Джек Кларк из Anthropic считает, что ИИ всё лучше автоматизирует науку. Тест C5R выиграла Claude

Сооснователь Anthropic Джек Кларк считает, что ИИ уже способен работать в частично автоматизированных лабораториях, и в подтверждение приводит тест SciUniverse: средний показатель успеха лучшей модели в нём — 45%.

Почему это важно: большинство научных тестов для ИИ проверяют знания, а SciUniverse проверяет, сможет ли модель довести опыт до результата — на настоящих приборах, где ошибка видна на образце, или в цифровом двойнике¹ лаборатории.

Цитата: «2026-й стал годом тревожных сигналов о растущем умении ИИ автоматизировать исследования в области самого ИИ. Теперь, думаю, такие же сигналы видны и в том, как ИИ всё лучше справляется со всё более автоматизированной наукой», — написал Кларк 5 октября в своей рассылке Import AI.

Повод: 24 сентября стартап C5R из Сан-Франциско показал лабораторию Facility-0 и выложил тест SciUniverse. В лаборатории больше 40 приборов — от гидравлического пресса до пипеток. Модель планирует опыт, отдаёт команды приборам и указания сотрудникам, а потом разбирает измерения.

Как это работает: в тесте 92 задачи из 17 групп — от подготовки образцов и управления приборами до разбора настоящих измерений:

• В химии модели, например, синтезируют амиды и определяют строение вещества по спектру ядерного магнитного резонанса.
• В биологии они нарабатывают копии ДНК и получают зелёный флуоресцентный белок sfGFP в бесклеточной системе, то есть без живых клеток.
• В материаловедении синтезируют оксид алюминия и прессуют таблетки из титаната бария.
• Часть задач выполняется на настоящих приборах, часть — в цифровом двойнике лаборатории.

В цифрах: C5R считает успех с первой попытки по каждой из 17 групп задач и берёт среднее, где у всех групп одинаковый вес. Цена — средние расходы на обращения к модели за одну попытку, без затрат на лабораторию и труд сотрудников:

• Claude Fable 5.1 от Anthropic набрала 45,3%, одна попытка обошлась в 40,61 доллара.
• GPT-6 Astra от OpenAI набрала 32,5% при 52,37 доллара за попытку, Claude Opus 5 — 30,5% при 46,31 доллара.
• Grok 4.6 от SpaceXAI набрала 26,2% при 13,41 доллара за попытку — втрое дешевле лидера.
• Последние места заняли Gemini 3.8 Flash от Google с 14,6% и GPT-5.6 Sol от OpenAI с 9,4%.

Детали: по выводу C5R, научных знаний у моделей много, но в лабораторной работе они раз за разом упускают важные мелочи. Модели пытались набрать пипеткой замороженный образец, брали один наконечник для разных проб ДНК, встряхивали на вортексе² открытые планшеты и не учитывали, что растворитель испаряется.

Проверили: подтвердить слова Кларка о том, что ИИ «всё лучше» справляется с наукой, SciUniverse не может: тест вышел впервые и показывает нынешний уровень моделей, а не рост. Видно другое: даже у лучшей модели средний показатель успеха ниже половины.

Но: это лишь первый уровень теста. По описанию C5R, такие задачи для учёного несложны и занимают не больше нескольких часов; более трудную исследовательскую работу компания обещает проверить в следующих версиях. Лаборатория не полностью автономна: часть шагов выполняют сотрудники по указаниям модели.

Между строк: Кларк — сооснователь Anthropic, а первое место в тесте заняла модель Anthropic, вышедшая 1 сентября. Сам тест составила и провела сторонняя компания C5R.

Если шире: о том же пишут исследователи Google DeepMind в препринте³ от 25 сентября. По их оценке, ИИ-учёных будет сдерживать прежде всего нехватка лабораторий и проверки опытом, а не идей. Они предлагают рынок, где одни ИИ-агенты продают идеи, другие проводят опыты, а автор идеи автоматически получает отчисления, если опыт её подтвердит.