Наука в эпоху ИИ

Искусственный интеллект (ИИ) постепенно трансформирует науку. Ученые все чаще выступают в роли архитекторов смыслов, а нейросети становятся эффективными помощниками и даже соавторами исследований. О том, как меняется научная среда под влиянием ИИ и чем он может быть опасен для неподготовленного исследователя, разбирались «Ведомости&».

ИИ идет в науку

Более 25% ученых, уже использующих ИИ в своих исследованиях, ожидают, что эта технология станет неотъемлемым инструментом для их области науки в ближайшие 10 лет, выяснили в Nature. Еще 47% уверены, что ИИ будет очень полезен в их работе. Количество ученых, применяющих в своей деятельности ИИ-инструменты, неуклонно растет, подтверждает предварительный отчет за 2025 г. академического издания Whiley. Только за 2025 г. доля тех, кто использует новые технологии, увеличилась с 57 до 84%.

«Сегодня ИИ перестал быть просто экспериментальным инструментом и становится базовой частью научного процесса. Он помогает исследователям обрабатывать большие массивы данных, быстро находить закономерности и тестировать гипотезы, освобождая время для анализа и интерпретации результатов. Мы видим, что активно ИИ уже используется в физике, химии, биоинформатике и медицине, где объемы данных и сложность экспериментов требуют современных вычислительных решений», – говорит Анна Лемякина, директор по национальным и стратегическим проектам Yandex Cloud*.

В основном (80%) это общедоступные универсальные ИИ-решения. Но в 25% случаев ученые задействовали специализированные ИИ-инструменты для исследований. Респонденты опроса, проведенного в 2024 г. Oxford University Press в научной среде, наиболее популярными сервисами назвали машинный перевод (49%), чат-боты (43%) и поисковые системы (25%). Активно задействованы ИИ-технологии для решения различных профессиональных задач: 41% – для поиска релевантной литературы, примерно 35% – для ее обобщения и редактуры текста, по 25% – для генерации идей, сбора данных и их анализа.

ИИ хорошо решает такие базовые задачи, как обзор литературы, агрегация и структурирование идей, улучшение и уточнение текста, считает Алексей Толстиков, руководитель Школы анализа данных (ШАД; бесплатные двухгодичные программы по компьютерным наукам от «Яндекса»). Также ИИ может быть полезен для более сложных задач. К примеру, для переноса части экспериментов в цифровую плоскость: симуляции, цифровые двойники, генерация неочевидных гипотез под конкретную область, перечисляет он. «Применение ИИ стало необходимостью. Важно смотреть на него не только как на инструмент, а как на помощника, сопроектировщика научного исследования», – говорит он.

Ученые научились делегировать рутину

Работа с информацией – первое, что ИИ позволяет человеку делать эффективнее, говорит Николай Суетин, заместитель председателя правления по науке и технологиям фонда «Сколково» (группа ВЭБ.РФ). «Количество научных публикаций растет экспоненциально, и один исследователь физически не способен охватить даже узкую область. ИИ-ассистенты вроде Elicit или ResearchRabbit берут на себя эту рутину: они читают тысячи статей, выделяют ключевые идеи, связывают авторов и темы в графы, подсказывают, где скрываются пробелы и перспективные направления. Если раньше поиск литературы занимал недели, то теперь – часы. Ученый получает концентрат смыслов, а не гору PDF-файлов», – объясняет Суетин.

Открытый доступ к научным данным и публикациям предоставляет огромные массивы информации для обучения и валидации моделей, используемых ИИ, подтверждает Александр Белов, руководитель департамента прикладной математики МИЭМ ВШЭ. Такие объемы научных данных уже невозможно обработать традиционными методами, подчеркивает он. «Даже в научной среде значительную часть времени занимает рутина: поиск данных, обработка документов и работа с текстами», – подтверждает Роман Королев, коммерческий директор «Яндекс 360*», и приводит в пример умного ассистента «Алиса Про*», встроенного в сервисы виртуального офиса «Яндекс 360». «Он позволяет автоматизировать эти задачи, высвобождая интеллектуальный ресурс для научной деятельности. Например, при подготовке доклада в редакторе документов поможет справиться с «синдромом чистого листа», превратит разрозненные идеи в структурированный текст, улучшит стиль и даже адаптирует сложный научный текст под целевую аудиторию», – отмечает Королев.

Ускоритель научных частиц

Скорость – еще один значимый эффект от применения ИИ. «Если раньше на анализ определенных задач могли уходить месяцы или часы, то сейчас при правильном применении ИИ, различных решений на его базе это время можно существенно снижать», – считает Лемякина. Это подтверждает статистика Минобрнауки: например, благодаря использованию ИИ скорость синтеза металлических сплавов увеличилась в 200 раз, а время перебора потенциальных составов лекарств в фармацевтике сократилось на 50%, заявлял глава Минобрнауки Валерий Фальков.

