Obliczenia naukowe w erze agentowej sztucznej inteligencji

Obliczenia naukowe są jednym z filarów współczesnych badań akademickich i przemysłowych. Jednak oprogramowanie potrzebne do analizy informacji naukowych nie nadąża za szybkim tempem generowania danych. Wiele powszechnie używanych narzędzi badawczych powstało jako kod dołączony do publikacji naukowej. Tworzyły go niewielkie zespoły akademickie o ograniczonym doświadczeniu inżynieryjnym, które miały niewiele czasu na przygotowanie pakietów, testowanie, optymalizację czy długofalowe wsparcie. W rezultacie infrastruktura naukowa często opiera się na powolnych, zawodnych procesach wymagających ciągłej konserwacji. Ograniczenia te spowalniają tempo odkryć.

Agenci AI zaczynają zmieniać tę sytuację. Obniżając koszty prac inżynieryjnych i przejmując żmudne zadania wdrożeniowe, mogą pomagać badaczom szybciej tworzyć prototypy pomysłów, realizować projekty wcześniej uznawane za niepraktyczne oraz łatwiej utrzymywać oprogramowanie w długiej perspektywie. Dzięki temu oprogramowanie naukowe staje się wydajniejsze i lepiej utrzymane, a badacze mogą poświęcać więcej czasu na odkrycia.

Udostępniamy przekrojowy raport terenowy poświęcony ośmiu projektom z zakresu obliczeń naukowych wspomaganych przez agentów, głównie w naukach przyrodniczych. W pięciu użyto wyłącznie Codex, a w trzech połączono Codex z Claude Code. Raport łączy studia przypadków przygotowane przez zespoły stojące za poszczególnymi projektami i wskazuje powtarzające się motywy. Projekty obejmują zarówno rutynową konserwację i ukierunkowaną optymalizację, jak i migracje językowe na dużą skalę oraz przeprojektowanie z myślą o natywnym wykorzystaniu GPU. Autorzy opisują, że agenci znacznie przyspieszyli rozwój i utrzymanie oprogramowania, a w niektórych przypadkach pozwolili małym zespołom podjąć prace, które w przeciwnym razie wymagałyby znacznie więcej czasu lub specjalistycznego wsparcia inżynieryjnego. Podkreślają jednak również ciągłe wyzwanie, jakim jest ustalenie jasnej, długoterminowej odpowiedzialności za powstałe narzędzia i opiekę nad nimi.

Autorzy zgodnie opisują zmianę roli badaczy: zamiast wdrażać rozwiązania, zajmują się ich weryfikacją i koordynacją — określają, co należy zbudować, jak mierzyć poprawność oraz kiedy projekt jest gotowy do wydania. W tym nowym modelu badacze nadal kontrolują kierunek naukowy i standardy jakości, a wsparcie agentowe pozwala im pracować szybciej.

Choć zakres projektów był bardzo zróżnicowany, pokazały one, że dzięki agentom programistycznym dostępność pracy i wiedzy inżynieryjnej przestaje być tak istotnym ograniczeniem w obliczeniach naukowych. Wąskim gardłem staje się teraz weryfikacja wyników pracy agenta AI, która nadal zależy od ludzkiego osądu.

We wszystkich studiach przypadków agenci skutecznie wykonywali konkretne, dobrze zdefiniowane zadania, lecz nie potrafili wiarygodnie ocenić, czy ich praca była naukowo poprawna i zgodna z oczekiwaniami. Agenci często wyrażali dużą pewność, nawet gdy ich praca zawierała oczywiste błędy. Recenzenci musieli więc znaleźć wiarygodne sposoby weryfikacji wyników. Najskuteczniejsze podejścia wykorzystywały zewnętrzny punkt odniesienia lub mierzalne kryterium akceptacji, takie jak pełna zgodność wyników, równoważność z istniejącym narzędziem, właściwe zachowanie statystyczne albo odpowiedzi ustalone wcześniej na podstawie symulowanych danych.

