Zespół Rossa Kinga z Chalmers University of Technology w Göteborgu zbudował system AI, który na podstawie bazy około 60 tys. faktów o drożdżach piekarskich sam formułuje hipotezy, projektuje eksperymenty i zleca je robotowi laboratoryjnemu Eve. Z 1933 wygenerowanych hipotez system ocenił dziewięć, a dwie autorzy uznali za potwierdzone, w tym nieopisany wcześniej ochronny wpływ aminoadypinianu na komórki drożdży narażone na kwas mrówkowy.
- System AI zbudowany przez zespół Rossa Kinga z Chalmers University of Technology wygenerował 1933 hipotezy dotyczące drożdży piekarskich Saccharomyces cerevisiae, przetestował osiem z nich w laboratorium przy użyciu robota Eve i potwierdził dwie, w tym nieopisany wcześniej ochronny wpływ aminoadypinianu na komórki drożdży narażone na kwas mrówkowy.
- Hipotezy w systemie powstają nie z dużych modeli językowych, lecz z indukcyjnego programowania logicznego i statystyki analizujących bazę około 60 tys. faktów o drożdżach, a GPT-4o od OpenAI pełni wyłącznie rolę wykonawczą – przekształca gotowe hipotezy na plan eksperymentu czytelny dla robota.
- Człowiek nadal uczestniczy w kilku etapach pracy systemu: przygotowuje roztwory podstawowe i próbki referencyjne, przenosi płytki między urządzeniami oraz zatwierdza bezpieczeństwo każdego zaproponowanego eksperymentu, choć autorzy uważają te czynności za możliwe do zautomatyzowania w przyszłości.
Wyniki opisano w czasopiśmie naukowym Journal of the Royal Society Interface (tom 23, nr 240). Praca trafiła do redakcji 12 stycznia 2026 r., a do druku przyjęto ją 15 maja 2026 r. Szeroko o projekcie zrobiło się jednak dopiero teraz, po komunikacie Chalmers i publikacji Euronews z 2 października.
Zajrzałem do pełnego tekstu badania, bo nagłówki w stylu „AI sama prowadzi badania” mówią tylko część prawdy. System jest pomysłowy i naprawdę domyka pętlę od pomysłu do wyniku. Skala przetestowanych hipotez jest jednak na razie mała, a człowiek nadal pilnuje kilku etapów.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Hipotezy tworzy logika, a modele językowe projektują eksperymenty
Najciekawsze w pracy zespołu Chalmers jest to, że duże modele językowe (LLM) nie wymyślają w niej hipotez. Hipotezy powstają z programowania logicznego i statystyki, a LLM zamienia je na plan eksperymentu, który robot może wykonać.
Badacze zbudowali bazę danych w języku Datalog zawierającą około 60 tys. relacji fenotypowych, fizjologicznych i metabolicznych dla drożdży Saccharomyces cerevisiae. Dane pochodzą z publicznych źródeł, m.in. Saccharomyces Genome Database, ChEBI, STITCH i modelu metabolizmu Yeast9.
Cały cykl wygląda tak:
- Indukcyjne programowanie logiczne (ILP, metoda uczenia maszynowego, która z danych wyprowadza czytelne reguły logiczne) znalazło w bazie 735 reguł, z których 390 dało się powiązać z danymi metabolomicznymi.
- Model regresji połączył te reguły ze stężeniami aminokwasów w komórkach. Wyszło 1933 niezależnych hipotez dotyczących 16 aminokwasów.
- System wybrał najwyżej ocenioną hipotezę dla danego aminokwasu i automatycznie dobrał kontrolę negatywną.
- Trzy agenty oparte na GPT-4o od OpenAI przygotowały plan: pierwszy pisał kilka wariantów, drugi wybierał najlepszy, trzeci zamieniał go na plik JSON, czyli instrukcję czytelną dla maszyn.
- Robot Eve rozlewał odczynniki, hodował drożdże przez 20 godzin i mierzył ich wzrost, a spektrometr mas badał metabolity w komórkach.
- Wyniki, łącznie z odrzuconymi hipotezami oraz wszystkimi zapytaniami i odpowiedziami LLM, trafiały do grafowej bazy danych.
Ostatni punkt łatwo przeoczyć, a moim zdaniem to jedna z mocniejszych stron projektu. Dziewiątą hipotezę (o wpływie proliny na odporność na kwas mrówkowy) system odrzucił bez nowego eksperymentu, bo w bazie były już dane z wcześniejszej próby kontrolnej, które jej przeczyły.
