Siyentipikong computing sa panahon ng agentic AI

Ang siyentipikong computing ay pangunahing haligi ng makabagong pananaliksik sa akademya at industriya. Ngunit nahihirapang makasabay sa mabilis na pagdami ng data ang software na kailangan upang suriin ang siyentipikong impormasyon. Maraming malawakang ginagamit na tool sa pananaliksik ang nagsimula bilang code na kalakip ng isang research paper, na binuo ng maliliit na akademikong pangkat na may limitadong karanasan sa engineering at kaunting panahon para sa packaging, testing, optimization, o pangmatagalang suporta. Ang resulta ay siyentipikong imprastraktura na madalas umaasa sa mababagal at marurupok na workflow na nangangailangan ng tuloy-tuloy na maintenance. Pinabagal ng mga limitasyong ito ang pagtuklas.

Nagsisimula nang baguhin ng mga AI agent ang sitwasyong ito. Sa pagpapababa ng gastos sa engineering at pag-asikaso sa nakakapagod na mga gawain sa implementation, matutulungan nila ang mga mananaliksik na mas mabilis na gumawa ng prototype, ituloy ang mga proyektong dati ay hindi praktikal, at mas madaling magpanatili ng software sa pangmatagalan. Dahil dito, nagiging mas mahusay at mas napapanatili ang siyentipikong software, kaya mas maraming oras ang nailalaan ng mga mananaliksik sa pagtuklas.

Ibinabahagi namin ang isang eksploratoryong field report tungkol sa walong proyekto sa siyentipikong computing na may tulong ng mga agent at pangunahing nakatuon sa life sciences; lima ang gumamit lamang ng Codex, at tatlo ang gumamit ng Codex kasama ng Claude Code. Pinagsasama-sama ng ulat ang mga case study na isinulat ng mga pangkat sa likod ng bawat proyekto at tinutukoy ang mga umuulit na tema. Saklaw ng mga proyekto ang regular na maintenance at tiyak na optimization, hanggang sa malawakang paglilipat ng wika at mga redesign na GPU-native. Ayon sa mga contributor, lubos na pinabilis ng mga agent ang pagbuo at maintenance ng software, at sa ilang kaso ay natulungan ang maliliit na pangkat na gawin ang trabahong mangangailangan sana ng mas mahabang panahon o espesyalistang suporta sa engineering. Ngunit binibigyang-diin din nila ang patuloy na hamon ng pagtatakda ng malinaw at pangmatagalang pananagutan at pangangasiwa sa mga nalikhang tool.

Palaging inilalarawan ng mga contributor ang pagbabago ng papel ng mga mananaliksik mula sa implementation tungo sa verification at orchestration: pagtukoy kung ano ang bubuuin, paglalarawan kung paano susukatin ang pagiging tama, at pagpapasya kung kailan handa nang ilabas ang proyekto. Sa umuusbong na modelong ito, nananatiling kontrolado ng mga mananaliksik ang siyentipikong direksyon at pamantayan ng kalidad, habang pinabibilis ng tulong na agentic ang kanilang gawain

Bagama't lubhang magkakaiba ang saklaw ng mga proyekto, ipinakita ng mga ito na nababawasan ng mga coding agent ang mga limitasyon sa paggawa at kadalubhasaan sa engineering para sa siyentipikong computing. Ngayon, ang bottleneck ay ang pag-validate sa output ng isang AI agent, na nakasalalay pa rin sa pagpapasya ng tao.

Sa lahat ng case study, mahusay na tinugunan ng mga agent ang mga tiyak at malinaw ang saklaw na kahilingan, ngunit hindi nila mapagkakatiwalaang matukoy kung wasto sa siyensya o naaayon sa inaasahan ang kanilang ginawa. Sa katunayan, madalas magpakita ng kumpiyansa ang mga agent kahit may malinaw na pagkakamali ang kanilang ginawa. Kaya kinailangang humanap ng mga human reviewer ng mapagkakatiwalaang paraan upang i-validate ang mga resulta. Gumamit ang pinakamahuhusay na paraan ng panlabas na sanggunian o nasusukat na target sa pagtanggap, gaya ng eksaktong pagtutugma ng output, pagkakapantay sa isang umiiral na tool, naaangkop na statistical behavior, o mga sagot na itinakda nang maaga gamit ang simulated data.