Максим Абрамов, руководитель лаборатории прикладного искусственного интеллекта СПб ФИЦ РАН, приводит другой пример: совместно с РАНХиГС в университете был создан классификатор управленческих должностей и алгоритмы, позволяющие на основе открытых данных о выпускниках вузов прогнозировать карьерную динамику и эффективность образовательных программ для оценки кадровых резервов и формирования управленческого корпуса. Без инструментов ИИ достичь такого масштаба анализа и скорости обработки данных было бы невозможно, уверяет он.

ИИ в науке реально помогает опытным ученым, увеличивая их продуктивность до 2 раз, утверждает Александр Бухановский, доктор технических наук, руководитель исследовательского центра «Сильный ИИ в промышленности» Университета ИТМО: «Для человека, только вставшего на путь науки, бездумное применение ИИ чревато «изобретением велосипеда», поскольку он не имеет достаточной эрудиции и опыта, чтобы оценить качество результата. В итоге продуктивность не только не растет, а даже падает, поскольку такой ученый может тратить много сил на проверку разнообразных «открытий» от ИИ».

Согласно совместному исследованию НАФИ и «Яндекс 360», пользователи ежедневно тратят до четырех часов на выполнение рутинных задач. По мнению респондентов, внедрение эффективных цифровых инструментов позволило бы повысить продуктивность, освободить время для творческих задач. «По нашим подсчетам, «Конспект» от «Алисы Про» в «Телемосте»* экономит в среднем около 10 минут на создание саммари по итогам онлайн-встречи. Для пользователей с плотным графиком это до часа времени в день, который можно направить на более важные задачи», – приводит пример оптимизации рутины Королев.

Новый исследовательский метод

В 2025 г. японская компания Sakana AI представила метод AB-MCTS, в котором несколько больших языковых моделей совместно решают одну задачу, обмениваясь гипотезами и улучшая решения. По мнению ученых, это означает, что ИИ переходит от вспомогательной роли ассистента к активной, превращаясь в исследователя, способного к коллективному осмыслению научной проблемы.

«Исторически научные прорывы случались на стыке дисциплин: когда встречались специалисты с разными бэкграундами, возникала новая оптика и появлялся шанс продвинуться вперед. Сегодня ИИ может выступать виртуальным коллегой из другой области – фактически кладезем накопленного знания человечества», – считает Толстиков. Это полностью трансформирует научный метод, добавляя к традиционным этапам («наблюдение, гипотеза, эксперимент») еще и такой этап, как «интеллектуальный анализ данных», добавляет Белов. «ИИ делает научный метод более индуктивным, где общие законы выводятся непосредственно из данных, а не только дедуктивным, идущим от общей теории», – полагает эксперт.

«Прежде всего ИИ позволяет перейти от ручного наблюдения к вычислительному осмыслению реальности», – поясняет Суетин. Например, проект GNoME от DeepMind использует графовые нейросети, чтобы предсказывать устойчивость кристаллических структур. «ИИ «просмотрел» миллиарды возможных комбинаций атомов и открыл 2,2 млн новых материалов, из которых около 380 000 оказались стабильными, т. е. потенциально пригодными для промышленного применения. По масштабу это одно из самых больших открытий в истории материаловедения – 10-кратное расширение каталога известных веществ», – иллюстрирует достижения Суетин.

Генеративные модели также становятся источником свежих гипотез. «Объединить в голове одного исследователя весь спектр подходов и наблюдений из множества областей становится практически невозможным. ИИ как система, умеющая комбинировать методы и идеи, способен генерировать неочевидные пути решения», – рассказывает Толстиков. Например, в Университете «Иннополис» специалисты совместно с компанией Danaflex разработали ИИ-сервис по прогнозированию свойств полимерных пленок, который предсказал 22 свойства пленки и на 30–50% снизил издержки, связанные с экспериментами по разработке образцов гибкой упаковки, полимерных и композитных материалов.

ИИ проникает и в область научного эксперимента. Наглядный пример – проект Argonne AI Lab, в котором роботизированные системы под управлением ИИ самостоятельно смешивают реактивы, меняют параметры и оценивают результаты, сокращая время на подбор катализаторов с шести месяцев до двух недель, рассказывает Суетин.

При этом роль человека не исчезает, а, напротив, усиливается, считает Абрамов: «Ученый становится не только исследователем, но и куратором цифрового интеллекта, обеспечивая корректность постановки задач и интерпретации результатов». По мнению Толстикова, ИИ способен сам стать алгоритмическим рецензентом, симуляционной средой и цифровым двойником процессов: «Речь не о передаче решения одной модели – скорее об ансамбле экспертов: людей и нескольких систем ИИ».

Понять и объяснить

ИИ входит в науку не беспрепятственно. Среди основных барьеров эксперты, опрошенные «Ведомости&», называют претензии к достоверности и верификации полученных данных, отсутствие единых стандартов, нормативной базы для валидации и сертификации результатов научной деятельности, полученных с помощью ИИ. Еще один вызов – нехватка квалифицированных кадров, способных одновременно глубоко разбираться в своей научной области и в методах машинного обучения, добавляет Белов.