Robot Eve potwierdził dwie hipotezy, w tym efekt aminoadypinianu opisany po raz pierwszy
Z ośmiu hipotez sprawdzonych w laboratorium autorzy uznali dwie za potwierdzone, jedną za częściowo zgodną z danymi, a pozostałe nie sprawdziły się w przewidywanej formie. Testy objęły pięć aminokwasów: glutaminian, argininę, prolinę, glutaminę i lizynę.
| Hipoteza | Co wyszło w eksperymencie |
|---|---|
| Arginina a odporność na kofeinę | Potwierdzona: arginina wzmacniała toksyczność kofeiny (spadek wzrostu o 19 proc. na każdy mM) |
| Glutaminian a odporność na sperminę | Częściowo: glutaminian uwrażliwiał komórki, ale nie gromadził się w nich zgodnie z założeniem |
| Glutaminian a kwas mrówkowy | Efekt odwrotny do przewidywanego |
| Glutamina a kwas octowy | Silny efekt, ale kontrola (leucyna) dała podobny, więc wynik niespecyficzny |
| Lizyna a stres osmotyczny | Kierunek odwrotny: lizyna chroniła komórki |
| Arginina a lit | Niezgodna z danymi |
| Prolina a kwas mlekowy | Minimalny efekt |
| Aminoadypinian a kwas mrówkowy | Potwierdzona: częściowa ochrona komórek (wzrost o 7 proc. na każdy mM) |
| Prolina a kwas mrówkowy | Odrzucona na podstawie danych już zapisanych w bazie |
Hipotezę o aminoadypinianie system wygenerował sam, analizując dane metaboliczne z wcześniejszego, nieudanego eksperymentu z glutaminianem. Autorzy piszą, że wykazali w ten sposób po raz pierwszy, że aminoadypinian zwiększa odporność drożdży na kwas mrówkowy. Za nowe uznają też powiązanie argininy z toksycznością kofeiny, które prawdopodobnie przechodzi przez kompleks białkowy TORC1.
Ievgeniia Tiukova, badaczka z Wydziału Nauk o Życiu Chalmers i współautorka pracy, przedstawia system jako coś więcej niż narzędzie analityczne:
„Zamiast służyć wyłącznie jako narzędzie wspierające decyzje, naukowiec AI aktywnie wytwarza nową wiedzę naukową” / „Rather than serving solely as a decision-support tool, the AI scientist actively generates new scientific knowledge”
Uczciwie trzeba powiedzieć, co tu jest przełomem, a co nie. Odkrycia dotyczą drożdży i są to raczej drobne cegiełki niż przewrót w biologii. Z prawie dwóch tysięcy hipotez sprawdzono osiem, a połowa z nich nie zachowała się tak, jak przewidywał system. Ale w tym właśnie widzę wartość: system zapisuje porażki z taką samą starannością jak sukcesy i potrafi z nieudanego eksperymentu wyciągnąć nową, trafną hipotezę. Większość ludzkich laboratoriów chowa negatywne wyniki do szuflady.
Zwracam też uwagę na rolę GPT-4o. Model językowy nie jest tu wyrocznią, tylko wykonawcą zamkniętym w ramach logiki i ontologii. Po roku zalewu „AI scientistów”, którzy produkują ładnie brzmiące, nieweryfikowalne tezy, takie podejście wydaje mi się zdrowsze. Otwarte pytanie brzmi: kto przy skali tysięcy eksperymentów dziennie będzie oceniał, które z odkryć maszyny mają znaczenie, a które są tylko statystycznym szumem?
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Wypełnij formularz, a my skontaktujemy się z Tobą, aby upewnić się czego potrzebujesz.
Ludzie nadal przygotowują odczynniki i zatwierdzają bezpieczeństwo eksperymentów
System z Chalmers nie działa w pełni samodzielnie i jego autorzy piszą o tym wprost. Według publikacji ludzie przygotowywali roztwory podstawowe i próbki referencyjne, czasem przenosili płytki między urządzeniami, przenosili skrypty i dane między komputerami bez połączenia sieciowego oraz sprawdzali bezpieczeństwo każdego zaproponowanego eksperymentu.
Autorzy zastrzegają jednocześnie, że od strony intelektualnej człowiek jedynie określał zakres i ograniczenia pracy systemu. Pozostałe ręczne etapy uważają za możliwe do zautomatyzowania, np. przez agentów sprawdzających bazy danych o bezpieczeństwie substancji chemicznych.
W pracy opisano też słabości modeli językowych. Przy bardziej złożonych hipotezach, łączących kilka warunków jednocześnie, LLM myliły kierunek zależności i źle interpretowały nakładanie się warunków („mistaking directionality and misinterpreting the intersection of conditions”). Badacze sugerują, że nowsze modele, zwłaszcza rozumujące, mogą pozwolić na badanie bardziej złożonych hipotez.
