Vědecké výpočty v éře agentní AI

Vědecké výpočty jsou základním pilířem moderního výzkumu v akademické i komerční sféře. Software potřebný k analýze vědeckých informací však nestačí držet krok s rychlým tempem tvorby dat. Mnoho široce používaných výzkumných nástrojů vznikalo jako kód doprovázející vědeckou práci. Vytvořily je malé akademické týmy s omezenými zkušenostmi s vývojem softwaru a minimem času na sestavení balíčku, testování, optimalizaci či dlouhodobou podporu. Výsledkem je vědecká infrastruktura, která často závisí na pomalých a křehkých pracovních postupech vyžadujících neustálou údržbu. Tato omezení zpomalují tempo objevů.

AI agenti tuto situaci začínají měnit. Snižují náklady na technickou práci a přebírají rutinní implementační úkoly, takže mohou výzkumníkům pomoci rychleji vytvářet prototypy nápadů, realizovat dříve nepraktické projekty a snadněji dlouhodobě udržovat software. Vědecký software je díky tomu efektivnější a lépe udržovaný, takže výzkumníci mohou věnovat více času objevování.

Zveřejňujeme průzkumnou terénní zprávu o osmi projektech vědeckých výpočtů podporovaných agenty, především v oblasti přírodních věd. Pět využívalo pouze Codex, tři kombinaci Codexu a Claude Code. Zpráva obsahuje případové studie sepsané týmy jednotlivých projektů a popisuje, co se v nich opakuje. Projekty mají rozsah od od běžné údržby a cílené optimalizace až po rozsáhlé migrace mezi jazyky a přepracování na GPU-nativní software. Přispěvatelé uvádějí, že agenti výrazně urychlili vývoj a údržbu softwaru a v některých případech pomohli malým týmům zvládnout práci, která by jinak vyžadovala mnohem více času nebo specializovanou technickou podporu. Zároveň však upozorňují na přetrvávající problém, jak jasně stanovit dlouhodobou odpovědnost za výsledné nástroje a péči o ně.

Přispěvatelé shodně popisují posun role výzkumníků od implementace k ověřování a koordinaci, kdy specifikují, co vytvořit, definují způsob měření správnosti a rozhodují, kdy je projekt připraven k vydání. V tomto nově vznikajícím modelu si výzkumníci zachovávají kontrolu nad vědeckým směřováním a požadavky na kvalitu, zatímco pomoc agentů zvyšuje rychlost práce.

Ačkoli se rozsah projektů značně lišil, ukázaly, že díky agentům pro programování přestává být dostupnost technické práce a odborných znalostí ve vědeckých výpočtech tak výrazným omezením. Úzkým hrdlem je nyní ověřování výstupů agenta AI, které stále závisí na lidském úsudku.

Ve všech případových studiích agenti efektivně plnili konkrétní, jasně vymezené požadavky, ale nedokázali spolehlivě posoudit, zda je jejich práce vědecky validní a splňuje očekávání. Agenti totiž často působili sebejistě, i když jejich práce obsahovala zjevné chyby. Lidští kontroloři proto museli najít spolehlivé způsoby ověřování výsledků. Nejlepší postupy využívaly externí referenci nebo měřitelná kritéria přijetí, například přesnou shodu výstupů, rovnocennost se stávajícím nástrojem, odpovídající statistické chování či předem zjištěné odpovědi na základě simulovaných dat.

Dalším opakujícím se tématem bylo, že projekty zpravidla nevnikly „na první dobrou“, ale postupovaly po etapách a v iteracích řízených zpětnou vazbou. Přispěvatelé rozdělili obecné cíle na menší změny a poté pomocí průběžných referenčních měření a testovacích systémů hodnotili a zdokonalovali práci agentů. Agenti často rychle vytvořili počáteční implementace, ale řešení okrajových případů a drobných numerických rozdílů trvalo mnohem déle. Dokončení „posledního úseku“ implementace často vyžadovalo nejvíce práce.

Tyto případové studie celkově naznačují, že díky agentům mohou výzkumníci trávit méně času implementací a více času řízením vědecké práce. Lidé definují cíl, rozdělí složité projekty na zvládnutelné části a posoudí vědeckou validitu výsledků. Agenti zmírňují dlouhodobá technická omezení, rozšiřují možnosti výzkumníků a umožňují jim soustředit se na nejdůležitější vědecké otázky a rozhodnutí.

Nedostatečná údržba výzkumného softwaru dlouhodobě zpomaluje iterace a omezuje reprodukovatelnost i spolehlivost. Publikované studie „výzkumného kódu⁠(otevře se v novém okně)“ a omických nástrojů⁠(otevře se v novém okně) zjistily, že zveřejněný software často nelze správně nainstalovat v novém výpočetním prostředí nebo spustit podle dokumentace. Výzkumníci proto musí věnovat značné množství času konfiguraci a ladění. I běžná vylepšení mohou výzkumníkům ušetřit čas a snížit výpočetní nároky, větší zlepšení pak mohou přinést refaktorizace a přepisy zaměřené na výkon.

Nižší náklady na implementaci však také usnadňují tvorbu mnoha podobných přepracovaných verzí, což tříští uživatelskou základnu a rozptyluje pozornost odborníků potřebnou k zachování spolehlivosti každého nástroje. Proto je nezbytná dlouhodobá péče a jasné autorství. Zavedený vědecký software v sobě nese nezdokumentované konvence, požadavky na kompatibilitu a důvěru uživatelů, které pouhý překlad zdrojového kódu nedokáže reprodukovat.

Případové studie ukazují několik možných cest vpřed. Změny nástrojů MHCflurry a cyvcf2 byly začleněny do jejich původních nadřazených projektů, zatímco rustar-aligner přešel pod správu nové komunity, protože původní projekt byl opuštěn. Pokud je možná koordinace se stávajícími správci, měla by začít co nejdříve. Je-li nutná samostatná implementace, potřebuje jasného vlastníka a důvěryhodný plán údržby. Bez nich se dnešní moderní přepis může stát zítřejším opuštěným kódem namísto spolehlivé vědecké infrastruktury.

Přestože je tato terénní zpráva je retrospektivní a průzkumná, poukazují případové studie v ní na praktickou změnu ve způsobu vývoje vědeckého softwaru. Kódovací agenti, jako je Codex, mohou výrazně snížit náklady na údržbu, migraci, optimalizaci a nové implementace. Jejich dlouhodobá vědecká hodnota nadále závisí na lidských rozhodnutích o tom, co vytvořit, jak to ověřit a kdo to bude udržovat. Hlubší změna nespočívá jen v tom, že výzkumníci mohou vytvářet více softwaru, ale také v tom, že mohou věnovat více úsilí definování, ověřování a správě nástrojů.

Tyto případové studie ukazují, že agenti již dokážou urychlit iterace ve vědeckých výpočtech. S dalším zdokonalováním agentů pro programování budou výzkumníci trávit méně času udržováním analytických procesů v chodu a více času rozvojem svých oborů.