Для решения этих задач совместно с экспертным и академическим сообществом Министерство образования проводит исследование эффективных моделей использования ИИ в университетах. «Минобрнауки России видит в интеграции ИИ в научную и образовательную деятельность стратегическую задачу, требующую сбалансированного и ответственного подхода. Сегодня ведомство активизирует работу по подготовке специалистов, владеющих практическими навыками работы с ИИ, – востребованных и конкурентоспособных выпускников на рынке труда. Университеты, в свою очередь, активно интегрируют ИИ-решения в учебные процессы, обеспечивая индивидуальный подход к каждому студенту», – прокомментировал «Ведомости&» замглавы Минобрнауки России Андрей Омельчук.

Во всех учебных планах бакалавриата и специалитета НИУ ВШЭ модуль по изучению цифровых компетенций (программирование, анализ данных, машинное обучение, ИИ) появился еще в 2017 г., отмечает Белов. Значительную роль в обучении студентов навыкам работы со средствами ИИ в исследовательской деятельности играет проектное обучение совместно с индустриальными партнерами, добавляет он.

В ИТМО ИИ активно применяют в предметных областях – урбанистике, социальных науках, эпидемиологии. «С помощью ИИ мы научились эффективно извлекать новые знания из данных и даже выводить уравнения – математические зависимости для законов природы. В химии и материаловедении – генерировать новые объекты, например молекулы или наноструктуры», – рассказывает Бухановский.

В Университете «Иннополис» работает Исследовательский центр в сфере ИИ. По словам его директора Искандера Бариева, сотрудники центра зарегистрировали 80 результатов интеллектуальной деятельности, опубликовали 33 научных исследования в топовых журналах Q1* (наиболее авторитетные научные издания. – «Ведомости&»), разработали 6 образовательных программ и реализовали 83 коммерческих и грантовых проекта на сумму 950 млн руб.

Квалифицированные кадры в сфере ИИ нужны не только вузам, но и бигтехам (подробнее см. здесь). По словам Александра Рыжкова, руководителя недавно созданного R&D-отдела «Авито», компания планирует развивать партнерские программы с университетами. «До 2028 г. компания планирует подготовить около 3000 специалистов, инвестируя во все направления развития ИИ более 12 млрд руб.», – говорит он.

«Яндекс» поддерживает вузовские лаборатории и исследователей, предоставляя им доступ более чем к 75 сервисам Yandex Cloud для работы с данными, обучения моделей и запуска различных симуляций и математических моделей. В распоряжении ученых – Yandex AI Studio* и другие инструменты для совместных экспериментов. «Учитывая растущие потребности ИИ в вычислительных ресурсах, мы также решаем вопрос грантов на предоставление необходимых мощностей», – рассказывает Лемякина.

Еще один проект поддержки молодых специалистов – это новое направление подготовки в Школе анализа данных «Искусственный интеллект в естественно-научных исследованиях». В рамках обучения ученым предлагается поработать на стыке научных исследований и ИИ, рассказывает Толстиков. «Мы можем дать фундамент – математику, алгоритмы, программирование – и современный инструментарий. Наша задача – создание среды совместного научного исследования ученых и ИИ в тех ролях, к которым он готов, – от ассистента до агента и соавтора», – объясняет он.

По словам Толстикова, первые результаты ожидаются весной, а более содержательные данные – примерно через год. «Главная цель – изменить образ мыслей руководителей проектов: чтобы наши выпускники в будущем становились руководителями групп и по-новому ставили задачи, где ИИ будет не внешним плагином, а органичной частью исследовательского процесса», – считает эксперт.

В ШАД поступили заявки от ученых из 37 регионов страны. Топ лидирующих дисциплин – физика, медицина, химия, биоинформатика и биология (27% всех заявок пришли от физиков, включая биофизиков, 15% – от медиков и еще 15% – от химиков). В результате в программу пришли 50 молодых ученых из Москвы, Санкт-Петербурга, Уфы, Иркутска, Владивостока и Екатеринбурга, среди которых кандидаты наук, магистранты и аспиранты, перечисляет Толстиков.

Согласно формату программы, участники осваивают основы ИИ и параллельно обсуждают свои исследовательские задачи. С каждой командой работает эксперт ШАД, который помогает подобрать методы и спланировать эксперимент. Если проекту нужны серьезные вычислительные мощности и технологии, подключаются Yandex Cloud и инфраструктура «Яндекса».

«Свои усилия мы направляем на расширение практического применения ИИ в науке. Мы будем усиливать сотрудничество с вузами, создавать совместные лаборатории, развивать программы подготовки специалистов и делать технологии более удобными для исследователей. Главные вызовы – нехватка экспертизы и доверия к ИИ-результатам. Поэтому мы делаем ставку на образование и прозрачность: обучаем преподавателей, формируем стандарты работы с ИИ, чтобы он воспринимался как надежный инструмент. Наша цель – чтобы ИИ стал частью научной культуры, а не только техническим решением», – рассказывает Лемякина. &

* 18+