Научните изчисления в ерата на агентния изкуствен интелект

Научните изчисления са основен стълб на съвременните изследвания в академичните среди и индустрията. Софтуерът за анализ на научна информация обаче трудно смогва на бързия темп на генериране на данни. Много широко използвани изследователски инструменти започват като код към научна публикация, разработен от малки академични екипи с ограничен инженерен опит и почти никакво време за пакетиране, тестване, оптимизация или дългосрочна поддръжка. В резултат научната инфраструктура често зависи от бавни и ненадеждни работни процеси, изискващи постоянна поддръжка. Тези ограничения забавят откритията.

ИИ агентите започват да променят това положение. Като намаляват разходите за инженерна работа и поемат досадни задачи по реализацията, те могат да помагат на изследователите по-бързо да създават прототипи на идеи, да се заемат с доскоро непрактични проекти и по-лесно да поддържат софтуера в дългосрочен план. Така научният софтуер става по-ефективен и по-добре поддържан, а изследователите могат да отделят повече време за открития.

Споделяме проучвателен доклад от практиката за осем проекта за научни изчисления, подпомогнати от агенти, предимно в науките за живота: пет използват само Codex, а три — комбинация от Codex и Claude Code. Докладът обединява казуси, написани от екипите зад всеки проект, и откроява повтарящи се теми. Проектите обхващат всичко — от рутинна поддръжка и целева оптимизация до мащабни миграции между езици и преработване за нативна работа с GPU. Според участниците агентите значително са ускорили разработката и поддръжката на софтуер, като в някои случаи са позволили на малки екипи да поемат работа, която иначе би изисквала много повече време или специализирана инженерна помощ. Те обаче подчертават и трайното предизвикателство да се установят ясни дългосрочни отговорности и управление на създадените инструменти.

Участниците неизменно описват промяна в ролята на изследователите — от реализация към проверка и координация: да определят какво да се създаде, как да се измерва коректността и кога проектът е готов за пускане. В този нов модел изследователите запазват контрола върху научната посока и критериите за качество, а агентната помощ ускорява работата

Макар проектите да се различават значително по обхват, те показват, че агентите за кодиране намаляват зависимостта на научните изчисления от наличния инженерен труд и експертен опит. Сега тясното място е проверката на резултатите от ИИ Агент, която все още зависи от човешката преценка.

Във всички казуси агентите се справят ефективно с конкретни и ясно ограничени задачи, но не могат надеждно да преценят дали работата им е научно валидна и отговаря на очакванията. Агентите често демонстрират увереност дори когато работата им съдържа явни грешки. Затова проверяващите трябва да намерят надеждни начини за валидиране на резултатите. Най-добрите подходи използват външен еталон или измерим критерий за приемане, например пълно съвпадение на резултатите, равностойност със съществуващ инструмент, подходящо статистическо поведение или предварително установени отговори чрез симулирани данни.

Друга повтаряща се тема е, че проектите обикновено напредват на етапи чрез итерации, водени от обратна връзка, вместо чрез подходи с едно повторение. Участниците разделят общите цели на по-малки промени, след което използват междинни показатели и тестови системи, за да оценяват и усъвършенстват работата на агентите. Агентите често създават бързо първоначални реализации, но отстраняването на гранични случаи и фини числови разлики отнема много повече време. Завършването на „последната отсечка“ от реализацията често изисква най-много работа.

Като цяло тези казуси показват, че агентите позволяват на изследователите да отделят по-малко време за реализация и повече за ръководене на научната работа. Хората определят целта, разделят сложните проекти на управляеми части и преценяват дали резултатите са научно валидни. Като облекчават отдавнашните инженерни ограничения, агентите разширяват възможностите на изследователите и им позволяват да се съсредоточат върху най-важните научни въпроси и решения.

Недостатъчната поддръжка на изследователския софтуер отдавна забавя итерациите и ограничава възпроизводимостта и надеждността. Публикувани проучвания на „изследователски код⁠(отваря се в нов прозорец)“ и инструменти за омикс анализи⁠(отваря се в нов прозорец) установяват, че публикуваният софтуер често не може да се инсталира правилно в нова изчислителна среда или да работи според документацията, което принуждава изследователите да отделят значително време за конфигуриране и отстраняване на грешки. Дори рутинните подобрения могат да спестят време на изследователите и да намалят изчислителните нужди, а рефакторирането и пренаписването с цел по-висока производителност могат да донесат още по-големи ползи.

Но по-ниските разходи за реализация улесняват и създаването на множество сходни преработки, което разпокъсва потребителската общност и разпилява експертното внимание, необходимо за надеждността на всеки отделен инструмент. Затова дългосрочното управление и посочването на приноса са от съществено значение. Утвърденият научен софтуер носи недокументирани конвенции, изисквания за съвместимост и потребителско доверие, които не могат да бъдат възпроизведени само чрез превод на изходния код.

Казусите очертават няколко възможни пътя напред. Промените в MHCflurry и cyvcf2 бяха включени в първоначалните им основни проекти, а rustar-aligner премина под управлението на нова общност, тъй като оригиналният проект беше изоставен. Когато е възможно съгласуване със съществуващите поддържащи екипи, то трябва да започне възможно най-рано. Когато е необходима отделна реализация, тя трябва да има ясен собственик и надежден план за поддръжка. Без тях днешната модерна преработка може да се превърне в утрешния изоставен код, вместо в надеждна научна инфраструктура.

Този доклад от практиката е ретроспективен и проучвателен, но казусите сочат практическа промяна в начина, по който се разработва научен софтуер. Агенти за кодиране като Codex могат значително да намалят разходите за поддръжка, миграция, оптимизация и нови реализации. Дългосрочната им научна стойност все още зависи от човешките решения какво да се създаде, как да се провери и кой ще го поддържа. По-дълбоката промяна не е просто, че изследователите могат да създават повече софтуер, а че могат да насочат повече усилия към определянето, проверката и управлението на инструментите.

Тези казуси показват, че агентите вече могат да ускорят итерациите в научните изчисления. С усъвършенстването на агентите за кодиране изследователите ще отделят по-малко време за поддържане на работата на аналитичните процеси и повече за напредъка в своите области.