Ross King, profesor Chalmers i Uniwersytetu Cambridge oraz autor korespondencyjny pracy, w komunikacie uczelni opisuje przyszłość takich systemów jako współpracę:
„Naukowcy AI będą współpracować z ludźmi, aby przyspieszyć odkrycia w biologii, medycynie i biotechnologii. Takie systemy mogą skrócić czas potrzebny na zbadanie złożonych pytań naukowych i lepiej wykorzystać zasoby laboratoriów” / „AI scientists will collaborate with human scientists to accelerate discoveries across biology, medicine and biotechnology. Such AI systems have the potential to reduce the time required to explore complex scientific questions and optimize the use of laboratory resources”
Ross King buduje robotycznych naukowców od ponad 20 lat
Nowy system to kolejny etap programu, który Ross King prowadzi od początku XXI wieku. W 2009 r. w czasopiśmie Science jego zespół z Aberystwyth University i Uniwersytetu Cambridge opisał robota Adam, który samodzielnie sformułował i potwierdził hipotezy o funkcjach genów drożdży. Uznaje się go za pierwszą maszynę, która odkryła nową wiedzę naukową bez udziału człowieka w samym cyklu badawczym.
Drugi robot, Eve, powstał z myślą o wczesnym etapie poszukiwania leków, m.in. na zaniedbane choroby tropikalne. W 2020 r. King przeniósł się z Wielkiej Brytanii do Chalmers jako jeden z profesorów programu Wallenberg AI, Autonomous Systems and Software Program (WASP), a Eve przewieziono z Uniwersytetu w Manchesterze do Göteborga.
Obecnie zespół pracuje nad trzecią generacją, robotem Genesis. Według opisu projektu w Szwedzkiej Radzie ds. Badań (VR) Genesis ma prowadzić równolegle 10 tys. ciągłych hodowli w mikrobioreaktorach i wykonać milion eksperymentów opartych na hipotezach. Laboratorium Kinga deklaruje, że oprogramowanie Genesis ma być ponad tysiąc razy wydajniejsze od ludzkich naukowców w przeprowadzaniu cykli eksperymentów. Autorzy nowej pracy zapowiadają przeniesienie opisanych metod właśnie na tę platformę.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Wyścig o „naukowca AI” przenosi się z komputera do laboratorium
System z Chalmers wyróżnia się tym, że fizycznie wykonuje eksperymenty, podczas gdy najgłośniejsi komercyjni „naukowcy AI” pracują głównie na danych i literaturze. Twórcy systemu Kosmos zaznaczają w swojej publikacji, że AI co-scientist od Google generuje hipotezy, ale nie przeprowadza ani nie analizuje eksperymentów.
Kosmos to najbardziej znany przykład komercjalizacji tej dziedziny:
- w listopadzie 2025 r. organizacja non-profit FutureHouse wydzieliła komercyjną spółkę Edison Scientific, której pierwszym produktem jest Kosmos,
- według Edison Scientific jeden przebieg Kosmosa czyta około 1500 publikacji i pisze około 42 tys. linii kodu,
- firma twierdzi, że pojedynczy przebieg odpowiada średnio sześciu miesiącom pracy doktoranta lub postdoka, opierając się na ocenach współpracujących z nią badaczy,
- według doniesień branżowych Edison Scientific pozyskał 70 mln dolarów w rundzie zalążkowej przy wycenie około 250 mln dolarów.
Kosmos analizuje jednak dane dostarczone przez użytkownika i nie steruje robotami. Zespół z Chalmers idzie w przeciwną stronę: mniej rozmachu w generowaniu tekstu, więcej formalnej logiki i fizycznej weryfikacji w laboratorium. Ross King mówił w 2024 r. agencji AFP, że na świecie działa już około stu „robotycznych naukowców”, choć sam przyznawał, że AI wciąż jest daleko od poziomu odkryć godnych Nagrody Nobla.
Kod, dane i protokoły z badania Chalmers są publicznie dostępne w repozytoriach GitHub i Zenodo, a surowe dane ze spektrometrii mas w bazie MassIVE. Publikacja ukazała się na otwartej licencji Creative Commons.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz dodatkowych źródeł, w tym badania Agentic AI integrated with scientific knowledge: laboratory validation in systems biology (Brunnsåker, Gower, Naval, Bjurström, Kronström, Tiukova, King, Journal of the Royal Society Interface, t. 23, nr 240, przyjęte do druku 15.05.2026), komunikatu Chalmers University of Technology opublikowanego m.in. przez Phys.org oraz artykułu Euronews z dnia 02.10.2026. Kontekst historyczny i rynkowy: strona laboratorium King Lab w Chalmers, opis projektu Genesis w bazie research.chalmers.se, komunikat Edison Scientific o systemie Kosmos.
Cytaty Ievgenii Tiukovej, badaczki Chalmers University of Technology, i Rossa Kinga, profesora Chalmers University of Technology i Uniwersytetu Cambridge, zostały zweryfikowane z oryginalnym anglojęzycznym materiałem źródłowym.
Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl.
Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji w temacie autonomicznych laboratoriów i robota Genesis.
