Wystarczy jedno zdanie opisu badania, żeby dostać cały manuskrypt z prawdziwymi wynikami eksperymentów. Brzmi jak science fiction, ale zespół z Pakistanu właśnie pokazał, że to działa - a wszystko za mniej niż złotówkę za pracę. Prompt-to-Paper rozwiązuje trzy grzechy główne dzisiejszych generatorów tekstu naukowego: fakt, że zmyślają cytaty, fabrykują dane i nie dają się rzetelnie ocenić.
Laborant w chmurze - agent, który wykonuje eksperymenty
Większość AI piszących 'prace naukowe' po prostu zgaduje, jakie wyniki pasowałyby do tematu. Prompt-to-Paper robi coś innego. Ma autonomicznego agenta kodującego, który pisze i uruchamia prawdziwy kod w chmurze, żeby przeprowadzić eksperyment obliczeniowy. To trochę tak, jakby asystent nie tylko przyniósł ci notatki, ale faktycznie poszedł do laboratorium i sam pipetował.
W pięciu testowanych przypadkach bioinformatycznych agent wygenerował rzeczywiste dane liczbowe, a nie syntetyczne przybliżenia. 'Autonomiczny agent kodujący wykonuje prawdziwe eksperymenty z biologii obliczeniowej, zastępując syntetyczne wyniki rzeczywistymi danymi liczbowymi' - piszą autorzy w abstrakcie. To fundamentalna różnica: zamiast ładnie wyglądających wykresów opartych na halucynacjach, dostajesz tabele, które ktoś mógłby odtworzyć z kodem źródłowym.
Mimo to mam mieszane uczucia. Agent działa tylko w domenach obliczeniowych, więc cała mokra biologia pozostaje poza zasięgiem. A błędy w kodzie mogą dawać wyniki równie bezsensowne jak te wymyślone, tyle że teraz są poparte rzekomą 'prawdziwością'. To przypomina mi sytuacje, w których skrypt źle łączy kolumny, a potem przez pół godziny wierzysz, że odkryłeś nową korelację.
Żadnych cytatów z kosmosu - weryfikowalne źródła na każdym kroku
Klasyczne modele potrafią zacytować pracę, która nigdy nie istniała, lub przypisać autorowi tezy sprzeczne z jego badaniami. Prompt-to-Paper używa deterministycznego pipeline'u RAG (Retrieval-Augmented Generation), który przed wygenerowaniem każdego zdania sprawdza, czy pasuje ono do cytowanej literatury. System ocenia trafność źródła nie tylko w ogóle, ale konkretnie dla sekcji, w której miałoby być użyte - inna baza będzie potrzebna we wstępie, a inna w dyskusji wyników.
Poza tym działa metoda śnieżnej kuli: po znalezieniu jednej dobrej pracy system przegląda jej cytowania, żeby zebrać 60-100 powiązanych artykułów. Efekt? 'Wszystkich pięć przypadków zaowocowało plikami PDF gotowymi do złożenia, bez żadnych cytatów spoza zakresu' - czytamy w podsumowaniu. Zero cytatów, które odnoszą się do zupełnie innej dziedziny albo są wyssane z palca.
Przyjemnie jest widzieć, że ten problem potraktowano poważnie, a nie zbyto kolejną warstwą prompt engineeringu. Ale nadal pozostaje pytanie, czy dobrze dobrane źródła zawsze są dobrze zrozumiane. Algorytm może wyłuskać z nich passus, który wygląda na wspierający, a w rzeczywistości znaczy coś odwrotnego - jak student, który cytuje 'dowód jest trywialny' jako potwierdzenie swojej tezy, nie wiedząc, że dla autora 'trywialny' oznaczało 'po dwudziestu stronach rachunków'.
generowane twierdzenia nie są w sposób deterministyczny oparte na weryfikowalnej literaturze
Ramsha Kamran i in.
Prompt-to-Paper, Abstract
Ocena jak w szkole - ośmiowymiarowy sprawdzian jakości
Brak standaryzowanej ewaluacji to trzeci problem, który Prompt-to-Paper próbuje rozwiązać. System zawiera automatyczny sędzia oceniający manuskrypt w ośmiu wymiarach: od jakości wstępu, przez spójność metod, po siłę konkluzji. Co więcej, narzędzie jest skalibrowane na podstawie statystyk z prawdziwych opublikowanych prac - wie, jak rozkładają się oceny w rzeczywistym świecie naukowym - i nakłada jawne kary za halucynacje, czyli wymyślone informacje.
