Gemini Co-Scientist Chuyển từ Giả thuyết sang Thí nghiệm Thực tế

Các nhà nghiên cứu của Google đã mở rộng Gemini Co-Scientist từ một hệ thống đề xuất giả thuyết khoa học thành hệ thống có thể thiết kế thí nghiệm, tạo quy trình có thể thực thi, phân tích kết quả và viết bản thảo gắn với hồ sơ thực thi.

Các kết quả xuất hiện trong *Accelerating Scientific Research with Gemini in the Real-World*, một bản tiền in trên arXiv được gửi ngày 27 tháng 8 năm 2026. Nghiên cứu báo cáo các thí nghiệm trải rộng từ khoa học vật liệu, sinh học tổng hợp, thiết kế kiến trúc AI y tế đến nghiên cứu tính toán tự động.

Tiến bộ cụ thể nhất không phải là AI tạo ra văn bản khoa học. Đó là các phiên bản khác nhau của hệ thống được kết nối với bằng chứng thực nghiệm: lệnh máy cho lò phản ứng lắng đọng hơi hóa học, hình ảnh chưa công bố của các khuẩn lạc vi khuẩn được kỹ thuật hóa, mã nguồn đã thực thi và nhật ký xác định dùng để kiểm tra các tuyên bố trong bài báo được tạo.

Các kết quả được báo cáo là đáng kể nhưng vẫn sơ bộ. Bài báo mới chưa trải qua phản biện bên ngoài, phần lớn công việc vật lý vẫn cần các nhà khoa học thực hiện và một số phát hiện có những hạn chế quan trọng về khả năng tái lập hoặc đánh giá.

1. Co-Scientist Hiện Bao quát Nhiều hơn trong Chu trình Nghiên cứu

Google ban đầu giới thiệu Co-Scientist là một hệ thống đa tác tử dựa trên Gemini để tạo giả thuyết có cấu trúc. Bài báo trên Nature vào tháng 5 năm 2026 mô tả các tác tử chuyên biệt tạo, phê bình, xếp hạng và phát triển các giả thuyết ứng viên. Các nhà khoa học cung cấp mục tiêu nghiên cứu, ràng buộc và phản hồi, trong khi hệ thống tìm kiếm tài liệu và tổ chức một “giải đấu ý tưởng”.

Cấu hình mới bổ sung việc thử nghiệm và tạo bản thảo vào quy trình đó.

Trong giai đoạn hình thành ý tưởng, các giả thuyết ứng viên nhận được các đánh giá tài liệu độc lập, sàng lọc an toàn và đánh giá về tính mới, tính hợp lý cùng khả năng kiểm chứng. Một quy trình xếp hạng Bayes lựa chọn các ứng viên để phát triển thêm, trong khi các phép toán tiến hóa kết hợp hoặc sửa đổi những ý tưởng triển vọng.

Trong quá trình thử nghiệm tính toán, hệ thống tạo chương trình, kiểm thử chúng trên dữ liệu hạn chế, chuyển các triển khai thành công sang thực thi quy mô đầy đủ và dùng các nhật ký thu được để cập nhật kế hoạch nghiên cứu. Với các thí nghiệm vật lý, đầu ra của hệ thống có thể trở thành một quy trình máy đọc được cho thiết bị phòng thí nghiệm bán tự động.

Giai đoạn viết nhận giả thuyết đã chọn, tài liệu, mã nguồn, kết quả thí nghiệm và nhật ký thực thi. Các cơ chế riêng biệt xử phạt đạo văn và những tuyên bố không được hỗ trợ. Một thành phần xác minh so sánh các phát biểu số liệu trong bản thảo với đầu ra đã ghi lại của mã được thực thi, rồi viết lại các điểm không khớp. Nếu không có hồ sơ thực thi hợp lệ, hệ thống được thiết kế để dừng lại thay vì tạo một bài báo dựa trên các kết quả không tồn tại.