Isa pang umuulit na tema ang karaniwang pagsulong ng mga proyekto nang paunti-unti sa pamamagitan ng mga iteration na ginagabayan ng feedback, sa halip na mga one-shot na paraan. Hinati ng mga contributor ang malalawak na layunin sa mas maliliit na pagbabago, saka gumamit ng mga pansamantalang benchmark at test system upang suriin at paghusayin ang ginawa ng mga agent. Madalas mabilis nakagawa ng mga paunang implementation ang mga agent, ngunit mas matagal ang paglutas sa mga edge case at banayad na numerical difference. Madalas ang pinakamaraming trabaho ay napupunta sa pagkumpleto ng “huling yugto” ng isang implementation.

Sa kabuuan, ipinahihiwatig ng mga case study na ito na tinutulungan ng mga agent ang mga mananaliksik na maglaan ng mas kaunting oras sa implementation at mas maraming oras sa pangangasiwa sa gawaing siyentipiko. Itinatakda ng mga tao ang layunin, hinahati ang mga kumplikadong proyekto sa mga bahaging kayang pamahalaan, at tinataya kung wasto sa siyensya ang mga resulta. Sa pagpapagaan ng matagal nang mga limitasyon sa engineering, napalalawak ng mga agent ang kayang buuin ng mga mananaliksik habang binibigyan sila ng kalayaang tumuon sa pinakamahahalagang siyentipikong tanong at pasya.

Matagal nang nagpapabagal sa iteration at naglilimita sa reproducibility at pagiging maaasahan ang kakulangan sa maintenance ng software sa pananaliksik. Natuklasan ng mga nailathalang pag-aaral tungkol sa “research code⁠(magbubukas sa bagong window)” at mga omics tool⁠(magbubukas sa bagong window) na madalas hindi ma-install nang maayos ang inilathalang software sa bagong computing setup o hindi ito gumagana ayon sa dokumentasyon, kaya napipilitang gumugol ng maraming oras ang mga mananaliksik sa configuration at debugging. Kahit ang mga karaniwang pagpapahusay ay makatitipid sa oras ng mga mananaliksik at makababawas sa pangangailangan sa computing, habang mas malaki ang pakinabang na maibibigay ng performance-based refactoring at muling pagsulat.

Ngunit dahil sa mas mababang gastos sa implementation, mas madali ring gumawa ng maraming magkakatulad na bersyon, na naghahati sa mga user at nagkakalat sa atensyon ng mga ekspertong kailangan upang mapanatiling maaasahan ang bawat tool. Dahil dito, napakahalaga ng pangmatagalang pangangasiwa at wastong pagkilala sa mga gumawa. Taglay ng matatag nang siyentipikong software ang mga hindi dokumentadong convention, kinakailangan sa compatibility, at tiwala ng user na hindi kayang kopyahin sa simpleng pagsasalin lamang ng source code.

Inilalarawan ng mga case study ang ilang posibleng paraan upang sumulong. Isinama ang mga pagbabago sa MHCflurry at cyvcf2 sa kanilang orihinal na upstream project, habang inilipat ang rustar-aligner sa bagong pangangasiwa ng komunidad dahil pinabayaan na ang orihinal na proyekto. Kung posibleng makipag-ugnayan sa mga kasalukuyang maintainer, dapat itong simulan sa lalong madaling panahon. Kapag kailangan ang hiwalay na implementation, dapat itong magkaroon ng malinaw na may-ari at kapani-paniwalang plano sa maintenance. Kung wala iyon, ang modernong muling pagsulat ngayon ay maaaring maging pinabayaang code bukas sa halip na maaasahang siyentipikong imprastraktura.

Retrospektibo at eksploratoryo ang field report na ito, ngunit ipinahihiwatig ng mga case study ang isang praktikal na pagbabago sa paraan ng pagbuo ng siyentipikong software. Malaking maibababa ng mga coding agent tulad ng Codex ang gastos sa maintenance, migration, optimization, at mga bagong implementation. Nakasalalay pa rin ang pangmatagalang siyentipikong halaga ng mga ito sa mga pasya ng tao tungkol sa kung ano ang bubuuin, paano ito ive-verify, at sino ang magpapanatili nito. Ang mas malalim na pagbabago ay hindi lamang na makagagawa ang mga mananaliksik ng mas maraming software, kundi mas maitutuon nila ang kanilang pagsisikap sa pagtukoy, pag-validate, at pangangasiwa sa mga tool.

Ipinapakita ng mga case study na ito na kaya na ng mga agent na pabilisin ang iteration sa siyentipikong computing. Habang umuunlad ang mga coding agent, mas kaunting oras ang gugugulin ng mga mananaliksik sa pagpapanatiling gumagana ng mga analysis pipeline at mas maraming oras sa pagsusulong ng kanilang mga larangan.