ИИ в науке
Часть 2. Заменит ли ИИ учёных?
В настоящее время всё острее становятся дискуссии о замене людей искусственным интеллектом (ИИ), который осваивает всё новые и новые сферы деятельности. Он уже покусился на искусство и, более того, вторгся в святая святых человеческого гения — в науку. Теперь он не просто обрабатывает данные, а доказывает теоремы, которые десятилетиями оставались непокорёнными, проектирует эксперименты, находит закономерности природы, которые люди долгие годы пропускали, и даже предлагает гипотезы. Означает ли это, что мы стоим на пороге эпохи, где учёные-люди станут не нужны? Или, наоборот, вступаем в золотой век совместных открытий? Давайте посмотрим, что ИИ в науке умеет уже сейчас, а чему он только учится, и почему, возможно, суть научной революции XXI века будет заключаться в другом методе открывать новое.
Сможет ли ИИ заниматься наукой лучше людей?
В этой статье я нарушу традиционное построение текста, когда ответ на главный вопрос даётся в конце. Здесь начнём именно с него, а потом уже приведём примеры успехов ИИ как «учёного».
Сразу хочу успокоить читателей, замена учёных-творцов на ИИ, по крайней мере в ближайшее время, нам не грозит. Описания возможностей ИИ в прессе часто страдают огромными преувеличениями, причины которых различны: от рекламы разработок и стремления привлечь внимание до желания создать сенсацию. К тому же обсуждение возможностей ИИ вообще — тема необъятная и неоднозначная, а вот применение ИИ в науке — вещь во многом проверяемая, и потому его анализ можно сделать достаточно объективным. Для понимания же реальных возможностей ИИ в науке надо сначала разобраться с некоторыми особенностями этого рода деятельности.
«Бутылочным горлышком», которое отсеивало первооткрывателей от остальных людей, занимавшихся наукой, всегда был этап формулирования научной гипотезы и постановки новой задачи. Но прежде чем говорить об этом, я хочу отметить отличие нашего времени от предшествующих эпох. Уже к концу XX века наука столкнулась с явлением, которое историки науки образно называют исчерпанием низко висящих плодов. Его суть заключается в том, что все фундаментальные законы, которые можно было открыть с помощью достаточно простых инструментов, уже открыты. Налицо парадокс: объём накопленных данных растёт всё быстрее (экспоненциально), в то время как скорость фундаментальных открытий замедляется. Традиционный научный метод, основанный на человеческой интуиции и «ручном» анализе данных, достигает пределов своих возможностей.
В прошлом учёный не обладал достаточным количеством достоверных знаний о природе, но благодаря своей эрудиции и уникальной интуиции совершал открытия. Примером служит разработка во второй половине XIX века Дмитрием Ивановичем Менделеевым, который ничего не знал о строении атомов, Периодической системы химических элементов. В начале уже XX века Альберт Эйнштейн, выдвинув гипотезу, противоречащую тогдашней физике, создал теорию относительности. А в 1930 году Вольфганг Паули буквально выдумал новую крошечную частицу с невероятными свойствами, чтобы спасти закон сохранения энергии. Более того, иногда люди выдвигали удачные идеи, по сути, без всяких на то оснований. Чего стоит идея атомов, принадлежащая древнегреческим философам Левкиппу и Демокриту, просуществовавшая две с половиной тысячи лет до наших дней.
Сегодня помимо интуиции учёный должен обладать колоссальным объёмом знаний, чтобы заметить закономерность в огромном потоке данных. Недаром сейчас нередко открытия делают не одиночки, а целые коллективы учёных, достигающие иногда сотен участников. Поэтому ИИ, способный оперировать с очень большими данными, в наше время становится просто необходимым инструментом научной работы.
Однако когда мы ставим вопрос о замене учёного-человека на ИИ, мы имеем в виду не замену рядового труженика, обрабатывающего данные или занимающегося другой черновой работой, в том числе экспериментальной. При этом я не говорю, что такие люди не нужны, наоборот, без них наука просто невозможна. Гений в одиночку сейчас не справится с потоком данных и не создаст оборудование для проверки свой гипотезы. Кроме того, гипотез всегда много и проверять нужно все — и верные, и неверные. Это тоже жизнь науки. Но движение вперёд держится на тех, кто способен формулировать новые теоремы и гипотезы. Поэтому главный вопрос в том, способен ли на это ИИ? Пока это самое слабое место.
