Artificiell intelligens (AI) har potentialen att revolutionera vetenskapen, men det kräver mer än bara stora mängder data. Det senaste exemplet är AlphaFold, en AI-modell som kan förutsäga proteinstrukturer med hög precision. Trots denna framgång menar experter att AI inte kan lösa alla vetenskapliga problem på samma sätt.

En av de största utmaningarna är att skapa tillräckligt stora och kvalitativa datamängder för att träna AI-modeller. Detta kräver ofta internationellt samarbete och stora resurser, vilket kan vara svårt att uppnå. Dessutom kan resultaten i experimentell vetenskap variera kraftigt, vilket gör det svårt att generera jämförbara data.

Istället för att fokusera på stora datamängder menar experter att AI-agenter kan vara en mer effektiv approach för att accelerera vetenskapen. Dessa agenter kan användas för att simulera experiment, testa hypoteser och generera nya idéer, vilket kan leda till snabbare och mer precisa vetenskapliga upptäckter.