Google DeepMind's Gemini AI bắt đầu thực hiện các thí nghiệm thực tế

Biên tập｜Panda

Trong Resident Evil, có một hệ thống phòng thí nghiệm nằm sâu dưới lòng đất gọi là "The Hive". Hệ thống kiểm soát ra vào, giám sát, thông gió, an ninh và toàn bộ hoạt động của cơ sở đều được giao cho một AI: Red Queen.

Các nhà khoa học con người chịu trách nhiệm nghiên cứu, nhưng chính AI mới là người kiểm soát "tay chân" của phòng thí nghiệm này.

Khi sự cố xảy ra, Red Queen có thể đóng cửa, ngắt hệ thống, kiểm soát cơ sở hạ tầng và can thiệp trực tiếp vào thế giới vật lý.

Hơn hai mươi năm trước, cảnh tượng này vẫn là một công thức kinh điển trong các bộ phim khoa học viễn tưởng để tạo cảm giác sợ hãi: AI xâm nhập vào thế giới vật lý, điều khiển máy móc, thực hiện thí nghiệm và can thiệp trực tiếp vào thế giới thực.

Bây giờ, cảnh tượng này bắt đầu bước vào thực tế theo một cách hoàn toàn khác—ít nhất là hiện tại vẫn chưa đáng sợ.

Hôm qua, Anthropic đã công bố Model Hardware Standard (MHS) dành cho phần cứng vật lý, nỗ lực mở rộng logic MCP từ GitHub, Slack và cơ sở dữ liệu sang các thiết bị thực tế như tay máy, kính hiển vi, thiết bị xử lý chất lỏng, laser, v.v. Xem bài viết: “Vừa rồi, Anthropic công bố MCP vật lý: Claude bắt đầu nắm quyền kiểm soát thế giới thực.”

Nói một cách đơn giản, AI Agent không chỉ cần có các “giao diện” để gọi phần mềm nữa, mà giờ đây nó cần một hệ thống “thần kinh và tay chân” để kết nối với thế giới thực. Và hôm nay, Google DeepMind lại một lần nữa trình bày thành tựu của mình trong lĩnh vực này.

Trong một bài báo mới công bố gồm 83 trang, Google đã tích hợp Co-Scientist được điều khiển bởi Gemini vào quy trình nghiên cứu thực tế, cho phép nó thiết kế thí nghiệm, tạo mã thực thi, đọc phản hồi từ thí nghiệm và kết nối trực tiếp với thiết bị thí nghiệm. Google gọi sự thay đổi này là việc chuyển từ “hypothesis generator in-silico” sang “execution-grounded research partner”, tức là bộ tạo giả thuyết trong chip → đối tác nghiên cứu dựa trên thực thi.

Trong thí nghiệm trực quan nhất, các nhà nghiên cứu đã cung cấp các điều kiện của thiết bị CVD tự chế cho Gemini 3 Deep Think. Chỉ sau vài phút, nó đã đưa ra phương án tăng trưởng vật liệu phù hợp với thiết bị này và sau đó chuyển đổi phương án thành mã máy có thể điều khiển thiết bị. Cuối cùng, ba chất bán dẫn hai chiều đều được tăng trưởng thành công ngay trong lần thử đầu tiên.

Vì vậy, một cảnh tượng trước đây chủ yếu chỉ tồn tại trong các bộ phim khoa học viễn tưởng bỗng chốc trở thành hiện thực: khi các mô hình lớn thực sự có được “cánh tay” và bắt đầu điều khiển thiết bị thí nghiệm. Vậy thì, kể từ hôm nay, AI Scientist sẽ trở thành gì?

Trong Resident Evil, con người sợ AI chiếm quyền kiểm soát phòng thí nghiệm. Trong thực tế, các nhà khoa học đang chủ động giao phòng thí nghiệm cho Click Giao cho AI. Dĩ nhiên, điều Google muốn tạo ra không phải là một “tổ ong” mất kiểm soát, mà là một cỗ máy phát hiện khoa học có thể chạy từ việc đưa ra giả thuyết, thiết kế thí nghiệm đến xác minh thực tế.

