Denario AI создает научные статьи за 30 минут

Международная команда исследователей представила систему искусственного интеллекта, способную автономно проводить научные исследования в самых разных дисциплинах — она может создавать научные работы от первоначальной концепции до готовой к публикации рукописи примерно за 30 минут и всего за 4 доллара за статью.

Система под названием Denario умеет формулировать исследовательские идеи, изучать существующую литературу, разрабатывать методологии, писать и выполнять код, создавать визуализации и готовить черновики полноценных академических статей. Демонстрируя свою универсальность, команда использовала Denario для генерации работ в области астрофизики, биологии, химии, медицины, нейробиологии и других сфер; при этом одна из созданных ИИ статей уже принята к публикации на научной конференции.

«Цель Denario заключается не в том, чтобы полностью автоматизировать науку, а в создании исследовательского ассистента, способного ускорить научные открытия», — пишут исследователи в опубликованной в понедельник статье, описывающей систему. Команда выложила программное обеспечение в публичный доступ в качестве инструмента с открытым исходным кодом.

Это достижение знаменует собой поворотный момент в применении больших языковых моделей к научной работе, потенциально меняя подход исследователей к предварительным изысканиям и обзорам литературы. Тем не менее, исследование также подчеркивает существенные ограничения и поднимает острые вопросы касательно верификации, авторства и меняющейся природы научного труда.

От данных до черновика: как ИИ-агенты сотрудничают для проведения исследований

По своей сути Denario функционирует не как единый мозг ИИ, а как цифровой исследовательский отдел, где специализированные ИИ-агенты сотрудничают, доводя проект от зарождения до завершения. Процесс может начинаться с «модуля идей», в котором задействован увлекательный состязательный процесс: агент «генератора идей» предлагает исследовательские проекты, которые затем изучаются агентом «критика идей», оценивающим их на предмет жизнеспособности и научной ценности. Такой итеративный цикл дорабатывает сырые концепции до надежных направлений исследований.

Как только гипотеза утверждена, «модуль литературы» прочесывает академические базы данных вроде Semantic Scholar для проверки новизны идеи, после чего «модуль методологии» выстраивает детальный пошаговый план исследования. Основную тяжелую работу берет на себя «модуль анализа» — виртуальная рабочая лошадка, которая пишет, отлаживает и запускает собственный код на Python для анализа данных, построения графиков и суммирования выводов. Наконец, «модуль статьи» берет полученные данные и графики и оформляет черновик полноценной научной работы в LaTeX — стандарте для многих научных областей. В качестве финального рекурсивного шага «модуль рецензирования» может даже выступить в роли ИИ-рецензента, предоставляя критический отчет о сильных и слабых сторонах сгенерированной статьи.

Такая модульная конструкция позволяет исследователю-человеку вмешаться на любом этапе, предложив собственную идею или методологию, либо просто использовать Denario как автономную систему полного цикла. «Система обладает модульной архитектурой, что позволяет ей решать конкретные задачи — например, генерировать идею или проводить комплексный научный анализ», — поясняется в статье.

Чтобы подтвердить возможности системы, команда Denario подвергла ее серьезному испытанию, создав обширный массив статей в самых разных дисциплинах. В качестве яркого доказательства концепции одна из полностью сгенерированных Denario статей была принята к публикации на конференции Agents4Science 2025 — рецензируемой площадке, где главными авторами выступают сами системы ИИ. Статья под названием «QITT-Enhanced Multi-Scale Substructure Analysis with Learned Topological Embeddings for Cosmological Parameter Estimation from Dark Matter Halo Merger Trees» («Многомасштабный анализ подструктур с улучшенными QITT и выученными топологическими вложениями для оценки космологических параметров по деревьям слияния гало темной материи») успешно объединила сложные идеи из квантовой физики, машинного обучения и космологии для анализа данных симуляций.

Призрак в машине: «пустые» результаты работы ИИ и этические тревоги

Несмотря на заметные успехи, исследовательская статья отличается удивительной честностью в отношении существенных ограничений Denario и возможных сбоев. Авторы подчеркивают, что в настоящее время система «скорее ведет себя как хороший студент младших или средних курсов магистратуры, а не как полный профессор с точки зрения видения общей картины, увязки результатов и т. д.». Такая честность служит важнейшей отрезвляющей проверкой в области, где зачастую преобладает излишняя шумиха.

В статье целые разделы посвящены «режимам сбоев» и «этическим последствиям» — уровень прозрачности, который стоит взять на вооружение корпоративным лидерам. Авторы сообщают, что в одном из случаев система «сгаллюцинировала целую статью, не реализовав необходимый численный солвер», выдумав результаты ради правдоподобного повествования. В другом тесте на задачу по чистой математике ИИ выдал текст, который имел форму математического доказательства, но, по выражению авторов, был «математически пустым».

Эти сбои подчеркивают важнейший момент для любой организации, планирующей внедрение агентного ИИ: системы могут быть хрупкими и склонны выдавать звучащие с абсолютной уверенностью ошибки, требующие экспертного контроля со стороны человека. Статья о Denario служит важнейшим практическим примером того, как важно оставлять человека в контуре управления для верификации и критической оценки.

Авторы также затрагивают глубокие этические вопросы, порожденные их творением. Они предупреждают, что «ИИ-агенты могут использоваться для быстрого наводнения научной литературы утверждениями, продиктованными определенной политической повесткой или конкретными коммерческими или экономическими интересами». Они также упоминают «ловушку Тьюринга» — феномен, при котором самоцелью становится имитация человеческого интеллекта, а не его усиление, что потенциально может привести к «гомогенизации» исследований и подавлению подлинных, меняющих парадигму инноваций.

Копилот с открытым исходным кодом для мировых лабораторий

Denario — это не просто теоретическая разработка, запертая в стенах академической лаборатории. Вся система распространяется на открытой основе по лицензии GPL-3.0 и доступна широкому сообществу. Основной проект и его графический интерфейс DenarioApp доступны на GitHub, а установка управляется с помощью стандартных инструментов Python. Для корпоративных сред, ориентированных на воспроизводимость и масштабируемость, проект также предоставляет официальные образы Docker. Публичная демо-версия, размещенная на Hugging Face Spaces, позволяет любому желающему опробовать возможности системы.

Пока что Denario остается тем, что ее создатели называют мощным ассистентом, но не заменой закаленной интуиции опытного эксперта. Такая формулировка выбрана осознанно. Проект Denario в меньшей степени направлен на создание автоматизированного ученого и в большей — на построение идеального копилота, призванного взять на себя рутинные и трудоемкие аспекты современных исследований.

Переложив утомительную работу по написанию кода, отладке и созданию черновиков на ИИ-агента, система обещает высвободить время исследователей-людей для единственной задачи, которую автоматизировать невозможно: глубокого критического мышления, необходимого для постановки правильных вопросов с самого начала.