Co-Scientist van Google DeepMind bedient nu echte labapparatuur

Google DeepMind heeft zijn multi-agentsysteem Co-Scientist uitgebreid van een pure hypothesegenerator tot een onderzoekspartner die in het lab is geïntegreerd. Volgens een nieuw onderzoek van het bedrijf levert het systeem, gebouwd op de huidige Gemini-modellen, nu experimenteel gevalideerde resultaten op in drie wetenschappelijke disciplines — en formuleert het niet langer alleen ideeën, maar plant het experimenten, schrijft het code en bedient het deels rechtstreeks labapparatuur.

Van ideeëngenerator naar een gesloten onderzoeksworkflow

Google introduceerde de eerste versie van Co-Scientist in februari 2025, toen nog gebaseerd op Gemini 2.0 en met duidelijke zwakke plekken in feitencontrole en literatuuronderzoek, meldt The Decoder. Technisch nieuw is nu een gesloten workflow: vanuit een onderzoeksvraag leidt Co-Scientist hypothesen af, zet die om in concrete experimentplannen, programmacode of machineleesbare labprotocollen, evalueert de resultaten en genereert daaruit wetenschappelijke manuscripten. Een controlemodule vergelijkt daarbij automatisch elk cijfer in de uiteindelijke tekst met de werkelijke uitvoerlogs van de gegenereerde code, om verzonnen resultaten te beperken.

Zoals Google in een eigen blogpost beschrijft, werkt Co-Scientist als een coalitie van gespecialiseerde agenten die in drie fasen samenwerken: eerst stellen agenten hypothesen voor en verkennen ze verschillende onderzoeksrichtingen. Daarna beoordeelt een agent als virtuele peer reviewer de ideeën, voordat een andere agent de weerhouden ideeën tegen elkaar laat strijden in een «ideeëntoernooi». In de laatste fase verfijnen, combineren en verbeteren agenten de beste hypothesen en vatten ze de resultaten samen voor de menselijke onderzoeker. Een overkoepelende supervisor-agent coördineert het hele proces, splitst het onderzoeksdoel op in taken en verdeelt die over de gespecialiseerde agenten.

Drie disciplines, drie niveaus van autonomie

• Materiaalwetenschap: Co-Scientist ontwerpt syntheserecepten die mensen in het lab uitvoeren.
• Biologie: het systeem bouwt zelfstandig een voorspellingspijplijn met iteratieve feedback van experts.
• Informatica: Co-Scientist werkt volledig autonoom, zonder menselijke tussenkomst.

In de materiaalwetenschap koppelden de onderzoekers Co-Scientist aan een halfautomatische hogetemperatuuroven. Het systeem vond een veiliger synthesetraject voor een gewild 2D-materiaal, dat tot nu toe vooral werd gemaakt via gevaarlijke etsprocessen, en genereerde volledige groeirecepten die waren afgestemd op de aanwezige labapparatuur. Na 25 testronden met menselijke bijsturing ontstonden, volgens The Decoder, laagstructuren waarvan de eigenschappen zouden lijken op het beoogde materiaal — een definitieve bevestiging van de atomaire structuur ontbreekt echter nog. In een tweede experiment lukte de synthese van drie halfgeleider-dunne lagen al bij de eerste poging: door Gemini 3 Deep Think te gebruiken voor rechtstreekse apparatuurbesturing, kromp de receptontwikkeling van dagen tot minuten, zij het met kleinere, minder uniforme kristallen dan bij de zorgvuldig geoptimaliseerde recepten.

In de biologie bouwde Co-Scientist autonoom een beeldanalysepijplijn die voorspelt welke patronen genetisch gemodificeerde E. coli-kolonies vormen bij verschillende chemische concentraties — de met Gemini 3 Pro Image gegenereerde voorspellingen kwamen bij drie van de vier vormkenmerken overeen met ongepubliceerde laboratoriumresultaten. De onderzoekers benadrukken wel dat het systeem tot nu toe alleen redeneert tussen bekende omstandigheden en geen voorspellingen doet voor volledig nieuwe systemen. In het volledig autonoom uitgevoerde informatica-experiment ontwierp Co-Scientist «Agent_H», een medische AI-architectuur die binnenkomende vragen classificeert, parallel tientallen kandidaat-antwoorden genereert en die verfijnt. Na correctie voor te lange antwoorden zou Agent_H volgens het onderzoek zes toonaangevende modellen hebben overtroffen op gezondheidsbenchmarks, waaronder GPT-5 en Claude Opus 5 — een beoordeling door drie medisch specialisten nuanceerde die voorsprong echter aanzienlijk: van de negen beoordeelde categorieën liet er slechts één een statistisch significant voordeel zien ten opzichte van het basismodel Gemini 3.1 Pro, namelijk een lager risico op mogelijk schadelijke antwoorden.

