Научно рачунарство у доба агентског AI-ја

Научно рачунарство је један од главних стубова савремених истраживања у академској заједници и привредном сектору. Ипак, софтвер потребан за анализу научних информација тешко прати брзину настајања података. Многи широко коришћени истраживачки алати настали су као код уз научни рад, а развијали су их мали академски тимови с мало инжењерског искуства и времена за паковање, тестирање, оптимизацију или дугорочну подршку. Због тога се научна инфраструктура често ослања на споре и крхке токове рада који захтевају стално одржавање. Та ограничења успоравају открића.

AI агенти почињу да мењају ту рачуницу. Снижавањем трошкова инжењерског рада и преузимањем заморних задатака имплементације могу помоћи истраживачима да брже израђују прототипове идеја, покрећу раније непрактичне пројекте и лакше дугорочно одржавају софтвер. Тако научни софтвер постаје ефикаснији и боље одржаван, а истраживачи добијају више времена за открића.

Објављујемо истраживачки извештај са терена о осам пројеката научног рачунарства уз помоћ агената, првенствено у природним наукама: пет је користило само Codex, а три комбинацију алата Codex и Claude Code. Извештај обједињује студије случаја које су написали тимови иза сваког пројекта и издваја теме које се понављају. Пројекти обухватају све — од редовног одржавања и циљане оптимизације до великих миграција програмских језика и редизајна заснованог на GPU-у. Сарадници наводе да су агенти знатно убрзали развој и одржавање софтвера, а у неким случајевима помогли малим тимовима да обаве послове који би иначе захтевали много више времена или специјализовану инжењерску подршку. Међутим, истичу и трајни изазов успостављања јасне, дугорочне одговорности и старања о насталим алатима.

Сарадници доследно описују промену улоге истраживача — са имплементације на проверу и оркестрацију: одређивање шта треба направити, дефинисање начина мерења исправности и одлучивање када је пројекат спреман за објављивање. У овом новом моделу истраживачи задржавају контролу над научним усмерењем и критеријумима квалитета, док помоћ агената повећава брзину рада

Иако су се пројекти веома разликовали по обиму, показали су да агенти за програмирање чине инжењерски рад и стручност мањим ограничењем у научном рачунарству. Сада је уско грло провера резултата AI агента, која и даље зависи од људског расуђивања.

У свим студијама случаја агенти су успешно решавали конкретне, јасно ограничене захтеве, али нису могли поуздано да процене да ли је њихов рад научно ваљан или испуњава очекивања. Штавише, агенти су често исказивали уверење чак и када је њихов рад садржао очигледне грешке. Зато су људи који су прегледали рад морали да пронађу поуздане начине за проверу резултата. Најбољи приступи користили су спољну референцу или мерљив критеријум прихватања, као што су потпуно подударање резултата, једнакост с постојећим алатом, одговарајуће статистичко понашање или одговори унапред утврђени помоћу симулираних података.

Још једна тема која се понављала била је да су пројекти углавном напредовали по фазама, кроз итерације засноване на повратним информацијама, уместо приступом с једним примером. Сарадници су шире циљеве делили на мање измене, а затим користили међурезултате и системе за тестирање да оцене и унапреде рад агената. Агенти су често брзо правили почетне имплементације, али је решавање граничних случајева и суптилних нумеричких разлика трајало знатно дуже. Завршетак „последње деонице” имплементације често је захтевао највише рада.

Све у свему, ове студије случаја указују на то да агенти омогућавају истраживачима да мање времена троше на имплементацију, а више на усмеравање научног рада. Људи дефинишу циљ, деле сложене пројекте на изводљиве целине и процењују да ли су резултати научно ваљани. Ублажавањем дуготрајних инжењерских ограничења, агенти проширују могућности истраживача и ослобађају их да се усредсреде на најважнија научна питања и одлуке.

Недовољно одржавање истраживачког софтвера већ дуго успорава итерације и ограничава поновљивост и поузданост. Објављене студије о „истраживачком коду⁠(отвара се у новом прозору)” и алатима за омике⁠(отвара се у новом прозору) показале су да објављени софтвер често не може правилно да се инсталира у новом рачунарском окружењу нити да ради како је документовано, па истраживачи морају да троше много времена на конфигурисање и отклањање грешака. Чак и рутинска побољшања могу истраживачима уштедети време и смањити рачунарске захтеве, док рефакторисање и поновно писање ради бољих перформанси могу донети веће добитке.

Међутим, нижи трошкови имплементације олакшавају и стварање бројних сличних верзија, што дели кориснике и распршује пажњу стручњака потребну да би било који појединачни алат остао поуздан. Зато су дугорочно старање и јасно приписивање заслуга неопходни. Зрео научни софтвер носи недокументоване конвенције, захтеве за компатибилност и поверење корисника које само превођење изворног кода не може да преслика.

Студије случаја показују неколико могућих путева напред. Измене алата MHCflurry и cyvcf2 уграђене су у њихове изворне пројекте, док је rustar-aligner прешао под старање нове заједнице јер је првобитни пројекат био напуштен. Када је координација с постојећим одржаваоцима могућа, треба је започети што раније. Када је засебна имплементација неопходна, мора имати јасног власника и веродостојан план одржавања. Без тога, данашња модерна верзија сутра може постати напуштен код, уместо поуздане научне инфраструктуре.

Овај извештај са терена је ретроспективан и истраживачки, али студије случаја указују на практичну промену начина развоја научног софтвера. Агенти за програмирање попут алата Codex могу знатно да смање трошкове одржавања, миграције, оптимизације и нових имплементација. Њихова дугорочна научна вредност и даље зависи од људских одлука о томе шта треба направити, како то проверити и ко ће то одржавати. Суштинска промена није само у томе што истраживачи могу да направе више софтвера, већ и што могу више труда да посвете дефинисању, провери и старању о алатима.

Ове студије случаја показују да агенти већ могу да убрзају итерације у научном рачунарству. Како се агенти за програмирање буду усавршавали, истраживачи ће моћи да троше мање времена на одржавање аналитичких токова, а више на напредак својих области.