AI simulerar kirurgi och designar läkemedel — men når knappt femtio procent på avancerade vetenskapsfrågor

Agenter som tar saken i egna händer

Det mest slående temat i veckans forskningsutskick är den accelererande självständigheten hos AI-agenter. Ramverket ReASearch visar att en verktygsanvändande agent kan internalisera hela sökprocessen som normalt kräver manuell styrning — och presterar bättre än specialiserade optimeringsverktyg i de flesta av de fjorton testuppgifterna, med förbättringar på mellan två och fyrtio procent. Komplext sökbeteende uppstår alltså naturligt ur agentens eget resonemang, utan att någon programmerat in det explicit.

I samma anda visar ADIAS att automatiserad agentdesign kan förbättras med drygt tjugofem procent när man byter från kandidatcentrerad till problemcentrerad styrning — ett subtilt skifte i perspektiv som ger stora praktiska utdelningar. Och CAi Copilot tar över koordineringen av hela arbetsflöden inom tidig molekylär läkemedelsdesign, arton poäng bättre än näst bästa alternativ i tester över fyrtiofem uppgifter.

Detta är inte framtidsmusik. Det är system som fungerar i dag.

Kirurgisimulatorer och genomikmodeller

Innom hälsa och läkemedel imponerar bredden. Surg-UniWorld kan generera realistiska simulationer av kirurgiska instruments interaktion med vävnad — med hög tidsmässig konsekvens och styrningsmöjligheter som överträffar befintliga metoder. Potentialen för kirurgisk träning är uppenbar. Samtidigt presenteras CellWorld, tränad på fyrtiosex miljoner mänskliga celler, som i sin minsta variant slår samtliga jämförelsemodeller på elva linjära utvärderingsmått. Och bioMoR förbättrar genomisk klassificeringsprecision med åtta komma två procentenheter — med sjuttiofem procent färre parametrar.

Detta är AI som börjar arbeta i biologins eget språk.

Logistik, energi och kantenheter

På den tillämpade sidan visar förstärkningsinlärning att den mognat nog för riktig industriell drift. En ny studie på fordonsdisponering sänker totalkostnaderna med över tio procent i verkliga logistikscenarier. Ramverket MiCoPro optimerar neurala nätverk för resursbegränsade kantenheter och minskar svarstiden med upp till fyrtio procent med minimal noggrannhetsförsämring. HYMELL kan förutsäga energiförbrukning och svarstid för stora språkmodeller med under fem procents felmarginal — utan tillgång till fysisk hårdvara.

Dessa är inte demonstrationsprojekt. De är verktyg för att sänka kostnader och koldioxidavtryck på riktigt.

Där AI fortfarande haltar

Men bilden är inte enbart ljus — och det är lika viktigt att säga rakt ut.

Riktmärket Science Edge Evaluation (SEE) testade nitton multimodala språkmodeller på verklig vetenskaplig problemlösning inom kemi, biologi och materialvetenskap. Bästa modell nådde 48,7 procents noggrannhet. Med externa verktyg klättrade siffran till 52,7 procent. Slutsatsen är knivskapt tydlig: dagens AI kan förklara etablerade begrepp men saknar förmågan att härleda nya, evidensbaserade insikter från experimentella data. Det är just denna förmåga som definierar äkta vetenskapliga genombrott.

Lika oroande är fynden kring partiskhet i medicinska system. En studie på katastrofmedicinsk triagering visar att en fleragentspipeline inte minskar demografisk partiskhet — utfallet var 6,9 procent mot 6,1 procent, statistiskt sett ingen skillnad. Värre: vid granskningsöverbelastning gick 43,8 procent av de partiska utfallen helt oupptäckta. Att stapla fler AI-lager löser alltså inte det grundläggande problemet.

Och C4-ramverket, som testar kreativ och indirekt begreppskoppling, visar att de starkaste slutna modellerna knappt når över femtio procents träffsäkerhet på uppgifter som kräver genuint kreativt resonemang.

Kontrollerbarheten — den verkliga utmaningen

En röd tråd i veckans forskning är frågan om insyn och styrning. Ramverket WebRider visar att en stark webbagent klarar 99,2 procent av alla uppgifter — men respekterar användarens fullständiga policykrav i bara 38,8 procent av fallen. Studien av sex ledande modeller under styrningsförsök avslölar fundamentala skillnader i hur modellerna hanterar påtryckningar — GPT-5 avböjer konsekvent att redovisa sitt resonemang men levererar ändå svar, ett mönster utan motsvarighet hos andra modeller.

Kapacitet och kontroll är fortfarande två skilda saker.