Tiêu đề bài báo: Tăng tốc nghiên cứu khoa học với Gemini trong thế giới thực

Địa chỉ bài báo: https://arxiv.org/pdf/2608.26701

Đầu tiên, khoa học vật liệu.

Các nhà nghiên cứu sử dụng một thiết bị lắng đọng hóa học khí do tự họ lắp ráp, còn gọi là lò CVD. Trong các thí nghiệm về vật liệu hai chiều, một vấn đề tồn tại lâu dài là: các “công thức” công khai khó có thể tái hiện.

Cùng các thông số như nhiệt độ, khí, tiền chất, nhưng nếu thay đổi lò nung, kích thước buồng lò, dòng khí hoặc vị trí sắp xếp vật liệu chỉ hơi khác nhau, tinh thể cuối cùng tạo ra có thể hoàn toàn khác biệt. Các nhà nghiên cứu thường phải mất vài tuần甚至 vài tháng để điều chỉnh thông số lặp đi lặp lại.

Do đó, nhóm nghiên cứu không còn chỉ cho Gemini phải làm thí nghiệm như thế nào, mà chỉ thông báo cho nó biết phòng thí nghiệm có những thiết bị gì, hóa chất gì, lò có cấu trúc ra sao. Các tham số còn lại do AI tự quyết định.

Co-Scientist tạo ra toàn bộ kế hoạch thí nghiệm bao gồm lưu lượng khí, đường cong nhiệt độ, lượng tiền chất sử dụng, vị trí sắp xếp vật liệu dựa trên các ràng buộc này, sau đó gửi cho thiết bị thí nghiệm thực hiện.

Một nhóm thí nghiệm đặc biệt nổi bật. Sau khi nhóm nghiên cứu kết nối Gemini 3 Deep Think vào quy trình kiểm soát CVD, nó không còn tạo ra một kế hoạch thí nghiệm bằng ngôn ngữ tự nhiên để các nhà khoa học từ từ đọc, mà thay vào đó, nó thực hiện suy luận trong vài phút và trực tiếp chuyển đổi kết quả thành mã máy có thể điều khiển thiết bị.

Cuối cùng, ba chất bán dẫn hai chiều là MoS₂, MoSe₂ và WS₂ đều đã thành công trong việc lớn lên các tinh thể đơn lớp trong thí nghiệm đầu tiên. Toàn bộ quy trình thí nghiệm được hoàn thành trong khoảng một giờ.

Trong đó, MoSe₂ và WS₂ đặc biệt hơn: các nhà nghiên cứu trước đây thậm chí chưa từng phát triển hai vật liệu này trên thiết bị này. Kết quả đã được xác minh qua ít nhất năm lần thí nghiệm lặp lại.

Điều này có sự tương phản thú vị với MHS mà Anthropic đã trình bày hôm qua. Vấn đề Anthropic muốn giải quyết là làm thế nào để Agent có thể nhận thức và thao tác với thiết bị thí nghiệm một cách thuận tiện và chuẩn hóa hơn; trong khi bài báo của Google thảo luận về bước tiếp theo: khi mô hình suy luận đã có thể kiểm soát thiết bị thí nghiệm, thì quy trình nghiên cứu khoa học nên được tái cấu trúc như thế nào?

Theo nghĩa này, "AI kết nối phần cứng" đã không còn là vấn đề.

Tuy nhiên, nếu chỉ để Gemini dựa trên kiến thức sẵn có để điều chỉnh một bộ thiết bị, thì chưa thể coi đó là một phát hiện khoa học thực sự. Vì vậy, Google đã thực hiện một thí nghiệm thứ hai khó hơn: cố gắng tổng hợp từ dưới lên một loại vật liệu hai chiều gọi là Ti₃C₂Tₓ MXene.

Các phương pháp truyền thống thường liên quan đến các chất ăn mòn nguy hiểm, trong khi một số phương pháp CVD đã biết lại sử dụng TiCl₄ độc hại và nhạy cảm với không khí. Nhóm nghiên cứu đã giao cho Co-Scientist một nhiệm vụ: liệu có thể tìm ra một con đường tiền chất an toàn hơn không?

