20260830_070155.jpg
СМЕЛО ПРИДУМЫВАЙ. ЖЁСТКО ПРОВЕРЯЙ.
У научной «галлюцинации» есть неожиданно полезное применение.
Обычно галлюцинацией LLM называют ошибку: модель сообщает что-то убедительное, хотя это не следует из имеющихся знаний. Но группа исследователей из Кембриджа задала другой вопрос: а что, если модель выдумывает не факт, а проверяемую гипотезу?
В 2025 году они опубликовали в Journal of the Royal Society Interface работу Scientific hypothesis generation by large language models: laboratory validation in breast cancer treatment. GPT-4 попросили предложить неожиданные комбинации уже существующих препаратов против клеток рака молочной железы MCF7. При этом комбинации должны были меньше действовать на нераковые клетки MCF10A.
Модель предложила 12 пар препаратов. Интересно, что получились комбинации неонкологических лекарств — среди них препараты, применяемые при гиперхолестеринемии, паразитарных инфекциях, воспалении и других состояниях. Авторы не нашли эти комбинации в онкологической литературе, хотя отдельные препараты ранее исследовались на раковых клетках. Полный текст статьи
Дальше произошло самое важное: рассуждения GPT-4 перестали обсуждать и положили препараты в лунки экспериментального планшета.
Проверяли две вещи: насколько комбинация действует избирательно на MCF7 относительно MCF10A и возникает ли синергия — эффект пары, превосходящий действие наиболее эффективного препарата по отдельности.
Из 12 предложенных пар у трёх HSA synergy score оказался выше, чем у использованных положительных контролей.
Среди них были:
итраконазол + атенолол
симвастатин + дисульфирам
дипиридамол + мебендазолПричём у 8 из 12 комбинаций HSA score был выше для MCF7, чем для MCF10A. Все экспериментальные результаты и дозовые матрицы приведены в исходной публикации в Journal of the Royal Society Interface.
Но исследователи на этом не остановились.
Они сообщили GPT-4 результаты первого эксперимента и попросили предложить следующий набор комбинаций уже с учётом полученных данных.
Модель предложила четыре новые пары.
Три из четырёх получили положительные показатели синергии.
Возник маленький замкнутый научный цикл:
гипотеза → эксперимент → данные → новая гипотеза → новый эксперимент.
Именно поэтому эта работа интереснее очередной демонстрации того, что GPT умеет выдавать правдоподобные биологические рассуждения.
Здесь от модели вообще не требовалось быть безошибочной.
Из первых 12 гипотез большинство не дали результата лучше положительного контроля. И это нормально. Если проверка достаточно дешёвая, быстрая и объективная, можно позволить генератору искать гораздо свободнее.
Отсюда и принцип плаката:
Смело придумывай. Жёстко проверяй.
Свобода должна находиться до эксперимента. После неё начинается совсем другой режим: контрольные группы, дозовые матрицы, сравнение с нераковыми клетками и количественная метрика синергии.
Есть даже забавная деталь, показывающая границы такого подхода. После нескольких итераций GPT-4 снова предложил комбинацию quinacrine + celecoxib, которую исследователи уже проверяли в первом раунде. Авторы отмечают этот повтор в описании итеративного эксперимента.
То есть систему не стоит представлять как автономного учёного, который понимает весь ход исследования. Скорее это очень производительный генератор кандидатов, помещённый внутрь строгой экспериментальной машины.
И здесь появляется более общий принцип формирования гипотез.
Для гипотезы с низкой предполагаемой вероятностью успеха дорогой многолетний эксперимент может быть плохой ставкой. Но если множество таких гипотез можно быстро и недорого проверить стандартизированным экспериментом, низкая исходная правдоподобность уже не обязательно является главным недостатком.
Можно позволить себе очень смелые гипотезы там, где реальность умеет быстро и дёшево отвечать «нет».
И, возможно, именно так AI сильнее всего изменит научное творчество: не заставит нас меньше ошибаться при генерации идей, а позволит гораздо быстрее превращать ошибки в экспериментально отброшенные гипотезы.
https://t.me/postermen_channel/386
