Sử dụng Hypothesis Generation (hệ thống AI đa tác nhân) để phát triển đề xuất nghiên cứu, đẩy nhanh quy trình đánh giá tài liệu theo cách thủ công và tạo ra các ý tưởng mới lạ mà bạn có thể điều chỉnh cho phù hợp với chuyên môn cũng như thử thách của mình.
Hiện tại, bạn chỉ có thể truy cập vào Hypothesis Generation thông qua biểu mẫu bày tỏ sự quan tâm.
- Để bày tỏ sự quan tâm, hãy đăng ký tại labs.google.com/science.
- Quan trọng: Việc gửi biểu mẫu bày tỏ sự quan tâm không đảm bảo bạn sẽ được cấp quyền truy cập.
- Nếu được chọn, bạn sẽ nhận được thông báo qua email kèm theo hướng dẫn thêm.
Nếu bạn được cấp quyền truy cập, để có trải nghiệm tốt nhất khi dùng Hypothesis Generation, hãy nhớ:
- Đăng nhập vào Hypothesis Generation.
- Có kết nối Internet ổn định.
- Dùng máy tính.
- Dùng Google Chrome.
Biến thách thức hoặc giả thuyết nghiên cứu của bạn thành một mục tiêu có cấu trúc.
- Trên máy tính, hãy mở công cụ Hypothesis Generation.
- Trong ô nhập câu lệnh, hãy trình bày về thách thức hoặc giả thuyết nghiên cứu của bạn.
- Bạn có thể dùng các nghiên cứu điển hình làm tài liệu đồng tham khảo để xây dựng mục tiêu nghiên cứu và hiểu rõ kết quả dự kiến. Tìm hiểu cách tìm nghiên cứu điển hình.
- Nhấp vào biểu tượng mũi tên
.
- Hoàn tất cuộc trò chuyện trao đổi với tác nhân Hypothesis Generation.
- Ở bên phải, trong phần "Tiến trình trao đổi", bạn có thể kiểm tra tiến trình của mình thông qua các yếu tố cụ thể của mục tiêu nghiên cứu. Tìm hiểu về các yếu tố của mục tiêu nghiên cứu hiệu quả.
- Quy trình làm việc với tác nhân này sẽ dẫn dắt bạn xây dựng các thông số chạy, giúp việc tinh chỉnh mục tiêu qua từng bước trở nên dễ dàng hơn.
- Khi bạn hoàn thành tất cả các yếu tố của mục tiêu nghiên cứu, Hypothesis Generation sẽ chuẩn bị các thông số cuối cùng cho bạn.
- Để xem lại kế hoạch nghiên cứu đã hoàn tất, trong tiện ích tổng quan, hãy nhấp vào Mở.
- Trên máy tính, hãy mở công cụ Hypothesis Generation.
- Di chuyển xuống phần "Khám phá các nghiên cứu điển hình của chúng tôi".
- Nhấp vào ví dụ bạn muốn dùng.
Yếu tố then chốt để sử dụng hiệu quả Hypothesis Generation là xác định rõ ràng mục tiêu nghiên cứu. Bạn nên đưa ra yêu cầu càng chính xác càng tốt. Hãy xem đây là cuộc trò chuyện với một cộng sự dày dạn kinh nghiệm.
Mục tiêu nghiên cứu của bạn sẽ bao gồm những yếu tố sau:
- Thách thức nghiên cứu: Đây là mục tiêu tổng quát của nghiên cứu. Phần này cần xác định vấn đề mà bạn đang giải quyết, các mục tiêu cụ thể mà bạn muốn đạt được và tiêu chí để được xem là "thành công". Thách thức nghiên cứu có thể có nhiều hình thức. Ví dụ:
- "Điều gì sẽ xảy ra tiếp theo …"
- Tìm kiếm cơ chế hoạt động
- Đánh giá cơ sở lý luận
- Đánh giá những đề xuất hàng đầu để thử nghiệm
- Tìm chiến lược để đảo ngược kết quả sinh học
- Tìm lý do tại sao một phương án có thể thất bại
- Yêu cầu thiết kế
- Đề xuất chiến lược thay thế
- Lĩnh vực trọng tâm: Đây là những trụ cột hoặc lĩnh vực nghiên cứu cụ thể mà hệ thống sẽ khám phá để giải quyết thách thức của bạn. Chúng đóng vai trò là các "góc nhìn" giúp thu hẹp phạm vi tìm kiếm giải pháp.
- Lựa chọn ưu tiên: Phần này xác định cách bạn muốn tiến hành nghiên cứu và mọi giới hạn cụ thể đối với các giải pháp. Phần này giúp định hướng hệ thống theo hướng phương pháp kỹ thuật mà bạn ưu tiên.