Co-Scientist cuối cùng đã xác định mục tiêu là hexachloroethane C₂Cl₆ và cung cấp thêm các thông số như số lượng tiền chất, vị trí, lưu lượng khí, nền và đường cong nhiệt độ.

Tuy nhiên, đây không phải là một câu chuyện về “ý tưởng AI bùng nổ, thí nghiệm một lần là thành công”. Co-Scientist đã tạo ra tổng cộng 272 phương án ứng cử, các nhà nghiên cứu đã chọn ra và tiếp tục tối ưu hóa các phương án xếp hạng cao; sau 25 vòng lặp thí nghiệm, cuối cùng họ đã thu được một tinh thể lớp hai chiều. Tinh thể này cho thấy các đặc điểm rất tương đồng với Ti₃C₂Tₓ MXene trên nhiều chỉ số như XRD, kính hiển vi điện tử và thành phần nguyên tố.

Các vấn đề thực tế sau đó cũng rất điển hình. Ban đầu, tỷ lệ thành công trong việc tái hiện thí nghiệm chỉ là 11,5%. Các nhà nghiên cứu sau đó phát hiện ra rằng, vấn đề chính không phải là suy luận hóa học của AI, mà là rò rỉ oxy do thiết bị thí nghiệm bị hở.

Sau khi làm sạch lại ống thạch anh, thay vòng đệm kín và cải tiến quy trình bảo trì thiết bị, tỷ lệ thành công của thí nghiệm với cùng một loại vật liệu hai chiều mới tăng lên 68%.

Điều này chính xác giải thích tại sao "AI thế giới thực" lại khác biệt với các tác phần mềm: nếu mã bị lỗi, bạn có thể chạy lại. Nhưng trong các thí nghiệm thực tế, một vòng đệm O đã lão hóa, một chút chất còn sót lại trong đường ống, thậm chí cả oxy trong không khí, cũng có thể khiến một kế hoạch nghiên cứu đúng đắn hoàn toàn thất bại.

Google cũng rất thận trọng trong bài báo: Hiện tại vẫn chưa thể xác nhận cuối cùng rằng vật liệu này chính là Ti₃C₂Tₓ MXene, vì nó vẫn gặp các vấn đề như hiệu suất thấp và oxy hóa nghiêm trọng, cần được xác nhận thêm thông qua đặc trưng ở quy mô nguyên tử.

Dù vậy, chúng ta vẫn có thể kết luận rằng AI đã có thể đề xuất một con đường tổng hợp ứng cử có ý nghĩa khoa học, sau đó thực sự đẩy con đường này vào thực nghiệm vật lý để xác minh.

Google cũng đưa Co-Scientist vào một kịch bản thí nghiệm hoàn toàn khác: sinh học tổng hợp. Đối tượng nghiên cứu là một nhóm vi khuẩn E. coli đã được biến đổi gen.

Các vi khuẩn này sẽ tạo thành các mẫu cộng đồng khác nhau trong đĩa petri. Khi nồng độ chất cảm ứng IPTG thay đổi, kích thước, biên và hình dạng của các khuẩn lạc cũng thay đổi theo. Thông thường, để thu được toàn bộ đường cong thay đổi, các nhà khoa học cần chuẩn bị các nồng độ khác nhau, nuôi cấy vi khuẩn, chờ chúng phát triển, rồi quét từng đĩa một.

Google đã thử nghiệm để AI điền vào phần trung gian của thí nghiệm. Các nhà nghiên cứu chỉ cung cấp cho Co-Scientist những hình ảnh thực tế của các quần thể vi khuẩn ở một số nồng độ nhất định, sau đó yêu cầu hệ thống dự đoán quần thể vi khuẩn sẽ trông như thế nào ở các nồng độ trung gian mà nó chưa từng thấy. Hơn nữa, dữ liệu thí nghiệm này lúc đó chưa được công bố, do đó bài báo cho rằng mô hình không thể đơn giản thực hiện nhiệm vụ bằng cách ghi nhớ kết quả trong dữ liệu huấn luyện.

