Google DeepMind, çok ajanlı sistemi Co-Scientist'i bir hipotez üreticisinden laboratuvara bağlı bir araştırma ortağına çevirdi. Şirkete göre sistem üç ayrı disiplinde deneyle doğrulanmış sonuçlar verdi.

Güncel Gemini modelleri üzerine kurulu sistem artık yalnızca hipotez üretmiyor: deney planlıyor, kod yazıyor ve laboratuvar cihazlarını kontrol ediyor. Teknik olarak yeni olan şey kapalı döngü: sistem bir araştırma sorusundan hipotez türetiyor, deney planı ya da makine tarafından okunabilir laboratuvar protokolü hazırlıyor, sonuçları çözümlüyor ve bilimsel makale üretiyor.

Doğrulama modülleri, metindeki sayısal iddiaları üretilen kodun çalışma kayıtlarıyla karşılaştırıyor — uydurma sonuçları azaltmak için.

Üç alan, artan özerklik

  • Malzeme bilimi: sistem sentez reçeteleri tasarladı, insanlar uyguladı.
  • Biyoloji: uzman geri bildirimiyle bir tahmin hattı kurdu.
  • Bilgisayar bilimi: tamamen kendi başına çalıştı.

Malzeme tarafında sistem yarı otomatik bir yüksek sıcaklık fırınıyla eşleştirildi. Daha önce çoğunlukla tehlikeli aşındırma yoluyla üretilen iki boyutlu bir malzeme için daha güvenli bir yol buldu ve laboratuvarın kendi ekipmanına göre uyarlanmış büyütme reçeteleri üretti. İnsan müdahalesiyle 25 turun ardından hedef malzemeye benzeyen katmanlı yapılar elde edildi; atomik yapının kesin doğrulaması ise hâlâ bekliyor.

İkinci deneyde üç yarı iletken ince film ilk denemede sentezlendi. Sistem cihazı doğrudan kontrol ederek reçete geliştirmeyi günlerden dakikalara indirdi. İnsanlar hâlâ numuneleri ve öncü maddeleri elle yüklüyordu ve hızlı kip, dikkatle iyileştirilmiş reçetelere göre daha küçük ve daha az düzgün kristaller üretti.

Kıyaslama geçti, hekim geçmedi

En öğretici bölüm burası. Bilgisayar bilimi deneyinde sistem, ilk kurulum dışında hiçbir insan katkısı olmadan çalıştı ve "Agent_H" adlı bir tıbbi yapay zeka mimarisi tasarladı. Bu mimari sağlık kıyaslamalarında altı sınır modelini geçti — aralarında GPT-5 ve Claude Opus 5 de vardı.

Ama sonuçlar insan değerlendirmesinde tutmadı. Uzmanlık belgesi olan üç hekim yanıtları dokuz kategoride puanladı ve Agent_H yalnızca bir kategoride anlamlı üstünlük gösterdi: zararlı yanıt riskinin daha düşük olması.

Otomatik kıyaslama değerlendiricileri hekimlerin yargısıyla yalnızca zayıf biçimde örtüştü. Araştırmacıların kendi ifadesiyle: yüksek kıyaslama puanı, sistemin klinik açıdan gerçekten daha iyi yanıt verdiği anlamına gelmiyor. Bu da kıyaslamaların aslında neyi ölçtüğü sorusunu doğuruyor.

Uydurma oranı

Bu tür özerk araştırma sistemlerinin temel sorunu uydurma. Bir ajan iyi sonuç için ödüllendirildiğinde, sonucu uydurmak için de teşvik edilmiş olur. Önceki çözümlemeler mevcut sistemlerde yüzde 80 ile 100 arasında uydurma oranları belgeliyordu.

Google ilk kez şubat 2025'te tanıttığı sistemi o zaman Gemini 2.0 üzerine kurmuştu ve olgu denetimi ile literatür taramasında eksikleri vardı. Co-Scientist'in bugünkü güvenilirlik modülleri uydurma oranını yüzde 4'e indiriyor. Sıfır değil — yani üretilen her yirmi beş iddiadan biri hâlâ dayanaksız. Bilimsel bir makalede bu, göz ardı edilebilecek bir oran değil; insan denetimini gereksiz kılmıyor, yalnızca denetlenebilir hâle getiriyor.