- Tiêu đề: Không bắt buộc nhưng hữu ích cho việc sắp xếp mục tiêu của bạn.
- Sau khi bạn định cấu hình một lượt chạy và xác định thách thức nghiên cứu, Hypothesis Generation sẽ tự động đề xuất tiêu đề.
- Để nhận diện nhanh các mục tiêu cụ thể theo cách trực quan, hãy thêm một biểu tượng cảm xúc.
- Để thay đổi tiêu đề, hãy nhấp vào biểu tượng Tuỳ chọn khác
Đổi tên.
Đổi tên.Quan trọng: Bạn chỉ có thể thực hiện đồng thời 3 lượt Chạy tiêu chuẩn và 1 lượt Chạy nâng cao. Hypothesis Generation tiêu tốn rất nhiều tài nguyên tính toán cho mỗi lượt chạy.
- Mở Hypothesis Generation trên máy tính.
- Trong phần mục tiêu nghiên cứu, ở trên cùng bên phải, hãy nhấp vào Định cấu hình lượt chạy.
- Chọn loại lượt chạy.
- Chạy tiêu chuẩn: Nhận kết quả nhanh hơn khi thử nghiệm và tinh chỉnh mục tiêu nghiên cứu.
- Chạy nâng cao: Nhận thông tin phân tích toàn diện và chuyên sâu hơn để khám phá những đột phá mới. Bạn cũng có thể nhận được những đề xuất tinh tế hoặc đa dạng hơn.
- Nhấp vào Bắt đầu chạy.
- Bạn sẽ nhận được email khi báo cáo đã sẵn sàng.
Lưu ý: Quá trình chạy có thể mất vài giờ mới hoàn tất.
Khắc phục sự cố hoàn tiền cho tín dụng AI đối với các lượt chạy không thành công
Quan trọng: Một lượt chạy chỉ được coi là không thành công nếu trạng thái của lượt chạy đó hiển thị là "Không thành công" trong phần các lượt chạy gần đây.
Nếu một lượt chạy không hoàn tất, mọi tín dụng AI đã dùng trong lượt chạy đó có thể được hoàn tiền vào tài khoản của bạn. Nếu bạn bị tính phí cho một lượt chạy không thành công, hãy liên hệ với Nhóm hỗ trợ Google One để bắt đầu quy trình hoàn tiền.
Lưu ý: Quá trình đồng bộ hoá trạng thái của một lượt chạy có thể mất chút thời gian. Nếu báo cáo không xuất hiện ngay sau khi hoàn tất, hãy thử làm mới trình duyệt.Sau khi bạn xác định mục tiêu nghiên cứu và bắt đầu chạy quy trình, Hypothesis Generation sẽ tiến hành rà soát tài liệu chuyên sâu, đề xuất các ý tưởng mới bằng phương pháp sàng lọc cạnh tranh và đúc kết các hướng nghiên cứu tiềm năng trong báo cáo mục tiêu.
- Trên máy tính, hãy mở công cụ Hypothesis Generation.
- Tìm nghiên cứu của bạn.
- Tìm nghiên cứu gần đây: Di chuyển xuống phần "Nghiên cứu gần đây".
- Tìm tất cả nghiên cứu: Ở trên cùng bên trái, hãy nhấp vào biểu tượng Mục tiêu
.
- Nhấp vào một mục tiêu nghiên cứu.
- Bạn sẽ thấy các mục tiêu nghiên cứu ở dạng bản nháp, đang thực hiện và trước đây cùng với ngày tạo của chúng.
Xem tài liệu
Trên trang báo cáo mục tiêu, hãy nhấp vào một trong các thẻ sau:
- Ý tưởng: Xem toàn bộ bảng xếp hạng các đề xuất nghiên cứu được tạo.
- Để giúp bạn xác định những ý tưởng có chất lượng cao nhất, các đề xuất được xếp hạng theo điểm Elo.
- Các đề xuất cũng được phân loại thành 2 nhóm cho bạn dễ xử lý: Tiềm năng cao và Không khả thi.
- Cơ sở kiến thức: Kho lưu trữ tập trung gồm tài liệu kỹ thuật chuyên sâu, thông tin chi tiết dựa trên nghiên cứu, dữ liệu chi tiết được thiết kế để tham khảo nhanh và phân tích toàn diện.
- Tóm tắt: Cái nhìn tổng quan đúc kết từ toàn bộ hoạt động nghiên cứu
- Thông số chạy: Xem thông tin chi tiết về các tham số và ràng buộc cụ thể tạo nên một "lượt chạy" nghiên cứu.