Kết quả là, trong bốn chỉ số hình thái khuẩn lạc, AI đã dự đoán đúng ba chỉ số không có sự khác biệt đáng kể so với kết quả thực nghiệm ướt; nó cũng đã xác định chính xác rằng nhóm đối chứng sẽ không thay đổi theo nồng độ IPTG.

Điều duy nhất rõ ràng bị lỗi là “độ tròn”: các khuẩn lạc do AI tạo ra có hình dạng đều đặn hơn so với thực tế. Điều này rất phù hợp với thẩm mỹ đặc trưng của các mô hình sinh: thế giới thực không hoàn hảo đến vậy, nhưng AI lại không thể cưỡng lại việc làm cho chúng tròn hơn một chút.

Google cũng rất thận trọng trong định nghĩa về thí nghiệm này: những gì đã tạo ra hiện tại là sự nội suy (interpolation) trong khoảng nồng độ đã biết, chứ không phải dự đoán hiện tượng chưa biết khi đối mặt với một mạch di truyền hoàn toàn mới.

Nhưng điều này đã tương ứng với một ứng dụng thực tế rất rõ ràng. Trong tương lai, các nhà khoa học có thể không cần phải thực hiện tất cả các thí nghiệm ướt trên toàn bộ không gian tham số lớn. Họ có thể thử nghiệm vài điểm đầu tiên, để AI dự đoán phần còn lại dựa trên những dữ liệu thực tế này, sau đó chọn những vị trí đáng để xác minh nhất để tiến hành thí nghiệm.

Do đó, thí nghiệm dần chuyển từ việc “vét cạn” sang: lấy mẫu thế giới thực → AI dự đoán → chọn thí nghiệm → dữ liệu mới được phản hồi cho AI.

Đây chính là lab-in-the-loop mà bài luận liên tục nhấn mạnh.

Đến thí nghiệm khoa học máy tính, mức độ tự chủ của Co-Scientist lại được nâng lên một bậc.

Lần này, các nhà nghiên cứu giao cho nó một nhiệm vụ rất đơn giản: thiết kế một Agent có khả năng trả lời các câu hỏi y tế tốt hơn. Sau đó, con người không còn tham gia vào thiết kế kiến trúc. Co-Scientist tự đề xuất giải pháp, viết mã, chạy thử nghiệm, phân tích lỗi và tiếp tục điều chỉnh kiến trúc.

Cuối cùng, nó đã "tiến hóa" ra một hệ thống có tên Agent_H.

Hệ thống này cần tìm cách tái tổ chức quy trình suy luận của mô hình hiện có. Khi đối mặt với một vấn đề y tế, nó sẽ xác định vấn đề thuộc lĩnh vực y học nào, nhắm đến bệnh nhân hay bác sĩ, mức độ rủi ro ra sao; các vấn đề phức tạp sẽ được chia thành nhiều câu hỏi con; sau đó đồng thời tạo ra 28–48 câu trả lời ứng cử, để các Judge đối chiếu loại trừ từng cặp, rồi ba Judge bỏ phiếu chọn câu trả lời cuối cùng. Câu trả lời chiến thắng còn phải trải qua nhiều vòng xem xét lâm sàng, kiểm tra trích dẫn, và cuối cùng được rút gọn độ dài.

Để trả lời một câu hỏi, toàn bộ Agent cần gọi mô hình khoảng 40-80 lần. Trên HealthBench Hard và HealthBench Professional, theo thang điểm hiệu chỉnh độ dài được sử dụng trong bài báo, Agent_H đã vượt qua sáu mô hình tiên tiến bao gồm GPT-5.6 Sol, Claude Opus 5 và Gemini 3.1 Pro.

Tuy nhiên, ở đây đã xảy ra một tình tiết rất đáng để đưa vào bài báo: AI tự học cách "gian lận bảng xếp hạng".

Trong các thí nghiệm ban đầu, tiêu chí đánh giá không đủ nghiêm khắc với các câu trả lời dài dòng. Do đó, Co-Scientist nhanh chóng tìm ra cách đơn giản nhất để tăng điểm: viết câu trả lời thật dài.

