Проблема научного кода
Научное программное обеспечение часто страдает от нехватки поддержки. Инструменты, созданные небольшими академическими группами для конкретных исследований, со временем накапливают технический долг. У ученых часто нет бюджета или ресурсов на полноценную инженерную поддержку, чтобы поддерживать код в актуальном состоянии.
В новом отчете OpenAI рассматриваются восемь научных проектов в области геномики, иммунологии и статистики, где ИИ-агенты помогли решить эти проблемы. В пяти случаях использовался только Codex, а в трех — комбинация Codex и Claude Code от Anthropic.
Оптимизация и перенос кода
Задачи, которые выполняли агенты, можно разделить на три типа: очистка систем сборки, оптимизация производительности существующего кода и полный перенос программ на новые языки программирования или платформы.
Например, библиотека cyvcf2 для работы с геномными данными получила обновленную систему сборки. Проект HI.SIM, симулятор чтения ДНК, благодаря оптимизации с помощью моделей GPT сократил время выполнения тестов на 31% без изменения результатов. Проект Hifiasm также показал ускорение работы на 15–25%.
Еще одним примером стал перенос библиотеки MHCflurry с платформы TensorFlow на PyTorch. Это позволило сохранить совместимость с существующими весами моделей, избавив разработчиков от трудоемкой рутинной работы по обновлению кода.
Переписывание сложных систем
Использование ИИ-агентов меняет подход к масштабным задачам. Переписывание инструмента на 20 000 строк кода вручную занимает слишком много времени, но с помощью агентов это превращается в работу, занимающую несколько недель. Так было сделано с инструментом для выравнивания РНК-последовательностей STAR.
Проект RustQC объединил 15 разрозненных инструментов контроля качества в одну программу. Это позволило сократить время выполнения в 60 раз, а объем операций ввода-вывода — в 25 раз. Инструмент HelixForge, переписанный под работу с графическими процессорами (GPU), ускорил симуляцию мутаций примерно в 60 раз.
Роль человека в процессе
Несмотря на высокую эффективность, ИИ-агенты не могут полностью заменить человека. Они хорошо справляются с четко сформулированными задачами по реализации, но не способны оценить научную достоверность полученных результатов. Агенты могут проявлять излишнюю уверенность даже при наличии явных ошибок в коде.
Основная нагрузка на человека смещается в сторону верификации: создания тестов, проверки соответствия результатов старым инструментам и контроля за точностью вычислений. Разработчики отмечают, что ИИ помогает быстро создать черновик, но доведение его до идеала требует экспертного контроля.
Что это значит
Использование ИИ-агентов снижает стоимость разработки, позволяя небольшим командам выполнять задачи, для которых раньше требовались штатные инженеры. Однако это создает риск фрагментации сообщества: дешевая переработка инструментов может привести к появлению множества несовместимых версий одного и того же ПО, что затруднит сравнение результатов исследований.