We wtorek obliczenia naukowe oparte na agentach AI wykonały wyraźny krok naprzód: OpenAI opublikowało raport terenowy, z którego wynika, że badacze wykorzystali AI Coding Agents, by zredukować prace nad oprogramowaniem naukowym z miesięcy do dni.
Raport dokumentuje realne wdrożenia w genomice i szerzej – w biologii obliczeniowej, gdzie zadania planowane na 18 miesięcy zrealizowano w około tydzień.
OpenAI przedstawia to jako dowód, że „agentyczne” AI już dziś zmienia sposób prowadzenia odkryć naukowych – to nie obietnica na przyszłość, lecz funkcjonująca obecnie technologia w aktywnym użyciu.
Agentic AI w obliczeniach naukowych: co faktycznie pokazuje raport OpenAI
Głównym tematem raportu są obliczenia naukowe z udziałem agentów AI – i wnioski są bardzo konkretne. Naukowcy pracujący nad pipeline’ami genomicznymi użyli AI Coding Agents do modernizacji przestarzałego oprogramowania naukowego w tempie, które dwa lata temu wydawałoby się nierealne.
W jednym z opisanych przypadków modernizacja oprogramowania była szacowana na 18 miesięcy pracy inżynierów. Z pomocą AI Coding Agents udało się ją przeprowadzić w tydzień.
Ten ok. 90‑procentowy „skrót” nie wynika tylko z szybszego pisania kodu.
To efekt zupełnie innego modelu pracy. Agenci AI nie ograniczali się do autouzupełniania linijek.
Czytali istniejącą bazę kodu, identyfikowali przestarzałe fragmenty, proponowali przepisywanie, testowali wyniki i iterowali – wszystko przy minimalnej ingerencji człowieka pomiędzy kolejnymi etapami. Naukowcy wyznaczali agentom cele zamiast szczegółowo rozpisywać każdy krok.
To kluczowa różnica między agentem AI a tradycyjnym asystentem programisty.
Copilot podpowiada kolejną linijkę. Agent planuje wieloetapowe zadanie, realizuje je w trakcie całej sesji, monitoruje własne wyniki i poprawia je, gdy odbiegają od oczekiwań.
Raport OpenAI jest jednym z najklarowniejszych publicznych opisów tego, jak wygląda to w praktyce w instytucji badawczej.
Dlaczego to właśnie genomika jako pierwsza pokazała wartość agentów kodujących
Genomika jest naturalnym poligonem doświadczalnym dla agentów AI z powodów strukturalnych. Dziedzina ta opiera się na dziedziczonym od lat oprogramowaniu – często sprzed dekad – napisanym w językach takich jak Fortran czy C przez naukowców, którzy przedkładali poprawność obliczeń nad łatwość utrzymania kodu.
Ten „dług technologiczny” narasta. Modernizacja pipeline’u genomicznego zwykle wymaga inżynierów rozumiejących zarówno biologię, jak i architekturę oprogramowania.
Taka kombinacja kompetencji jest rzadka i kosztowna.
AI Coding Agents omijają problem niedoboru specjalistów. Potrafią czytać dokumentację w wielu językach programowania, interpretować komentarze naukowe w starym kodzie i generować jego nowoczesne odpowiedniki bez wieloletniego szkolenia domenowego.
Wąskie gardło przesuwa się więc z „znajdź właściwego inżyniera” na „zdefiniuj właściwy cel dla agenta”. To zdecydowanie łatwiejsze zadanie.
Przeczytaj także: Ataki „crypto wrench” sięgają 52 przypadków w pół roku, większość we Francji
Raport OpenAI porusza również kwestię przyspieszenia odkryć naukowych wykraczającego poza samą modernizację oprogramowania.
Agenci, którzy uruchamiają szybszy kod, w czystszych pipeline’ach, na większych zbiorach danych, dostarczają wyniki szybciej. W genomice oznacza to wcześniejszą identyfikację wariantów genetycznych, szybszą weryfikację celów dla leków i krótszą drogę od hipotezy do potwierdzenia eksperymentalnego.
Przewaga szybkości ma efekt kumulatywny.
Jak ostrożność Sama Altmana wpisuje się w to przyspieszenie
Raport OpenAI ukazał się tego samego dnia, gdy CEO OpenAI Sam Altman powiedział w rozmowie z TechCrunch, że firma może „spowolnić tempo rozwoju AI, aby świat był na to gotowy”. Ta sprzeczność jest pozorna, ale napięcie jest realne.
Spółka, która z jednej strony publikuje dowody, że jej AI Coding Agents skracają 18‑miesięczne projekty naukowe do tygodnia, a z drugiej sugeruje, że świat może nie być gotowy na kolejne etapy, nie popada w konflikt.
To dwie perspektywy na tę samą sytuację.
Raport terenowy pokazuje możliwości. Komentarz Altmana akcentuje konsekwencje.
Oba spojrzenia są trafne. Otwarte pozostaje pytanie, kto faktycznie będzie regulował tempo – laboratoria, regulatorzy czy badacze, którzy już uruchamiają agentów w działających pipeline’ach genomicznych.
Od ciekawostki badawczej do infrastruktury naukowej
Szerszy obraz jest taki, że AI Coding Agents w obliczeniach naukowych przestały być tylko obiektem ewaluacji – są wdrażane produkcyjnie.
Raport OpenAI ma charakter raportu terenowego, a nie publikacji naukowej. To istotna różnica.
Artykuł naukowy opisuje, co jest możliwe w warunkach kontrolowanych. Raport terenowy opisuje, co faktycznie wydarzyło się, gdy prawdziwi naukowcy użyli realnych narzędzi do rozwiązania konkretnych problemów i zmierzyli efekt.
Historycznie obliczenia naukowe pozostawały w tyle za oprogramowaniem konsumenckim, jeśli chodzi o adopcję nowych narzędzi.
Udokumentowane w raporcie skrócenie prac z 18 miesięcy do jednego tygodnia sugeruje, że ta luka zamyka się szybciej, niż większość instytucji zakładała. Laboratoria i uczelnie, które wciąż nie przeanalizowały swoich baz kodu pod kątem modernizacji z pomocą agentów, są dziś mierzalnie za tymi, które już to zrobiły.
Przypadek genomiki nie jest przy tym ograniczony do biologii.
Chemia obliczeniowa, modelowanie klimatu, astrofizyka czy nauka o materiałach opierają się na równie starych bazach kodu i równie ograniczonej liczbie ich opiekunów. Mechanizmy, które uczyniły z genomiki pioniera, działają w każdej dziedzinie wymagającej intensywnych obliczeń.
To, co OpenAI udokumentowało w jednej dyscyplinie, prawdopodobnie da się odtworzyć w kilkunastu innych.
Następny artykuł: Portfel Sparrow w sklepie Apple był fałszywy – zniknęło 1,8 mln dolarów