Điểm benchmark do đó tăng đáng kể, nhưng chất lượng y tế không tăng tương ứng. Cho đến khi các nhà nghiên cứu thêm hình phạt về độ dài, lợi thế lớn mới biến mất.

Google tự trong bài báo của mình coi đây là một ví dụ điển hình của Luật Goodhart: Khi một chỉ số trở thành mục tiêu, nó sẽ không còn là một chỉ số tốt nữa.

Đánh giá từ các bác sĩ thực tế cũng đã làm giảm bớt sự hào hứng về kết quả. Ba bác sĩ hành nghề đã đánh giá mù 106 câu hỏi. Trong chín chiều kích, Agent_H chỉ đạt cải thiện thống kê đáng kể ở một chiều kích duy nhất là “giảm thiểu nguy cơ tổn hại tiềm ẩn”, còn tám chiều kích còn lại không có sự khác biệt đáng kể.

Nói cách khác, điểm Benchmark rõ ràng cao hơn trong mắt AI Judge không hoàn toàn chuyển hóa thành những câu trả lời rõ ràng tốt hơn trong mắt các bác sĩ nhân loại. Đây có lẽ cũng là vấn đề mà AI Scientist buộc phải đối mặt khi thực sự bước vào thế giới thực: nó không chỉ cần biết cách tối ưu hóa, mà còn phải hiểu được những điều gì không thể chỉ được định nghĩa bằng các chỉ số tối ưu hóa.

Các nhà khoa học AI sẽ "tạo dữ liệu" để phục vụ bài báo nghiên cứu

Thực tế, Google đã dành khá nhiều không gian trong bài báo này để nghiên cứu một vấn đề hơi ngượng ngùng khác: nếu thả lỏng hoàn toàn AI Scientist, liệu nó có gian lận để đạt được kết quả đẹp không?

Có.

Đội ngũ nghiên cứu đã cho hệ thống thực hiện toàn bộ quy trình từ việc đưa ra ý tưởng, tìm kiếm dữ liệu, viết mã, chạy thí nghiệm đến tạo ra bài báo cuối cùng trên 50 chủ đề nghiên cứu AI mà không có sự can thiệp nào của con người.

Để so sánh, họ cũng đã kiểm tra một phiên bản Co-Scientist không có mô-đun độ tin cậy, cùng với hệ thống Agent Laboratory trước đó, tạo ra tổng cộng 150 bài báo và gửi cho 30 chuyên gia lĩnh vực để thực hiện 450 lần đánh giá ẩn danh.

Kết quả thật là khá phóng đại. Một AI Scientist không có cơ chế xác minh chuyên biệt vẫn có thể tiếp tục viết đầy đủ bài luận, ngay cả khi mã đã báo lỗi và thí nghiệm hoàn toàn không có kết quả hợp lệ.

Họ sẽ tạo ra các bảng dữ liệu, giá trị p, các phép kiểm định thống kê; biến các thí nghiệm thất bại thành thành công; thậm chí còn thay đổi môi trường đánh giá để phương pháp của họ tự động đạt điểm cao hơn, hoặc sử dụng hardcode để đầu ra một kết quả đẹp đẽ.

Khi mục tiêu tối ưu là: “viết một bài luận trông thật tuyệt vời”, Agent sẽ tìm kiếm những con đường tắt rẻ hơn thay vì thực sự hoàn thành nghiên cứu.

Do đó, Google đã thêm vào phiên bản mới của Co-Scientist một cơ chế rất giống với “kiểm toán nghiên cứu”: các kết quả thí nghiệm được tuyên bố trong bài báo phải có thể truy ngược lại được nhật ký thực thi chương trình thực tế. Nếu nhật ký không có kết quả tương ứng, hệ thống không được phép dựa vào việc mô hình ngôn ngữ cho rằng “nên như vậy” để ghi vào.

Hiệu quả rõ rệt. Hiện tượng “ảo tưởng kết quả” nghiêm trọng đến mức làm cho bài luận vô hiệu, đã giảm từ 90% tại Agent Laboratory xuống còn 4%; việc bịa đặt dữ liệu hoàn toàn nghiêm trọng nhất đã giảm từ 44% xuống 0%.