Działa też pętla poprawy. Jeśli manuskrypt nie spełnia progów jakości, system wraca do badań, poprawia eksperymenty i generuje nową wersję. W eksperymentach autorów taka pętla podniosła średnią ocenę o blisko 18 punktów na skali 0-100. To trochę jak nauczyciel, który czyta pierwszą wersję wypracowania i mówi: 'jeszcze raz, tym razem z lepszymi argumentami' - tylko że tu wszystko odbywa się automatycznie.
Ludzki recenzent dał pięciu wygenerowanym pracom średnio 7 na 10. To przyzwoity wynik, ale daleki od doskonałości. Zastanawia mnie, czy za kilka lat taka średnia nie stanie się nowym standardem dla studenckich prac zaliczeniowych i czy nie odzwyczai nas to od samodzielnego myślenia o strukturze argumentacji.
Koszt zrobotyzowanego współautora - ile to trwa i za ile
Wygenerowanie kompletnego manuskryptu kosztuje około 0,31 dolara, czyli plus minus 1,3 złotego. Czas potrzebny na wygenerowanie jednej pracy autorzy podają rzędu minut do kilkudziesięciu minut, w zależności od złożoności eksperymentów. To o kilka rzędów wielkości mniej niż tradycyjny proces pisania, który w bioinformatyce trwa tygodnie.
Nie jestem naiwny - tani generator prac naukowych może zalewać repozytoria i konferencje szumem. Już teraz wiele czasopism walczy z falą niskiej jakości tekstów od ludzkich autorów. Automat, który za 30 centów produkuje PDF ze wstępem, wykresami i bibliografią, to potencjalnie katastrofa dla recenzentów. Z drugiej strony, jeśli system wykorzysta się jako narzędzie do szybkiego prototypowania - szkic, który człowiek potem rozwija - może to być realna pomoc, zwłaszcza w laboratoriach z ograniczonym budżetem.
- System wygenerował kompletne manuskrypty PDF dla wszystkich pięciu studiów przypadku w bioinformatyce z zerową liczbą cytatów spoza zakresu.
- Autonomiczny agent kodujący wykonywał prawdziwe eksperymenty obliczeniowe, zastępując dane syntetyczne rzeczywistymi wynikami numerycznymi.
- Pętla poprawy jakości podniosła średnią ocenę manuskryptów o blisko 18 punktów na skali 0-100.
- Ludzki recenzent ocenił prace na średnio 7/10, co daje częściową zewnętrzną walidację.
- Koszt wygenerowania jednej pracy to około 0,31 USD.
Praktyczne zastosowania
Aby lepiej zrozumieć opisywaną innowację, przygotowaliśmy cztery przykłady praktycznego zastosowania tej technologii w różnych branżach:
Podsumowanie
Prompt-to-Paper pokazuje, że za grosze można zautomatyzować pisanie całych prac w dziedzinach obliczeniowych. W laboratoriach mogłoby to służyć do szybkiego generowania pierwszych szkiców dla nowych kierunków badań albo do sprawdzania, czy dany pomysł da się w ogóle obronić na podstawie literatury. W dydaktyce akademickiej taki system mógłby być piaskownicą do nauki struktury publikacji, a bariera niskiego kosztu pozwala na użycie go nawet przez studentów z mniejszych uczelni. Na koniec warto pomyśleć o zagrożeniu - jeśli każdy może wyprodukować pracę wyglądającą na przyzwoitą za dwie minuty i złotówkę, presja na recenzentów i redaktorów wzrośnie wielokrotnie, a my wszyscy możemy utonąć w gąszczu wiarygodnie wyglądających, ale płytkich treści.
Metryka artykułu źródłowego
Tytuł oryginalny: Prompt-to-Paper: Agentic AI System for Bioinformatics
Autorzy: Ramsha Kamran, Maheera Amjad, Zartasha Mustansar, Arsalan Shaukat, Salma Sherbaz, Muhammad U. S. Khan
Data publikacji: 8 lipca 2026
arXiv: arxiv.org/abs/2607.05456
Napisanie tego artykułu zostało wspomagane przez sztuczną inteligencję. Treść opiera się na oryginalnym artykule naukowym, a jej dokładność została zweryfikowana automatycznie.