Minder verzonnen resultaten dankzij controlemodules

Een centraal probleem van autonome AI-onderzoekssystemen is het verzinnen van resultaten: als een agent wordt beloond voor goede resultaten, heeft hij een prikkel om die simpelweg te fabriceren. Eerdere systemen kwamen volgens de onderzoekers uit op fabricagepercentages van 80 tot 100 procent. Co-Scientist wordt enerzijds gestraft wanneer het verzonnen of gekopieerde inhoud produceert, en anderzijds vergelijkt een aparte controlemodule elk cijfer in de tekst met de werkelijke resultaten van de uitgevoerde code. In een dubbelblinde studie met 30 vakexperts en 450 onafhankelijke beoordelingen van 150 autonoom gegenereerde artikelen daalde het percentage verzonnen belangrijke resultaten met geactiveerde betrouwbaarheidsmodules naar 4 procent — zonder die modules lag dat op 46 procent, bij het vergelijkingssysteem zelfs op 90 procent. Volledig verzonnen data kwamen bij Co-Scientist helemaal niet meer voor, en een geïntegreerde veiligheidsarchitectuur wees bovendien 98,7 procent van de mogelijk schadelijke onderzoeksrichtingen af.

Het systeem schreef zeer plausibele methoden in het artikel die niet overeenkwamen met de daadwerkelijk uitgevoerde code.

Nog een lange weg te gaan naar de autonome onderzoeker

Ondanks de vooruitgang blijft volledig geautomatiseerde wetenschap voorlopig toekomstmuziek: bij de materiaalsynthese moesten mensen nog altijd handmatig monsters en precursoren plaatsen, en of de gevonden recepten overdraagbaar zijn naar andere labs, staat volgens Schmidgall nog open. Toch raakt het onderwerp een gevoelige snaar: geautomatiseerd onderzoek geldt momenteel als een van de veelbelovendste toepassingsgebieden voor AI. OpenAI zou bijvoorbeeld van plan zijn om deze herfst een agentsysteem te presenteren dat autonoom minstens op het niveau van een stagiair kan onderzoeken, aldus The Decoder. Of dergelijke op LLM's gebaseerde systemen echt nieuwe kennis ontdekken of enkel expliciet maken wat al impliciet in data aanwezig was, blijft onder onderzoekers een levendig debat. Google zelf noemt in eigen blogposts concrete toepassingen: teams gebruiken Co-Scientist onder meer om moleculaire schakelaars achter nieuwe infectieziekten te vinden, de ontdekking van mechanismen achter leverziekten te versnellen, biologische gereedschapskisten samen te brengen voor een nieuwe aanpak van ALS, en genetische aanknopingspunten tegen celveroudering sneller op te sporen. Het systeem wordt toegankelijk voor individuele onderzoekers via «Hypothesis Generation», een nieuw experimenteel hulpmiddel dat gezamenlijk is ontwikkeld door Google DeepMind, Google Research, Google Cloud en Google Labs.

Wat dit verandert voor Nederlands onderzoek en bedrijfsleven: labs en biotechbedrijven in Nederland krijgen met tools als Co-Scientist voor het eerst een concreet voorbeeld van een AI-assistent die niet alleen literatuur samenvat, maar ook zelfstandig controleerbare proefopzetten aanlevert — inclusief ingebouwde controle tegen verzonnen resultaten. Voor Nederlandse universiteiten en instituten die internationaal concurreren om subsidies en publicaties, verschuift daarmee de lat: de vraag is niet langer óf AI-systemen in het lab meewerken, maar hoe snel de eigen infrastructuur — van geautomatiseerde ovens tot robotlabs — daarop is voorbereid.