Здесь надо выделить две составляющие: поиск новых законов для данных, которые у нас уже есть, и выход за пределы этих данных. Что касается первой, то заметить закономерность в данных или рассуждениях современный ИИ уже может. Это замечательно, но это ещё не закон природы. Для того чтобы найденная зависимость стала законом, её надо сформулировать в виде универсального утверждения и осознать, что это утверждение важно и соотносит ранее несвязанные понятия. С этим на данный момент у ИИ сложности. Формулировка хорошей гипотезы требует чувства «важности» и «глубины», которое у машин пока отсутствует. Возможно, надо будет научить ИИ умению оценить ещё и красоту теории. Как искренне верил Поль Дирак: если теория по-настоящему красивая и изящная, то она просто обязана оказаться верной. Разумеется, у этой идеи много очень авторитетных противников, но всё же в ней что-то есть. К тому же сформулированное утверждение обязано согласовываться с уже установленными надёжными законами науки и давать новые следствия или предсказания, которые можно проверить в будущем. Это тоже проблематично для ИИ, просто обученного на существующих данных.
ИИ может предложить неожиданный существующий метод или их комбинацию для решения задачи, но только если эту проблему поставит перед ним человек. Кроме того, ключевое слово здесь: «существующий». Современный ИИ не изобретёт принципиально нового метода или подхода для решения задачи. И что самое главное, ИИ пока не может самостоятельно поставить перед собой новую задачу и задаться типичными для человека и важнейшими для науки вопросами: «Интересно, а верно ли, что…?» или «А что будет, если…?». Хотя здесь есть некоторые подвижки.
Так что ИИ можно рассматривать как поставщика кандидатов в гипотезы, а вот выяснение, годятся ли они на это, создание окончательной формулировки, выдача предсказаний и способов их проверки — всё ещё прерогативы человека. С проверкой готовых гипотез у ИИ всё значительно лучше. Это не идеально, но всё равно замечательно, поскольку сильно облегчает работу учёных. ИИ здесь не замена, а помощник и соавтор.
Зато у ИИ отсутствует предвзятость: он может найти более простое или элегантное математическое описание процесса, которое человек упустил из-за приверженности определённой научной школе. ИИ не ограничен ранее существовавшими предположениями и предубеждениями.
Однако с выдвижением гипотез, выходящих за рамки имеющихся знаний, у ИИ пока что всё плохо. Он принципиально не может выдвинуть идею, подобную СТО или нейтрино. Для этого, по всей видимости, необходимо создать так называемый сильный ИИ (в англоязычной литературе его называют искусственным общим интеллектом: artificial general intelligence — AGI) — компьютерную систему, которая способна мыслить, обучаться и решать любые задачи наравне с человеком или даже превосходить его. Возможно, он сможет выдвигать гипотезы на уровне Эйнштейна или Паули. На сегодняшний день такой ИИ не разработан, хотя ряд специалистов вроде Илона Маска и Сэма Альтмана (глава OpenAI) оптимистично полагают, что это произойдёт совсем скоро. Но я солидарен с точкой зрения одного из основоположников глубокого обучения и, значит, современного ИИ Яном Лекуном, который придерживается мнения, что на это могут потребоваться десятилетия и совершенно другие научные подходы. К слову, многие специалисты считают, что Лекун тоже заслужил Нобелевскую премию, которую дали в 2024 году «За фундаментальные открытия и изобретения, обеспечивающие машинное обучение с помощью искусственных нейронных сетей»*. Но увы! Лауреатов может быть только трое.
* См. статью: А. Понятов. Премия за нефизический инструмент для физики и не только. «Наука и жизнь» № 11, 2024 г.
Кроме того, у использования ИИ в науке есть ещё одна проблема, на которую ранее указывал ряд специалистов, но 11 сентября 2026 года произошёл важный «массовый залп», как ответ на последние громкие успехи ИИ. На специально созданном сайте mathandai.org появилось открытое письмо-декларация «A Severe Misalignment of AI in Mathematics» («Серьёзное несоответствие между применением ИИ и математикой»). Свои подписи под ним поставили 25 лауреатов Филдсовской премии (самой престижной награды в мире математики, которую часто называют Нобелевской премией для математиков). В их числе и математики из России. Суть их претензий в том, что участившиеся случаи решения ИИ крупных математических задач ради места в рейтингах, как ни парадоксально, не способствуют развитию математики. Для науки важно глубокое понимание сути явлений и методов их решений, а не просто быстрая генерация ответов «правильно/ неправильно» машиной. Это понимание достигалось сообществом математиков в ходе длительного и трудного процесса обсуждений и дискуссий. Затем в идеале результаты излагались в учебниках, на которых учатся следующие поколения учёных. Самостоятельное решение ими задач развивает навыки, необходимые для успешной деятельности. Пока исследования с использованием ИИ часто нарушают этот процесс не только в математике, но и в других науках. На сайте открыт сбор подписей. Всего за две недели письмо поддержали уже около восьми тысяч учёных со всего мира.