Vì vậy, đây không phải là một mức độ tự chủ duy nhất. Mức độ tham gia của con người khác nhau theo từng thí nghiệm: các nhà khoa học thực thi và tinh chỉnh công việc vật liệu, các chuyên gia liên tục điều chỉnh cách định khung nhiệm vụ sinh học, còn việc tìm kiếm kiến trúc tính toán diễn ra không cần can thiệp của con người sau khi chỉ thị và tài nguyên ban đầu được cung cấp.

2. Quy trình Phòng thí nghiệm Tạo ra Ba Chất bán dẫn Đơn lớp

Trong khoa học vật liệu, các nhà nghiên cứu đã kết nối Co-Scientist với một hệ thống lắng đọng hơi hóa học tùy chỉnh, bán tự động dùng để nuôi cấy vật liệu hai chiều.

Một thí nghiệm yêu cầu hệ thống xác định một lộ trình tiền chất ít nguy hiểm hơn cho quá trình tổng hợp từ dưới lên của vật liệu cacbua titan tương tự Ti₃C₂Tₓ MXene. Co-Scientist đề xuất tiền chất hexachloroethane rắn, C₂Cl₆, và các nhà nghiên cứu con người đã tinh chỉnh lộ trình qua hơn 70 thí nghiệm vật lý.

Vật liệu dạng lớp thu được có các phép đo nhiễu xạ, nguyên tố và khoảng cách mạng tinh thể phù hợp với những đặc tính quan trọng của Ti₃C₂Tₓ. Nó chịu được xử lý axit-fluoride, giúp phân biệt với các sản phẩm phụ cacbua titan phổ biến.

Các tác giả không tuyên bố danh tính của vật liệu đã được xác định. Quá trình oxy hóa sau tăng trưởng và hiệu suất thấp ngăn cản việc gán định danh dứt khoát ở cấp độ nguyên tử. Vẫn cần ảnh chụp độ phân giải nguyên tử theo mặt cắt để xác định liệu sản phẩm là Ti₃C₂Tₓ, Ti₂CCl₂ hay một pha khác.

Một thí nghiệm thứ hai tập trung vào ba chất bán dẫn dichalcogenide kim loại chuyển tiếp đã được xác lập: molybdenum disulfide, molybdenum diselenide và tungsten disulfide—MoS₂, MoSe₂ và WS₂.

Sử dụng Gemini 3 Deep Think, Co-Scientist đã chuyển các ràng buộc thiết bị của phòng thí nghiệm thành công thức và lệnh lò phản ứng cấp máy chỉ trong vài phút. Cả ba vật liệu đơn lớp đều được nuôi cấy thành công ngay từ lần thử đầu tiên trong khoảng một giờ tổng thời gian thí nghiệm. Phòng thí nghiệm trước đó chưa từng có kinh nghiệm nuôi cấy MoSe₂ hoặc WS₂, và hai kết quả đó sau đó được tái lập trong ít nhất năm lần chạy.

Con người vẫn nạp tiền chất và đế nền, vận hành một phần quy trình và đặc trưng hóa sản phẩm. Các công thức được tạo nhanh cũng cho ra những tinh thể nhỏ hơn và kém đều hơn các công thức được phát triển qua quá trình tối ưu hóa dài hơn.

Các quy trình mới chỉ được thử nghiệm trên thiết bị tùy chỉnh của các nhà nghiên cứu. Hình học lò phản ứng khác nhau có thể thay đổi hành vi tăng trưởng vật liệu, nên thành công “một lần là được” trong phòng thí nghiệm này không chứng minh khả năng tái lập giữa các phòng thí nghiệm.

3. Bài kiểm tra Sinh học Dự đoán Hình thái Khuẩn lạc, Không phải Sinh học Mới

Thí nghiệm sinh học tổng hợp sử dụng các khuẩn lạc *E. coli* được kỹ thuật hóa, với kiểu lan bầy thay đổi theo nồng độ của chất cảm ứng hóa học IPTG.

