Изображение создано при помощи модели Шедеврум
Искусственный интеллект способен резко ускорить научные исследования: помочь сформулировать гипотезу, найти закономерности в больших массивах данных, провести расчеты и предложить новые направления поиска. Но вместе с производительностью растет и другая проблема — количество результатов, которые необходимо проверить. О том, почему главным ограничением науки может стать уже не способность генерировать новые идеи, а возможность быстро и надежно определить, какие из них действительно работают, поговорили с экспертом Института статистических исследований и экономики знаний (ИСИЭЗ) НИУ ВШЭ Зауром Мамедьяровым.
Китай и Республика Корея рассматривают искусственный интеллект не как отдельный технологический инструмент, а как основу масштабной трансформации науки и экономики.
В Китае ИИ включен в 15-й пятилетний план на 2026–2030 годы как один из ключевых инструментов модернизации экономики. Страна развивает национальную вычислительную инфраструктуру, интегрированную сеть суперкомпьютеров, центров интеллектуальных вычислений и облачных платформ. При этом акцент постепенно смещается от разработки самих моделей к их массовому применению в промышленности, науке и других сферах. Отдельное направление — физический ИИ, включая роботизированные системы и гуманоидных роботов.
Республика Корея в Шестом базовом плане развития науки и технологий на 2026–2030 годы делает ставку на ИИ как сквозной инструмент научно-технологической политики. В планах — национальная вычислительная инфраструктура, базовые ИИ-модели для приоритетных научных направлений, ИИ-соисследователи и автономные лаборатории. Одновременно страна меняет систему финансирования государственных НИИ и делает ее более долгосрочной и предсказуемой. В 2026 году бюджет Кореи на ИИ вырос более чем втрое — с 3 до 9,9 трлн вон.
Однако, по мнению Заура Мамедьярова, объем вложений или количество запущенных ИИ-систем еще не показывают, насколько изменилась наука.
Государственные стратегии часто используют количественные показатели: число внедренных систем, объем вычислительных мощностей, количество организаций, использующих ИИ. Но сами по себе эти показатели мало говорят о научной эффективности.
«Такие целевые показатели, как проникновение ИИ-агентов свыше 70% к 2027 году, в принципе неизмеримы: непонятно, как их мерить, методик нет. Выполнение такой цели будет признаком освоения бюджета, а не научной трансформации.», — говорит Заур Мамедьяров.
По его мнению, гораздо важнее смотреть на то, что именно изменилось в научном процессе.
«Нужно говорить о том, что с помощью ИИ были достигнуты какие-то результаты: например, сокращен временной интервал между научной гипотезой и ее подтверждением или опровержением. Тогда мы будем говорить, что научный прогресс трансформировался под воздействием ИИ», — считает эксперт.
Такой подход меняет и саму логику оценки ИИ в науке. Если раньше ограничением могла быть способность ученого сформулировать и проверить несколько гипотез, то ИИ способен предложить гораздо больше вариантов за то же время.
Но это создает новую проблему.
«Сейчас конкретная проблема с ИИ в науке гораздо больше. Можно производить в единицу времени больше, но генерация подешевела на порядок, верификация — нет. Поэтому доля "мусора" в общем потоке растет», — отмечает эксперт.
По его словам, узким местом постепенно становится верификация — проверка того, какие из сгенерированных результатов действительно имеют научную ценность.
«Нужно смотреть на сокращение времени между возникновением гипотезы и ее отработкой. И на количество, например, отрицательных результатов», — отмечает Заур Мамедьяров.
Отрицательные результаты в данном случае тоже становятся показателем эффективности. Если ИИ позволяет исследователям быстро отсеивать тысячи неработающих гипотез, это может быть не менее значимым результатом, чем количество подтвержденных идей.
Например, в разработке лекарств можно представить ситуацию, когда вместо сотни потенциальных молекул исследовательская система способна проверить тысячи, плюс рост числа кандидатов без роста мощности подтверждения ничего не дает. Даже если большая часть из них будет отвергнута, сама скорость отбора может увеличить вероятность найти действительно перспективное соединение.
Таким образом, ценность ИИ для науки может заключаться не только в том, что он создает больше идей, но и в том, что позволяет быстрее отделять рабочие идеи от нерабочих.
И Китай, и Южная Корея вкладываются в создание национальной вычислительной инфраструктуры. Национальная цель Кореи — 52 тыс. передовых ИИ-ускорителей к 2028 году и 260 тыс. — к 2030-му.
Китай развивает восемь национальных вычислительных узлов и десять кластеров центров обработки данных в рамках проекта «Восточные данные — западные вычисления».
Но простое увеличение мощности не гарантирует научного результата.
«Хорошо, я купил еще одну карту, мы потратили деньги, но при этом у нас исследования остаются невоспроизводимыми. И эти затраты таким образом не перетекут в научный прогресс», — говорит Заур Мамедьяров.