Однако я хочу заметить, что появившиеся интерпретации письма в стиле: «ИИ уничтожает математику!» — неверны. Авторы просто отвесили щелчка ИИ-бизнесу и, подобно пушкинскому Балде, приговаривали: «Не гонялся бы ты, поп, за дешевизной». В том смысле, что притормозите и дайте время осознать полученные результаты, вписать их в общее развитие математики.
Я надеюсь, что со временем все эти проблемы будут решены, хотя, возможно, и не скоро, а пока давайте обсудим, чего достиг ИИ в настоящее время.
Модели мира
Ян Лекун полагает, что большие языковые модели (LLM)**, на которых основаны современные ИИ-исследования, несмотря на огромные успехи, представляют собой тупиковую ветвь на пути к созданию AGI, поскольку они не имеют истинного понимания физического мира, здравого смысла и памяти, а оперируют только статистикой текста. В противовес этому подходу он развивает так называемые модели мира — нейросети, которые не предназначены для работы с каким-то конкретным видом данных, а станут на опытах и наблюдениях самостоятельно формировать полноценную картину мира, подобно тому, как учатся сами люди. Такой ИИ будет имитировать законы физики и логику мира — его причинно-следственные связи. Причём «мир» здесь понимается не обязательно глобально, а может представлять собой любую отдельную область знаний. Ожидается, что этот подход позволит ИИ видеть суть и скрытые связи (абстракции), игнорируя мешающие детали (шум). Например, если мы анализируем движения объекта, то информация о его цвете, тем более о цвете отдельных пикселей совершенно излишня, то есть представляет собой шум. Избавление от шума, которое делает сам ИИ, облегчает и ускоряет обучение, позволяя сосредоточиться на ключевых параметрах движения.
** О терминологии и технологиях см. статью: А. Понятов. Камо грядеши, искусственный интеллект? «Наука и жизнь» № 8, 2026 г.
В своих публичных выступлениях Лекун часто шутит, что современный ИИ (вроде ChatGPT) всё ещё глупее обычного домашнего кота. LLM «прочитала» весь интернет и знает, как красиво и грамотно складывать слова, но никогда не видела и не «щупала» то, о чём пишет. Кот не умеет читать и писать, но точно знает, как устроен этот мир: с какого расстояния нужно прыгнуть, чтобы попасть на шкаф, и что будет, если сосиска упадет на пол. Ян Лекун стремится дать ИИ подобное «кошачье» понимание реальности. Разумеется, недостатки современных ИИ мэтр преувеличивает в полемическом задоре, но определённая правда в его словах есть.
В 2022 году Лекун предложил архитектуру самообучающихся нейронных сетей JEPA (Joint-Embedding Predictive Architecture: Архитектура предсказания совместного эмбеддинга). Здесь эмбеддинг означает векторное представление — перевод сложных данных в набор чисел (вектор). Слово «совместный» указывает, что система сравнивает эмбеддинги двух разных объектов, пытаясь предсказать один вектор на основании другого. Таким образом, в отличие от генеративного ИИ, который оперирует с пикселями и символами, JEPA учится работать с объектами, понимать общий смысл и предсказывать абстрактные концепции. В настоящее время на этой архитектуре разработано несколько моделей. В частности, в 2025 году появилась V-JEPA 2, способная понимать, прогнозировать и планировать движения.
Заметим, что Лекун не одинок, работы в этом направлении ведёт ещё один пионер современного ИИ Юрген Шмидхубер, с которым у Лекуна давний спор о приоритете. Также ими занимаются ряд компаний США и Китая. Например, в 2025 году фирма NVIDIA представила целую линейку своих продуктов на платформе Cosmos World Foundation Model Platform, которая помогает разработчикам создавать пользовательские модели мира. Возможно, если данные работы увенчаются успехом в создании модели целых областей науки, скажем, физики или химии, это сильно продвинет применение ИИ в науке.
Здесь есть любопытный момент. Если удастся построить достаточно полную модель мира для какой-либо области знания, то выход за её пределы можно имитировать подачей в неё некоторого шума. Представим себе, что у нас есть модель физики по состоянию на 1930 год. Интересно, удалось бы нам таким способом получить гипотезу нейтрино? Сложный вопрос… Но попробовать точно стоит.