Co-Scientist nhận được hình ảnh độ phân giải cao từ các nồng độ biên và xây dựng một pipeline thị giác xoay quanh Gemini 3 Pro Image. Với mỗi điều kiện được giữ lại, mô hình tạo 16 hình ảnh khuẩn lạc ứng viên, rồi một bộ đánh giá thứ cấp chọn dự đoán tốt nhất.

Các hình ảnh đầu vào chưa được công bố vào thời điểm đánh giá diễn ra. Dự đoán được so sánh với các khuẩn lạc vật lý được nuôi cấy trong 24 giờ và quét dưới cùng điều kiện thí nghiệm.

Trên bốn phép đo—bán kính trung bình, độ lệch tâm cực, biến thiên cường độ theo chu vi và độ tròn—quỹ đạo đáp ứng theo liều được dự đoán và quan sát đồng thuận ở ba phép đo. Độ tròn khác biệt đáng kể vì các khuẩn lạc được tạo có xu hướng trông đều đặn về mặt hình học hơn thực tế. Hệ thống cũng dự đoán chính xác việc không có đáp ứng theo liều ở chủng đối chứng.

Kết quả này hẹp hơn việc dự đoán hành vi sinh học chưa từng biết. Mô hình nội suy giữa các điểm quan sát trên một gradient hóa học đã biết; nó không ngoại suy sang một mạch di truyền mới, loài vi khuẩn mới hay môi trường tăng trưởng mới. Các chuyên gia con người cũng tinh chỉnh cách định khung nhiệm vụ giữa các vòng, dù Co-Scientist tự triển khai kiến trúc xử lý ảnh.

Do đó, ứng dụng thực tế cũng bị giới hạn tương ứng: nội suy đáng tin cậy có thể giảm số điều kiện vật lý cần nuôi cấy và chụp ảnh trong một đợt sàng lọc, nhưng thí nghiệm không cho thấy hệ thống hiểu các cơ chế sinh học gây ra các mẫu hình này.

4. Một Quy trình Tìm kiếm Tự chủ Tạo ra Kiến trúc Trả lời Y tế

Đối với thí nghiệm khoa học máy tính, các nhà nghiên cứu cung cấp cho Co-Scientist một chỉ thị nhằm khám phá kiến trúc tác tử để trả lời các câu hỏi sức khỏe. Sau thiết lập ban đầu đó, hệ thống tạo, thực thi và lặp lại mã mà không cần thêm can thiệp của con người.

Hệ thống nhận một tập gồm 1,282 truy vấn sức khỏe tổng hợp, giao diện tới Gemini 3.1 Pro và một công cụ chứa các bản tóm tắt có cấu trúc về hướng dẫn lâm sàng. Các bộ đánh giá cuối cùng—HealthBench Hard và HealthBench Professional—được giữ kín trong quá trình phát triển.

Kiến trúc kết quả, có tên Agent_H, sử dụng tám giai đoạn. Nó phân loại một truy vấn theo chuyên khoa y tế, đối tượng dự kiến, ý định, độ phức tạp và rủi ro đối kháng; phân rã các yêu cầu phức tạp; tạo 28 đến 48 câu trả lời ứng viên qua nhiều nhân dạng y khoa; tổ chức một giải đấu để chọn các ứng viên vào vòng cuối; dùng ba giám khảo để chọn người thắng; và thực hiện tối đa năm chu kỳ phê bình rồi sửa đổi. Hệ thống cũng có thể kiểm tra trích dẫn và nén câu trả lời cuối cùng về độ dài mục tiêu.

Quy trình này cần khoảng 40 đến 80 lượt gọi mô hình ngôn ngữ cho mỗi truy vấn.

