We wtorek obliczenia naukowe w trybie „agentic AI” wykonały bardzo konkretny krok naprzód: OpenAI opublikowało raport terenowy, z którego wynika, że naukowcy wykorzystali AI Coding Agents do skondensowania pracy nad oprogramowaniem badawczym z miesięcy do kilku dni.
Raport dokumentuje realne wdrożenia w genomice i szerzej – w biologii obliczeniowej. Zadania, które wcześniej zajmowały 18 miesięcy, zostały zrealizowane w około tydzień.
OpenAI przedstawia to jako dowód, że agentowe systemy AI już dziś zmieniają sposób prowadzenia badań. To nie obietnica na przyszłość, lecz realna, działająca zdolność.
Agentowa AI w obliczeniach naukowych: co faktycznie pokazał raport OpenAI
Głównym tematem raportu są agentowe systemy AI w obliczeniach naukowych – i wnioski są bardzo konkretne. Zespoły pracujące nad liniami przetwarzania danych genomowych użyły AI Coding Agents do modernizacji przestarzałego oprogramowania naukowego w tempie, które dwa lata temu wydawałoby się nierealne.
W jednym z opisanych przypadków modernizacja krytycznego systemu była szacowana na 18 miesięcy pracy inżynierów. Z pomocą AI Coding Agents to samo zadanie wykonano w tydzień.
Ta, sięgająca 90%, kompresja czasu nie wynika jednak wyłącznie z szybszego pisania kodu.
Odzwierciedla zupełnie inny model pracy. Agenci nie ograniczali się do podpowiadania kolejnych linii.
Odczytywali istniejącą bazę kodu, identyfikowali miejsca przestarzałe, proponowali przebudowę, testowali wyniki i iterowali – przy minimalnej ingerencji człowieka pomiędzy etapami. Naukowcy definiowali cele, a nie każdy pojedynczy krok.
To właśnie odróżnia agenta AI od klasycznego asystenta programisty.
Copilot sugeruje następną linię kodu. Agent planuje wieloetapowe zadanie, realizuje je w ramach sesji, monitoruje własne wyjścia i poprawia je, gdy wyniki odbiegają od oczekiwań.
Raport OpenAI jest jednym z najpełniejszych publicznych opisów tego, jak wygląda takie podejście w praktyce w instytucji badawczej.
Dlaczego to właśnie genomika stała się poligonem dla AI Coding Agents
Genomika jest naturalnym polem testowym dla agentowej AI z przyczyn strukturalnych. Cała dziedzina opiera się na oprogramowaniu z długą historią – często sprzed dekad – pisanym w językach takich jak Fortran czy C przez naukowców, którzy przedkładali poprawność nad łatwość utrzymania.
Ten „dług technologiczny” narasta. Modernizacja linii przetwarzania danych genomowych zazwyczaj wymaga inżynierów rozumiejących zarówno biologię, jak i architekturę oprogramowania.
To połączenie kompetencji jest rzadkie i kosztowne.
AI Coding Agents omijają ten problem niedoboru. Potrafią czytać dokumentację w wielu językach programowania, rozumieją naukowe komentarze w starym kodzie i generują nowoczesne odpowiedniki bez konieczności wieloletniego szkolenia domenowego.
Wąskie gardło przesuwa się z „znaleźć właściwego inżyniera” na „dobrze zdefiniować cel”. To znacznie łatwiejsze zadanie.
Zobacz też: Ataki „crypto wrench” sięgają 52 przypadków w pół roku, większość we Francji
Raport OpenAI dotyka także tematu przyspieszenia odkryć wykraczającego poza samą modernizację oprogramowania.
Agenci, którzy uruchamiają szybszy kod, w czystszych pipeline’ach, na większych zbiorach danych, generują wyniki szybciej. W genomice szybsze wyniki oznaczają wcześniejszą identyfikację wariantów genetycznych, szybszą walidację celów dla nowych terapii i krótszą drogę od hipotezy do eksperymentalnego potwierdzenia.
Przewaga szybkości kumuluje się.
Jak ostrożność Sama Altmana wypada na tle tego przyspieszenia
Raport OpenAI ukazał się tego samego dnia, gdy CEO OpenAI Sam Altman powiedział w rozmowie z TechCrunch, że firma może potrzebować „spowolnić tempo rozwoju AI, aby świat był na nią gotowy”. Ta napięta równowaga jest realna i warta nazwania.
Spółka, która z jednej strony publikuje dowody, że jej AI Coding Agents skracają 18‑miesięczne projekty badawcze do tygodnia, a z drugiej sugeruje, że świat może nie być gotowy na kolejny etap, wcale nie popada w sprzeczność.
Opisuje tę samą sytuację z dwóch perspektyw.
Raport terenowy pokazuje zdolność. Wypowiedź Altmana – konsekwencje.
Oba stwierdzenia są trafne. Pytanie, którego nie rozstrzygają, brzmi: kto tak naprawdę wyznacza tempo – laboratoria, regulatorzy czy naukowcy, którzy już dziś uruchamiają agentów w działających pipeline’ach genomiki.
Od ciekawostki badawczej do infrastruktury naukowej
Szerszy wzorzec jest jasny: AI Coding Agents w obliczeniach naukowych nie są już testowane – one są wdrażane.
Raport OpenAI ma charakter raportu z pola, a nie klasycznej pracy naukowej. Ta różnica ma znaczenie.
Artykuł naukowy opisuje to, co jest możliwe w warunkach kontrolowanych. Raport terenowy opisuje, co stało się wtedy, gdy prawdziwi naukowcy użyli realnych narzędzi do rozwiązania realnych problemów i zmierzyli rezultat.
Historycznie obliczenia naukowe wyraźnie odstawały od oprogramowania konsumenckiego pod względem szybkości adaptacji nowych narzędzi.
Udokumentowane w raporcie OpenAI skrócenie z 18 miesięcy do jednego tygodnia sugeruje, że ta luka zamyka się szybciej, niż większość instytucji zakładała. Laboratoria i uniwersytety, które nie przeanalizowały jeszcze swoich baz kodu pod kątem modernizacji z pomocą agentów, są już mierzalnie za tymi, które to zrobiły.
Przypadek genomiki nie jest przy tym ograniczony do biologii.
Chemia obliczeniowa, modelowanie klimatu, astrofizyka czy nauka o materiałach również opierają się na równie starych bazach kodu, utrzymywanych przez równie wąską grupę specjalistów. Mechanizmy, które uczyniły z genomiki pierwszego ruchomierza, działają w każdej dziedzinie intensywnie wykorzystującej moc obliczeniową.
To, co OpenAI opisało w jednym obszarze, najpewniej da się powtórzyć w kilkunastu innych.
Czytaj dalej: Portfel Sparrow w sklepie Apple był fałszywy – zniknęło 1,8 mln USD