По его мнению, огромные объемы вычислений нужны далеко не для каждой научной задачи. Для большинства повседневных исследований гораздо важнее возможность массового доступа к небольшим вычислительным ресурсам и наличие понятного процесса их использования.
«Мне кажется, задач, которые требуют огромных объемов вычислений, мало. Это какие-то очень фундаментальные вопросы математики и биологии, которые в любом случае потребуют огромных государственных, возможно, международных затрат», — уверен он.
Поэтому, считает эксперт, эффективнее может оказаться не несколько гигантских центров, доступных небольшому числу организаций, а распределенная инфраструктура.
«Успех определяет именно разнообразие, именно массовость участников, которые используют небольшой вычислительный ресурс», — говорит эксперт.
Еще одна особенность ИИ-науки — очень быстрый цикл обновления технологий.
Классическая научная инфраструктура может использоваться десятилетиями: лаборатория или крупная установка после строительства остается востребованной в течение многих лет. С ИИ ситуация другая.
«Синхротрон, условно, построенный сегодня, в 2050 году еще будет релевантен. А кластеры GPU, которые строятся сегодня, к 2030 году вряд ли будут релевантны», — объясняет ученый.
Это означает, что ИИ-трансформация требует не только крупных первоначальных инвестиций, но и постоянных расходов на обновление.
«Капиталоемкость одного научного результата в науке, движимой ИИ, выше, и требуется гораздо больше бюджета на то, чтобы постоянно замещать необходимую инфраструктуру, необходимый доступ к моделям для того, чтобы продолжать вести этот ИИ-нативный научный процесс», — считает исследователь.
Причем обновлять придется не только оборудование.
«Каждый месяц, каждые три месяца что-то новое выходит. Здесь это разовые волны. На самом деле этих волн будет много. И вот эти планы как будто бы не предвидят, что нужны будут дополнительные скачки затрат на горизонте пяти–десяти лет», — полагает он.
Если ИИ начинает участвовать практически во всех этапах исследования, возникают вопросы, на которые существующие правила науки пока не дают очевидного ответа.
Кто считается автором результата, если ключевую гипотезу предложила система? Кто будет отвечать за ошибочный результат? Как патентовать разработку, созданную с использованием ИИ?
«Узкое место смещается в сторону проверки результатов. Это уже общее место в целом во всей сфере ИИ. С этим нужно что-то делать, потому что мир переполняется непроверенными, неверифицируемыми результатами», — говорит эксперт.
По его мнению, потребуется определить, кто именно будет заниматься проверкой и какие критерии использовать.
Особенно сложным может стать вопрос интеллектуальной собственности.
«В патентном праве нужен какой-то изобретатель — конкретное физлицо. Ну вот как это будет работать, если система была спроектирована с помощью ИИ, какая-то схема новая? Вообще пока непонятно. Как тогда это можно будет использовать в коммерческих целых?», — рассуждает Заур Мамедьяров.
В результате может появиться новая специализация — специалисты, которые будут не столько генерировать научные идеи, сколько оценивать и проверять поток результатов, созданных ИИ.
«Возможно, люди будут заниматься именно этим и будут учиться науке только для того, чтобы понимать, что генерит AI», — считает ученый.
Наконец, ИИ не устраняет ограничения, связанные с физической научной инфраструктурой. Даже самая мощная модель не сможет полностью заменить сложное оборудование, необходимое для эксперимента.
По мнению Заура Мамедьярова, конкуренция будет усиливаться за «узкие места» технологических цепочек — специфическое оборудование и программное обеспечение, без которых невозможно провести эксперимент.
Поэтому ИИ не отменяет классическую научную инфраструктуру. Напротив, ее значение может вырасти: если гипотез становится больше, возрастает спрос на инструменты, способные быстро и надежно их проверить.
Китай и Республика Корея уже создают инфраструктуру для ИИ-трансформации науки. Их подходы различаются, но обе страны рассматривают ИИ как часть более широкой перестройки исследовательской системы.
Однако следующий этап этой трансформации может оказаться сложнее самого внедрения ИИ.
Если машина научится генерировать тысячи гипотез вместо сотен, главным ресурсом станет способность проверить эти гипотезы. Поэтому успех ИИ в науке придется оценивать не количеством моделей, GPU или созданных с их помощью текстов и идей, а тем, насколько быстрее научная система способна пройти путь от гипотезы до надежного результата. Именно здесь, по сути, проходит граница между цифровизацией науки и ее настоящей трансформацией, заключает исследователь.
В подписке — дайджест статей и видеолекций, анонсы мероприятий, данные исследований. Обещаем, что будем бережно относиться к вашему времени и присылать материалы раз в месяц.
Спасибо за подписку!
Что-то пошло не так!