Наукові обчислення в епоху автономного ШІ

Наукові обчислення — одна з основ сучасних досліджень в академічній сфері та промисловості. Однак програмне забезпечення для аналізу наукової інформації не встигає за стрімкими темпами генерування даних. Чимало поширених дослідницьких інструментів починалися як код, що супроводжував наукову статтю. Його створювали невеликі академічні команди з обмеженим інженерним досвідом і майже без часу на пакування, тестування, оптимізацію чи довгострокову підтримку. Унаслідок цього наукова інфраструктура часто залежить від повільних і нестійких робочих процесів, що потребують постійного обслуговування. Ці обмеження сповільнюють наукові відкриття.

Агенти ШІ вже починають змінювати цю ситуацію. Знижуючи вартість інженерної роботи й перебираючи на себе виснажливі завдання з реалізації, вони допомагають дослідникам швидше створювати прототипи ідей, братися за раніше непрактичні проєкти та спрощують довгострокову підтримку програмного забезпечення. Завдяки цьому наукове програмне забезпечення стає ефективнішим і краще підтримується, а дослідники можуть приділяти більше часу відкриттям.

Ми публікуємо попередній практичний звіт про вісім проєктів наукових обчислень із залученням агентів, переважно у сфері наук про життя: у п’яти використовували лише Codex, а в трьох — поєднання Codex і Claude Code. У звіті зібрано практичні приклади, підготовлені командами кожного проєкту, і визначено спільні теми. Проєкти охоплюють усе — від планового обслуговування й цільової оптимізації до масштабного перенесення на інші мови та перепроєктування з орієнтацією на GPU. За словами учасників, агенти суттєво прискорили розробку й підтримку програмного забезпечення, а в деяких випадках допомогли невеликим командам виконати роботу, яка інакше потребувала б значно більше часу або спеціалізованої інженерної підтримки. Водночас вони наголошують на незмінно складному завданні: визначити чітку довгострокову відповідальність за створені інструменти та забезпечити належну опіку над ними.

Учасники послідовно описують, як роль дослідників зміщується від реалізації до перевірки й координації: вони визначають, що саме потрібно створити, як оцінювати правильність і коли проєкт готовий до випуску. У цій новій моделі дослідники й надалі контролюють науковий напрям і стандарти якості, а автономна допомога дає змогу працювати швидше.

Попри значні відмінності в масштабі, ці проєкти показали, що завдяки агентам для програмування обсяг інженерної роботи й потреба у спеціальних знаннях дедалі менше обмежують наукові обчислення. Тепер вузьким місцем стає перевірка результатів роботи агента ШІ, яка досі залежить від людського судження.

У всіх розглянутих випадках агенти ефективно виконували конкретні, чітко окреслені запити, але не могли надійно оцінити наукову обґрунтованість своєї роботи чи її відповідність очікуванням. Ба більше, агенти часто демонстрували впевненість, навіть коли їхня робота містила очевидні помилки. Тому фахівцям доводилося шукати надійні способи перевірки результатів. Найдієвіші підходи спиралися на зовнішній еталон або вимірюваний критерій прийнятності: повний збіг результатів, відповідність наявному інструменту, належну статистичну поведінку чи заздалегідь визначені відповіді на основі змодельованих даних.

Ще одна спільна тема полягала в тому, що проєкти зазвичай реалізовували поетапно, ітеративно враховуючи зворотний зв’язок, а не застосовуючи підхід з одним прикладом. Учасники розбивали загальні цілі на менші зміни, а потім використовували проміжні контрольні показники й тестові системи, щоб оцінювати та вдосконалювати роботу агентів. Агенти часто швидко створювали початкову реалізацію, але опрацювання граничних випадків і незначних числових розбіжностей потребувало значно більше часу. Завершальний етап реалізації часто потребував найбільше роботи.

Загалом ці практичні приклади свідчать, що агенти дають дослідникам змогу приділяти менше часу реалізації та більше — керуванню науковою роботою. Люди визначають мету, розбивають складні проєкти на керовані частини й оцінюють наукову обґрунтованість результатів. Послаблюючи давні інженерні обмеження, агенти розширюють можливості дослідників і дають їм змогу зосередитися на найважливіших наукових питаннях і рішеннях.

Брак належної підтримки дослідницького ПЗ вже давно сповільнює ітерації та обмежує відтворюваність і надійність. Опубліковані дослідження «дослідницького коду⁠(відкривається у новому вікні)» та інструментів для оміксних даних⁠(відкривається у новому вікні) показали, що оприлюднене ПЗ часто не вдається належно встановити в новому обчислювальному середовищі або запустити відповідно до документації. Через це дослідники витрачають багато часу на налаштування й налагодження. Навіть звичайні вдосконалення можуть заощадити час дослідників і зменшити обчислювальні потреби, а рефакторинг і переписування задля підвищення продуктивності здатні принести ще більшу користь.

Однак нижча вартість реалізації також спрощує створення багатьох схожих версій. Це розпорошує користувачів і увагу експертів, потрібну для підтримання надійності кожного окремого інструмента. Тому довгострокова опіка та належне зазначення авторства вкрай важливі. Зріле наукове ПЗ має недокументовані правила, вимоги до сумісності й довіру користувачів, які неможливо відтворити простим перекладом вихідного коду.

Практичні приклади демонструють кілька можливих шляхів уперед. Зміни до MHCflurry і cyvcf2 було внесено в їхні вихідні проєкти, а rustar-aligner перейшов під опіку нової спільноти, оскільки початковий проєкт був покинутий. Якщо є можливість координувати роботу з нинішніми супровідниками, це слід починати якомога раніше. Якщо потрібна окрема реалізація, вона повинна мати чітко визначеного відповідального та надійний план підтримки. Інакше сучасна переписана версія вже завтра може перетворитися на покинутий код, а не на надійну наукову інфраструктуру.

Цей практичний звіт має ретроспективний і дослідницький характер, проте наведені приклади вказують на практичну зміну в підходах до розробки наукового ПЗ. Агенти для програмування, як-от Codex, можуть суттєво знизити витрати на підтримку, міграцію, оптимізацію та нові реалізації. Їхня довгострокова наукова цінність усе ще залежить від людських рішень: що створювати, як це перевіряти та хто це підтримуватиме. Глибша зміна полягає не лише в тому, що дослідники можуть створювати більше ПЗ, а й у тому, що вони здатні більше зосередитися на визначенні, перевірці та супроводі інструментів.

Ці практичні приклади показують, що агенти вже здатні прискорювати ітерації в наукових обчисленнях. У міру вдосконалення агентів для програмування дослідники зможуть витрачати менше часу на підтримання роботи аналітичних конвеєрів і більше — на розвиток своїх галузей.