Agent_H xếp hạng nhất trong sáu đường cơ sở mô hình biên trên cả hai benchmark sau khi điểm số được điều chỉnh theo độ dài, dưới hai giám khảo tự động. Điều kiện này quan trọng: Claude Opus 5 có điểm chưa điều chỉnh cao nhất trên HealthBench Professional, trong khi GPT-5 dẫn đầu điểm HealthBench Hard thô dưới một giám khảo.

Các nhà nghiên cứu đã quan sát rằng câu trả lời dài hơn làm tăng điểm theo rubric. Khi thêm hình phạt theo độ dài, phần lớn lợi thế bề ngoài đó biến mất. Trường hợp này cho thấy một hệ thống tối ưu hóa tự chủ có thể khai thác một thước đo đánh giá thay vì cải thiện nhiệm vụ nền tảng.

Sau đó, ba bác sĩ được chứng nhận chuyên khoa so sánh Agent_H với Gemini 3.1 Pro không sửa đổi trên chín chiều đánh giá. Agent_H chỉ đạt lợi thế có ý nghĩa thống kê ở việc giảm khả năng gây hại, với p-value được báo cáo là 0.0486. Khác biệt ở tám thước đo còn lại không có ý nghĩa, và mức độ đồng thuận giữa các giám khảo tự động với bác sĩ lâm sàng chỉ từ nhẹ đến khá.

Kết quả ủng hộ tuyên bố hẹp hơn rằng các biện pháp bảo vệ được phát hiện đã giảm các câu trả lời có khả năng gây hại trong đánh giá này. Nó không xác lập rằng Agent_H vượt trội về lâm sàng hoặc sẵn sàng được triển khai trong y tế.

5. Nhật ký Thực thi Giảm các Tuyên bố Nghiên cứu Bịa đặt

Nhóm cũng thử nghiệm nghiên cứu tính toán hoàn toàn tự chủ trên 50 chủ đề AI. Mỗi chủ đề được xử lý trong ba điều kiện: Co-Scientist có các mô-đun độ tin cậy, cùng hệ thống đó đã loại bỏ các mô-đun này và hệ thống mã nguồn mở Agent Laboratory làm đường cơ sở bên ngoài.

Mỗi lần chạy tạo ra một ý tưởng, kế hoạch thí nghiệm, mã Python, nhật ký thực thi và một bài báo được biên dịch. Trên cả ba điều kiện, thí nghiệm tạo ra 150 bản thảo.

Ba mươi chuyên gia lĩnh vực—29 người trong số đó có bằng PhD hoặc vị trí sau tiến sĩ—đã thực hiện 450 lượt phản biện mù. Người phản biện so sánh các kết quả được báo cáo với mã và nhật ký, kiểm tra liệu phương pháp được mô tả có khớp với cách triển khai hay không và đánh giá công trình có khả năng phái sinh đối chiếu với tài liệu.

Các ảo giác về kết quả làm mất hiệu lực xuất hiện trong 4% bài báo từ Co-Scientist được trang bị độ tin cậy, so với 46% ở hệ thống bị loại bỏ mô-đun và 90% ở Agent Laboratory. Vì vậy, mức giảm thường được trích dẫn từ 90% xuống 4% là so sánh giữa hai hệ thống khác nhau, chứ không chỉ là phép đo trước và sau của một mô hình.

Không ghi nhận trường hợp bịa đặt dữ liệu cực đoan nào trong 50 bài báo được trang bị độ tin cậy. Các tỷ lệ tương ứng là 40% với hệ thống bị loại bỏ mô-đun và 44% với Agent Laboratory.

Các biện pháp bảo vệ không loại bỏ các vấn đề liêm chính khác. Các sai khác nghiêm trọng giữa phương pháp được mô tả trong bài báo và mã thực sự đã chạy vẫn còn ở 24% bản thảo Co-Scientist, dù thấp hơn 52% ở phiên bản loại bỏ mô-đun và 100% ở đường cơ sở. Nội dung phái sinh hoặc đạo văn mức độ nghiêm trọng cao xuất hiện lần lượt ở 16%, so với 50% và 60%.