Innym powtarzającym się motywem było etapowe prowadzenie projektów, z kolejnymi iteracjami opartymi na informacjach zwrotnych, zamiast podejścia z jednym przykładem. Autorzy dzielili ogólne cele na mniejsze zmiany, a następnie wykorzystywali pośrednie testy wydajności i systemy testowe do oceny oraz udoskonalania pracy agentów. Agenci często szybko tworzyli pierwsze implementacje, lecz rozwiązywanie problemów brzegowych i subtelnych różnic numerycznych zajmowało znacznie więcej czasu. Ukończenie „ostatniego etapu” implementacji często wymagało najwięcej pracy.

Ogólnie rzecz biorąc, studia te wskazują, że dzięki agentom badacze mogą poświęcać mniej czasu na wdrażanie rozwiązań, a więcej na kierowanie pracami naukowymi. Ludzie określają cel, dzielą złożone projekty na łatwiejsze do wykonania części i oceniają, czy wyniki są poprawne naukowo. Łagodząc wieloletnie ograniczenia inżynieryjne, agenci poszerzają zakres tego, co badacze mogą tworzyć, i pozwalają im skupić się na najważniejszych pytaniach oraz decyzjach naukowych.

Niedostateczne utrzymanie oprogramowania badawczego od dawna spowalnia iteracje oraz ogranicza powtarzalność i wiarygodność wyników. Opublikowane badania dotyczące „kodu badawczego⁠(otwiera nowe okno)” i narzędzi omicznych⁠(otwiera nowe okno) wykazały, że opublikowane oprogramowanie często nie instaluje się poprawnie w nowym środowisku obliczeniowym lub nie działa zgodnie z dokumentacją, przez co badacze muszą poświęcać dużo czasu na konfigurację i usuwanie błędów. Nawet rutynowe ulepszenia mogą oszczędzić czas badaczy i zmniejszyć zapotrzebowanie na moc obliczeniową, a refaktoryzacja i przepisywanie kodu pod kątem wydajności mogą przynieść jeszcze większe korzyści.

Niższe koszty implementacji ułatwiają jednak tworzenie wielu podobnych nowych wersji, co rozprasza społeczność użytkowników i uwagę ekspertów potrzebną do zapewnienia niezawodności każdego narzędzia. Dlatego niezbędne są długoterminowa opieka i jasne przypisanie autorstwa. Dojrzałe oprogramowanie naukowe obejmuje nieudokumentowane konwencje, wymagania dotyczące zgodności i zaufanie użytkowników, których nie da się odtworzyć przez samo przetłumaczenie kodu źródłowego.

Studia przypadków ilustrują kilka możliwych kierunków dalszych działań. Zmiany w MHCflurry i cyvcf2 włączono do ich pierwotnych projektów nadrzędnych, natomiast rustar-aligner przekazano pod opiekę nowej społeczności, ponieważ pierwotny projekt został porzucony. Jeśli możliwa jest współpraca z obecnymi opiekunami projektu, należy rozpocząć ją jak najwcześniej. Gdy konieczna jest oddzielna implementacja, potrzebuje ona jasno wskazanego właściciela i wiarygodnego planu utrzymania. Bez tego dzisiejsza nowoczesna wersja może jutro stać się porzuconym kodem, zamiast niezawodną infrastrukturą naukową.

Ten raport terenowy ma charakter retrospektywny i rozpoznawczy, ale opisane przypadki wskazują na praktyczną zmianę w sposobie tworzenia oprogramowania naukowego. Agenci programistyczni, tacy jak Codex, mogą znacząco obniżyć koszty utrzymania, migracji, optymalizacji i tworzenia nowych implementacji. Ich długoterminowa wartość naukowa nadal zależy od decyzji ludzi: co stworzyć, jak to zweryfikować i kto będzie to utrzymywać. Głębsza zmiana nie polega wyłącznie na tym, że badacze mogą tworzyć więcej oprogramowania, lecz na tym, że mogą poświęcić więcej wysiłku na definiowanie, weryfikowanie i pielęgnowanie narzędzi.

Studia te pokazują, że agenci już dziś mogą przyspieszać kolejne iteracje w obliczeniach naukowych. W miarę rozwoju agentów programistycznych badacze będą mogli poświęcać mniej czasu na podtrzymywanie działania procesów analitycznych, a więcej na rozwój swoich dziedzin.