Научные вычисления в эпоху агентного ИИ

Научные вычисления — одна из основ современных исследований в академической среде и промышленности. Однако программное обеспечение для анализа научной информации не успевает за стремительным ростом объема данных. Многие широко используемые исследовательские инструменты начинались как код, прилагавшийся к научной статье. Его создавали небольшие академические группы с ограниченным инженерным опытом и почти без времени на упаковку, тестирование, оптимизацию и долгосрочную поддержку. В результате научная инфраструктура часто зависит от медленных и хрупких рабочих процессов, требующих постоянного обслуживания. Эти ограничения замедляют научные открытия.

ИИ-агенты меняют ситуацию. Снижая стоимость инженерных работ и беря на себя рутинные задачи реализации, они помогают исследователям быстрее создавать прототипы идей, браться за проекты, прежде считавшиеся непрактичными, и упрощают долгосрочное сопровождение программного обеспечения. В результате научное ПО становится эффективнее и лучше поддерживается, а исследователи могут уделять больше времени открытиям.

Мы публикуем предварительный отчет о восьми проектах в области научных вычислений, преимущественно для наук о жизни, реализованных с помощью агентов: в пяти использовался только Codex, а в трех — сочетание Codex и Claude Code. В отчете собраны примеры, подготовленные командами каждого проекта, и выявлены общие темы. Проекты охватывают широкий спектр задач: от повседневного обслуживания и точечной оптимизации до масштабного перехода на другие языки и переработки архитектуры с расчетом на GPU. По словам участников, агенты значительно ускорили разработку и сопровождение ПО, а в ряде случаев позволили небольшим командам выполнить работу, которая иначе потребовала бы гораздо больше времени или помощи профильных инженеров. Но они также отмечают сохраняющуюся проблему: необходимо четко определить, кто будет нести долгосрочную ответственность за созданные инструменты и поддерживать их.

Участники единодушно отмечают, что роль исследователей смещается от реализации к проверке и координации: они определяют, что нужно создать, как оценивать корректность и когда проект готов к выпуску. В этой формирующейся модели исследователи по-прежнему определяют научное направление и стандарты качества, а агентная помощь ускоряет работу.

Хотя проекты сильно различались по масштабу, они показали, что благодаря агентам для программирования нехватка инженерных ресурсов и компетенций становится менее серьезным ограничением в научных вычислениях. Теперь узким местом становится проверка результатов работы ИИ-агента, которая по-прежнему требует человеческого суждения.

Во всех рассмотренных проектах агенты эффективно выполняли конкретные, четко ограниченные задачи, но не могли надежно оценить научную обоснованность своей работы и ее соответствие ожиданиям. Более того, агенты часто выражали уверенность, даже когда их работа содержала явные ошибки. Поэтому рецензентам приходилось искать надежные способы проверки результатов. Наиболее надежные подходы опирались на внешний эталон или измеримый критерий приемки: полное совпадение результатов, соответствие существующему инструменту, надлежащее статистическое поведение либо заранее полученные ответы для смоделированных данных.

Еще одна общая черта состояла в том, что проекты обычно выполнялись поэтапно, с итерациями на основе обратной связи, а не как подходы с одним примером. Участники разбивали общие цели на небольшие изменения, а затем оценивали и совершенствовали работу агентов с помощью промежуточных тестов производительности и тестовых систем. Агенты часто быстро создавали первоначальную реализацию, но обработка пограничных случаев и устранение небольших численных расхождений занимали гораздо больше времени. Завершающий этап реализации нередко требовал больше всего усилий.

В целом эти примеры показывают, что агенты позволяют исследователям тратить меньше времени на реализацию и больше — на руководство научной работой. Люди определяют цель, разбивают сложные проекты на выполнимые части и оценивают научную обоснованность результатов. Снимая давние инженерные ограничения, агенты расширяют возможности исследователей и позволяют им сосредоточиться на наиболее важных научных вопросах и решениях.

Недостаточное сопровождение исследовательского ПО давно замедляет совершенствование, а также ограничивает воспроизводимость и надежность результатов. Опубликованные исследования «исследовательского кода⁠(открывается в новом окне)» и инструментов для омиксных исследований⁠(открывается в новом окне) показали, что опубликованное ПО часто не удается корректно установить в новой вычислительной среде или запустить согласно документации. В итоге исследователи тратят много времени на настройку и отладку. Даже обычные улучшения экономят время исследователей и вычислительные ресурсы, а рефакторинг и переработка ради повышения производительности могут принести еще большую пользу.

Однако снижение затрат на реализацию также упрощает создание множества похожих версий, что дробит сообщество пользователей и рассеивает внимание специалистов, необходимое для поддержания надежности каждого инструмента. Поэтому долгосрочная поддержка и указание авторства крайне важны. В зрелом научном ПО есть недокументированные соглашения, требования совместимости и доверие пользователей, которые невозможно воспроизвести одним лишь переносом исходного кода.

Рассмотренные проекты демонстрируют несколько возможных путей развития. Изменения в MHCflurry и cyvcf2 были включены в исходные проекты, а rustar-aligner перешел под управление нового сообщества, поскольку первоначальный проект был заброшен. Если есть возможность взаимодействовать с текущими сопровождающими, координацию следует начинать как можно раньше. Если требуется отдельная реализация, у нее должны быть четко определенный владелец и надежный план сопровождения. Без этого современная сегодня реализация завтра может стать заброшенным кодом, а не надежной научной инфраструктурой.

Этот отчет носит ретроспективный и предварительный характер, однако рассмотренные проекты указывают на практические изменения в разработке научного ПО. Агенты для программирования, такие как Codex, могут значительно снизить стоимость сопровождения, миграции, оптимизации и создания новых реализаций. Их долгосрочная научная ценность по-прежнему зависит от решений людей о том, что создавать, как проверять результат и кто будет его поддерживать. Более глубокое изменение состоит не просто в том, что исследователи могут создавать больше программ, а в том, что они могут уделять больше усилий определению, проверке и сопровождению инструментов.

Эти примеры показывают, что агенты уже способны ускорить циклы совершенствования в научных вычислениях. По мере развития агентов для программирования исследователи смогут тратить меньше времени на поддержание аналитических процессов и больше — на развитие своих научных областей.