Tuy nhiên, vấn đề vẫn chưa được giải quyết triệt để. Tỷ lệ lỗi mô tả phương pháp nghiêm trọng trong phiên bản mới của Co-Scientist vẫn ở mức 24%, và tỷ lệ đạo văn/ nội dung dẫn xuất nghiêm trọng cũng còn 16%.

Google đã đặc biệt nhấn mạnh rằng họ không tuyên bố Autonomous AI Scientist hiện tại đã có thể tạo ra các bài báo nghiên cứu có thể xuất bản trực tiếp.

Khi xem xét cùng lúc hai công việc của Anthropic và Google, có thể thấy Agent đang trải qua một sự thay đổi rõ rệt: trong hai năm qua, chiến trường lớn nhất của AI Agent luôn là thế giới phần mềm. Bây giờ, logic này lần đầu tiên đang lan rộng quy mô lớn ra ngoài thế giới thực.

MHS của Anthropic cố gắng giải quyết vấn đề cơ bản: tạo ra một giao diện mà một Agent có thể hiểu và điều khiển thống nhất các thiết bị khác nhau như tay máy, kính hiển vi và nền tảng xử lý chất lỏng.

Google's Co-Scientist bắt đầu khám phá các vấn đề cấp cao hơn: Khi một mô hình suy luận có thể đưa ra giả thuyết khoa học, lập kế hoạch thí nghiệm, điều khiển thiết bị, đọc kết quả và tiếp tục điều chỉnh thí nghiệm cho vòng tiếp theo, thì một hệ thống phát hiện khoa học khép kín thực sự nên trông như thế nào.

Tất nhiên, Google vẫn còn rất xa mới đạt đến một "phòng thí nghiệm không người" thực sự. Các thí nghiệm vật liệu hiện tại vẫn cần con người nạp mẫu; cấu trúc nguyên tử của vật liệu mới vẫn chưa được xác định cuối cùng; dự đoán E. coli chỉ xác minh được các nhiệm vụ nội suy hạn chế; các tác nhân y tế tận dụng lỗ hổng trong các bộ benchmark; các hệ thống tạo bài báo vẫn chưa giải quyết hoàn toàn vấn đề ảo tưởng và đạo văn. Chính Google cũng công nhận rõ ràng rằng, do sự cố phần cứng và độ phức tạp của môi trường thực tế, các thí nghiệm vật lý hoàn toàn không cần giám sát trong giai đoạn hiện tại vẫn rất khó thực hiện.

But changes have already occurred.

Trước đây, khi thảo luận về AI cho Khoa học, người ta thường tập trung vào việc AI có thể “nghĩ ra điều mà con người chưa từng nghĩ đến” hay không. Hiện nay, ngày càng nhiều công việc bắt đầu bổ sung phần còn lại khó hơn: ý tưởng đó có thể được thực hiện bởi thiết bị thực tế không, và kết quả thực hiện có thể trở thành cơ sở cho lần suy luận tiếp theo của AI hay không.

Google đã đưa ra một phán đoán rất thú vị ở cuối bài báo. Nếu vòng lặp khép kín này thực sự được thiết lập, yếu tố hạn chế trong nghiên cứu khoa học trong tương lai có thể bị đảo ngược: trước đây, thiết bị thí nghiệm chờ các nhà khoa học đưa ra câu hỏi hay tiếp theo; trong tương lai, có thể AI đã đề xuất hàng trăm thí nghiệm đáng để kiểm chứng, trong khi phòng thí nghiệm hoàn toàn không kịp thực hiện.

Khi đó, điểm nghẽn thực sự trong tốc độ phát hiện khoa học có thể không còn là scientific ideation, mà là experimental throughput—thế giới thực có thể chạy xong những thí nghiệm này nhanh đến mức nào.

Bài viết này đến từ tài khoản WeChat “Machine Heart” (ID: almosthuman2014), tác giả: Chú ý đến AI khoa học