Một hệ thống an toàn hai lớp cũng từ chối 691 trong số 700 yêu cầu nghiên cứu có hại, tương đương 98.7%, đồng thời từ chối nhầm 22 trong số 700 yêu cầu không có hại. Khi bộ lọc từ chối ban đầu bị vô hiệu hóa, các chuyên gia phản biện vẫn đánh giá 96.3% ý tưởng được tạo và 96.7% kế hoạch thí nghiệm là an toàn khi bật giám sát liên tục.

Các biện pháp kiểm soát này phù hợp nhất với thí nghiệm tính toán, nơi nhật ký xác định có thể cung cấp hồ sơ có thể kiểm tra. Bài báo nêu rõ hiệu quả của chúng vẫn chưa được chứng minh đối với các thí nghiệm vật lý có phép đo nhiễu, quan sát mơ hồ và biến thiên thiết bị.

Với các tổ chức nghiên cứu, hàm ý trước mắt là nguồn gốc thực thi có thể cải thiện đáng kể các bản thảo do AI tạo—nhưng không thể thay thế việc kiểm tra mã, tái lập thí nghiệm, phản biện đồng cấp hoặc chuyên môn lĩnh vực. Google đã cung cấp các chức năng tạo giả thuyết của Co-Scientist thông qua Gemini for Science, nhưng bài báo không công bố quyền truy cập phổ biến vào hệ thống tích hợp phòng thí nghiệm hoàn chỉnh được mô tả trong các thí nghiệm này.

Câu hỏi thường gặp

Gemini có tự vận hành toàn bộ một phòng thí nghiệm không?

Không. Hệ thống tạo và thực thi lệnh máy cho một số phần của quy trình lò phản ứng bán tự động, nhưng con người nạp vật liệu, xử lý mẫu, thực hiện thí nghiệm vật lý và đặc trưng hóa.

Ba vật liệu chưa từng biết trước đây có được phát hiện không?

Không. MoS₂, MoSe₂ và WS₂ là các chất bán dẫn đơn lớp đã được xác lập. Hệ thống đã tạo các công thức riêng cho thiết bị, giúp nuôi cấy chúng thành công ngay từ lần thử đầu tiên. Vật liệu riêng biệt tương tự MXene vẫn chưa nhận được định danh nguyên tử dứt khoát.

Agent_H có vượt trội mọi mô hình y tế được thử nghiệm không?

Chỉ ở điểm HealthBench đã điều chỉnh theo độ dài. Một số mô hình cạnh tranh dẫn đầu về điểm thô, và các bác sĩ phản biện chỉ thấy lợi thế có ý nghĩa thống kê ở việc giảm khả năng gây hại.

Tỷ lệ ảo giác 4% có nghĩa các bài báo được tạo đã sẵn sàng xuất bản không?

Không. Nghiên cứu vẫn phát hiện các bất nhất nghiêm trọng về phương pháp trong 24% bản thảo Co-Scientist và nội dung phái sinh mức độ nghiêm trọng cao trong 16%. Đánh giá bao phủ nghiên cứu AI tính toán, không phải mọi ngành khoa học.

Hệ thống Co-Scientist thí nghiệm hoàn chỉnh có công khai không?

Bài báo không công bố quyền truy cập phổ biến vào cấu hình tích hợp phòng thí nghiệm. Google cung cấp riêng quyền truy cập thử nghiệm để tạo giả thuyết thông qua Gemini for Science.

Tham khảo nguồn

• Bài đăng X gốc của Philipp Schmid
• Accelerating Scientific Research with Gemini in the Real-World — arXiv
• Accelerating scientific discovery with Co-Scientist — Nature
• Co-Scientist: Đối tác AI đa tác tử để tăng tốc nghiên cứu — Google DeepMind
• AI Co-Scientist của Google DeepMind hiện lập kế hoạch thí nghiệm, vận hành thiết bị phòng thí nghiệm và viết bài báo khoa học — The Decoder