI research (Lu et al.) — https://www.nature.com/articles/s41586-026-10265-5

90. Towards end-to-end automation of AI research (Lu et al.) — https://www.nature.com/articles/s41586-026-10265-5

91. The AI Scientist Generates its First Peer-Reviewed Scientific Publication — https://sakana.ai/ai-scientist-first-publication/

92. Researchers create an “AI Scientist” that conducts its own scientific research — https://www.cs.ubc.ca/news/2026/03/ai-scientist

93. Evaluating Sakana's AI Scientist: Bold Claims, Mixed Results, and a Promising Future? (Beel, Kan, Baumgart) — https://arxiv.org/abs/2502.14297

94. Evaluating Sakana's AI Scientist: Bold Claims, Mixed Results, and a Promising Future? (Beel, Kan, Baumgart) — https://arxiv.org/abs/2502.14297

95. Evaluating Sakana's AI Scientist: Bold Claims, Mixed Results, and a Promising Future? (Beel, Kan, Baumgart) — https://arxiv.org/abs/2502.14297

96. AlphaEvolve: A Gemini-powered coding agent for designing advanced algorithms — https://deepmind.google/discover/blog/alphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms/

97. AlphaEvolve: A Gemini-powered coding agent for designing advanced algorithms — https://deepmind.google/discover/blog/alphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms/

98. AlphaEvolve: A Gemini-powered coding agent for designing advanced algorithms — https://deepmind.google/discover/blog/alphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms/

99. Mathematical exploration and discovery at scale (Georgiev, Gómez-Serrano, Tao, Wagner) — https://arxiv.org/abs/2511.02864

100. Mathematical exploration and discovery at scale (Georgiev, Gómez-Serrano, Tao, Wagner) — https://arxiv.org/abs/2511.02864

101. AlphaEvolve: How our Gemini-powered coding agent is scaling impact across fields — https://deepmind.google/blog/alphaevolve-impact/

102. AlphaEvolve: How our Gemini-powered coding agent is scaling impact across fields — https://deepmind.google/blog/alphaevolve-impact/

103. Artificial intelligence and illusions of understanding in scientific research (Messeri & Crockett) — https://www.nature.com/articles/s41586-024-07146-0

104. Artificial intelligence and illusions of understanding in scientific research (Messeri & Crockett) — https://www.nature.com/articles/s41586-024-07146-0

105. Artificial intelligence and illusions of understanding in scientific research (Messeri & Crockett) — https://www.nature.com/articles/s41586-024-07146-0

106. Artificial intelligence and illusions of understanding in scientific research (Messeri & Crockett) — https://www.nature.com/articles/s41586-024-07146-0

107. Nobel Turing Challenge: creating the engine for scientific discovery (Hiroaki Kitano) — https://www.nature.com/articles/s41540-021-00189-3

108. Nobel Turing Challenge: creating the engine for scientific discovery (Hiroaki Kitano) — https://www.nature.com/articles/s41540-021-00189-3

109. Major AI conference flooded with peer reviews written fully by AI (Miryam Naddaf) — https://www.nature.com/articles/d41586-025-03506-6

110. Major AI conference flooded with peer reviews written fully by AI (Miryam Naddaf) — https://www.nature.com/articles/d41586-025-03506-6

111. Attention Authors: Updated Practice for Review Articles and Position Papers in arXiv CS Category — https://blog.arxiv.org/2025/10/31/attention-authors-updated-practice-for-review-articles-and-position-papers-in-arxiv-cs-category/

112. Attention Authors: Updated Practice for Review Articles and Position Papers in arXiv CS Category — https://blog.arxiv.org/2025/10/31/attention-authors-updated-practice-for-review-articles-and-position-papers-in-arxiv-cs-category/

113. Steering towards safe self-driving laboratories (Leong et al.) — https://www.nature.com/articles/s41570-025-00747-x

114. Steering towards safe self-driving laboratories (Leong et al.) — https://www.nature.com/articles/s41570-025-00747-x

115. Launching the Genesis Mission (Executive Order 14363) — https://www.whitehouse.gov/presidential-actions/2025/11/launching-the-genesis-mission/

116. Launching the Genesis Mission (Executive Order 14363) — https://www.whitehouse.gov/presidential-actions/2025/11/launching-the-genesis-mission/

117. Launching the Genesis Mission (Executive Order 14363) — https://www.whitehouse.gov/presidential-actions/2025/11/launching-the-genesis-mission/

118. Launching the Genesis Mission (Executive Order 14363) — https://www.whitehouse.gov/presidential-actions/2025/11/launching-the-genesis-mission/

119. Launching the Genesis Mission (Executive Order 14363) — https://www.whitehouse.gov/presidential-actions/2025/11/launching-the-genesis-mission/

120. Energy Department Announces 26 Genesis Mission Science and Technology Challenges — https://www.energy.gov/articles/energy-department-announces-26-genesis-mission-science-and-technology-challenges

121. Energy Department Announces 26 Genesis Mission Science and Technology Challenges — https://www.energy.gov/articles/energy-department-announces-26-genesis-mission-science-and-technology-challenges

122. Commission launches ‘Resource for AI Science in Europe' — https://digital-strategy.ec.europa.eu/en/news/commission-launches-resource-ai-science-europe

123. Commission launches ‘Resource for AI Science in Europe' — https://digital-strategy.ec.europa.eu/en/news/commission-launches-resource-ai-science-europe

124. Commission launches ‘Resource for AI Science in Europe' — https://digital-strategy.ec.europa.eu/en/news/commission-launches-resource-ai-science-europe

125. EU initiative pushes AI tools for science but demands ethical research — https://www.brusselstimes.com/2364624/eu-initiative-pushes-ai-tools-for-science-but-demands-ethical-research

126. EU initiative pushes AI tools for science but demands ethical research — https://www.brusselstimes.com/2364624/eu-initiative-pushes-ai-tools-for-science-but-demands-ethical-research

127. EU initiative pushes AI tools for science but demands ethical research — https://www.brusselstimes.com/2364624/eu-initiative-pushes-ai-tools-for-science-but-demands-ethical-research

128. EU initiative pushes AI tools for science but demands ethical research — https://www.brusselstimes.com/2364624/eu-initiative-pushes-ai-tools-for-science-but-demands-ethical-research

129. EU initiative pushes AI tools for science but demands ethical research — https://www.brusselstimes.com/2364624/eu-initiative-pushes-ai-tools-for-science-but-demands-ethical-research

## Метаданни

- Каноничен URL: https://wikib.online/article/avtonomna-nauka
- Лиценз: CC BY-SA 4.0 (https://creativecommons.org/licenses/by-sa/4.0/)
- Ревизия: 1
- Статус: published
- Език: bg
- JSON: https://wikib.online/api/public/articles/avtonomna-nauka