Mẹo: Để tìm hiểu sâu hơn về những ý tưởng cụ thể hoặc cân nhắc các phương án đánh đổi, ở bên phải, hãy nhấp vào biểu tượng Mở tác nhân .
Xuất hoặc chia sẻ báo cáo mục tiêu
Để cộng tác với đồng nghiệp hoặc phân tích thêm kết quả, hãy xuất hoặc chia sẻ báo cáo mục tiêu.
Xuất báo cáo mục tiêu trong NotebookLM
Mở báo cáo mục tiêu ngay trong NotebookLM để tương tác với kết quả, đặt câu hỏi nối tiếp và tổng hợp báo cáo với các tài liệu nghiên cứu khác.
- Trên máy tính, hãy mở công cụ Hypothesis Generation.
- Ở bên trái, nhấp vào biểu tượng Mục tiêu
- Nhấp vào một mục tiêu nghiên cứu.
- Ở trên cùng bên phải, hãy nhấp vào Mở trong NotebookLM.
Chia sẻ báo cáo mục tiêu
Tạo và sao chép một đường liên kết riêng biệt đến báo cáo mục tiêu của bạn.
- Trên máy tính, hãy mở công cụ Hypothesis Generation.
- Ở bên trái, nhấp vào biểu tượng Mục tiêu
- Nhấp vào một mục tiêu nghiên cứu.
- Ở trên cùng bên phải, hãy nhấp vào biểu tượng Chia sẻ
.
- Bật tuỳ chọn Cho phép chia sẻ công khai.
- Nhấp vào Sao chép.
Tải báo cáo mục tiêu xuống
Lưu bản sao cục bộ của báo cáo mục tiêu vào thiết bị để lưu trữ hoặc xem khi không có mạng.
- Trên máy tính, hãy mở công cụ Hypothesis Generation.
- Ở bên trái, nhấp vào biểu tượng Mục tiêu
- Nhấp vào một mục tiêu nghiên cứu.
- Ở trên cùng bên phải, hãy nhấp vào biểu tượng Tải xuống
.
- Chọn một phương thức tải xuống.
Trích dẫn Hypothesis Generation khi bạn công bố kết quả
Nếu bạn sử dụng công cụ Hypothesis Generation trong nghiên cứu của mình, vui lòng sử dụng trích dẫn này:
@article{Gottweis2026,
title = {Accelerating scientific discovery with Co-Scientist},
ISSN = {1476-4687},
url = {http://dx.doi.org/10.1038/s41586-026-10644-y},
DOI = {10.1038/s41586-026-10644-y},
journal = {Nature},
author = {Gottweis, Juraj and Weng, Wei-Hung and Daryin, Alexander and Tu, Tao and Sirkovic, Petar and Myaskovsky, Artiom and Glowaty, Grzegorz and Weissenberger, Felix and Orlandi, Alessio and Popovici, Dan and others},
year = {2026},
month = May
}
Để xác nhận việc dùng Hypothesis Generation trong nghiên cứu của mình, bạn nên thêm văn bản sau vào phần phương pháp:
Sử dụng công cụ AI: Hệ thống Hypothesis Generation được dùng trong quá trình tạo và ưu tiên giả thuyết cũng như thiết kế thử nghiệm [ngày sử dụng]
Trích dẫn ở định dạng khác
- Định dạng APA: Gottweis, J., Weng, W.-H., Daryin, A., Tu, T., Sirkovic, P., Myaskovsky, A., Glowaty, G., Weissenberger, F., Orlandi, A., Popovici, D., Palepu, A., Rong, K., Tanno, R., Saab, K., Zhang, F., Blum, J., Carroll, A., Kulkarni, K., Tomašev, N., … Natarajan, V. (2026). Accelerating scientific discovery with co-scientist. Nature. https://doi.org/10.1038/s41586-026-10644-y
- Định dạng MLA: Gottweis, Juraj, et al. "Accelerating Scientific Discovery with Co-Scientist." Nature (2026), https://doi.org/10.1038/s41586-026-10644-y.
- Định dạng Chicago: Gottweis, Juraj, Wei-Hung Weng, Alexander Daryin, Tao Tu, Petar Sirkovic, Artiom Myaskovsky, Grzegorz Glowaty, et al. 2026. "Accelerating Scientific Discovery with Co-Scientist." Nature, tháng 5 năm 2026. https://doi.org/10.1038/s41586-026-10644-y.
- Định dạng Harvard: Gottweis, J., Weng, W.-H., Daryin, A., Tu, T., Sirkovic, P., Myaskovsky, A., Glowaty, G., Weissenberger, F., Orlandi, A., Popovici, D. et al. (2026) 'Accelerating scientific discovery with Co-Scientist', Nature. doi: 10.1038/s41586-026-10644-y.