Алгоритмы прогресса: как ИИ закрывает пробелы в науке и истории

В начале октября стало известно, что искусственный интеллект (ИИ) расшифровал письмо, посланное от имени Наполеона Бонапарта одному из французских генералов. Историки и филологи бились над ключом к шифру более 200 лет, нейросеть нашла его за шесть часов. «Ведомости» собрали самые яркие примеры того, как ИИ находил ответы на загадки многовековой давности или за считанные часы проделывал работу, на которую у ученых ушли бы десятки лет.

Вам письмо от Наполеона

В марте 1809 г. генералу Огюсту де Мармону доставили письмо, которое по поручению Наполеона Бонапарта написал его пасынок Эжен де Богарне. Послание было зашифровано, а ключ со временем потерян. В нем – 1300 символов, записанных с применением 155 различных знаков. Такой шифр называется «гомофоническим»: одна и та же буква может обозначаться несколькими разными знаками.

Фотография письма была опубликована в блоге об исторической криптографии Cryptiana. Там его в 2026 г. увидел инженер фирмы SentinelOne Картер Черч. Он как раз недавно узнал, что GPT-6 Astra сумела расшифровать код «Энигмы» из немецкой депеши 1915 г., потратив всего 10 часов. Черчу стало интересно, окажется ли по зубам ИИ переписка Наполеона. Два столетия историки и криптографы не могли прочитать послание де Мармону – искусственный интеллект справился примерно за 6 часов.

В октябре об этой истории написали СМИ. В письме оказались сведения о расположении французских и противостоящих им российских и австрийских войск. Армия де Мармона была отрезана от основных сил, но Наполеон велел готовиться к маршу и не позволить «запугать себя несколькими военными отрядами или сборищем черни». В итоге де Мармон успешно вывел своих солдат из Далмации (территория современной Хорватии) и помог Наполеону в июле одержать победу в битве при Ваграме – решающем сражении австро-французской войны 1809 г. После этого император произвел де Мармона в маршалы.

Как читать книгу, не открывая ее

В августе 79 г. н. э. город Геркуланум на юге современной Италии был уничтожен извержением Везувия. В отличие от Помпей, его накрывало пирокластическими потоками постепенно, и многие жители успели спастись. В середине XVIII в. развалины Геркуланума нашли. Среди прочего раскопали виллу тестя Юлия Цезаря с богатейшей библиотекой. Свитки не сгорели: лава выжгла весь воздух. Но из-за высокой температуры они обуглились и затвердели. Поначалу их принимали за поленья и порой бросали в костер, пока кто-то не обратил внимание, что «дрова» находят только в библиотеке и читальной комнате.

Больше двух веков ученые не могли прочесть рукописи: при разворачивании они разрушались. Казалось, что проблему решила компьютерная томография. Профессор университета Кентукки Брент Силс попытался прочесть текст прямо в скрученном свитке, просветив его и создав 3D-модель. Но признал поражение: «Слои оказались неоднородными. Они все перепутались между собой».

Все изменилось, когда к делу подключился искусственный интеллект. Ему дали задачу виртуально «развернуть» несколько свитков и определить точки, в которых есть следы чернил. Получилась мешанина разных оттенков серого. Искать буквы ИИ не доверили, опасаясь, что он примется галлюцинировать.

Сначала филологи нашли несколько мест, где точно можно было опознать букву. Затем на основе их выкладок 22-летний студент университета Небраски Люк Ферритор научил ИИ находить отдельные буквы и целые слова. Почти одновременно с ним свои алгоритмы разработали еще двое: Юсеф Надер из Германии и Джулиан Шиллигер из Швейцарии. Объединив усилия, троица создала более эффективный метод распознавания.

Пока что из свитков Геркуланума расшифрована ничтожная часть, но главное – у ученых появился инструмент чтения текстов, которые нельзя открыть.

Предсказывая прошлое

До нас дошло много древнегреческих надписей на камне и других носителях. Увы, на некоторых из них часть текста стерлась, другие были найдены далеко от мест, где их создали. В итоге историки приписывают одному району события, которые происходили совсем в другом.

Чтобы избежать подобных ошибок, в 2022 г. Google DeepMind создала нейросеть Ithaca. В нее загрузили более 78 000 древнегреческих надписей и данные о том, где и когда они сделаны. ИИ оценивает диалект, характерные фразы и формулировки и подсказывает, в каком регионе написали текст.

Более того, компьютер может восстанавливать утраченные буквы и целые слова, руководствуясь контекстом, другими текстами и лингвистическими закономерностями. Google DeepMind заявила, что модель восстанавливает поврежденные рукописи с точностью до 62%. Оказалось, что если ИИ работает в паре с историком, то результат улучшается до 72%. Поэтому Ithaca сейчас предлагает не один, а несколько вариантов заполнения пробелов. Окончательное решение принимает человек.

Еще одна способность Ithaca – датировка текста по лингвистическим признакам с точностью до 30 лет. Это важно, учитывая, что не каждый материал можно подвергнуть радиоуглеродному анализу.

В 2025 г. появилась похожая нейросеть для древнеримских текстов – Aeneas. Если Ithaca названа в честь родины хитроумного Одиссея Итаки, то Aeneas получила имя героя Троянской войны Энея, который считается предком основателей Рима – Ромула и Рема.

Искусственный интеллект способен не только дописывать буквы. Более 100 лет назад при раскопках древнеримского города Кориоваллум (территория современных Нидерландов) археологи нашли каменную доску с геометрическими узорами. Они долго не могли понять, как на ней играть. В начале 2026 г. двум нейросетевым агентам поручили сразиться друг против друга, придумывая правила на ходу и черпая вдохновение в разных старых забавах. Оказалось, задачей участников из Кориоваллума было заблокировать фишки противника. Ученых в правоте алгоритма убедило то, что самые глубокие борозды на камне оказались именно там, где цифровые оппоненты чаще всего передвигали фигуры.

В поисках нового «Оземпика»

В сентябре 2026 г. компания Novo Nordisk, создавшая «Оземпик», объявила о сотрудничестве с Anthropic. Разработка одного препарата сейчас занимает около 10 лет и может стоить более $1 млрд. При этом большинство экспериментальных лекарств никогда не появляется в продаже. Одни оказываются неэффективны, у других во время испытаний выявляются побочные действия. В конце концов, сам «Оземпик» создавался как лекарство от диабета, а похудение – это сопутствующий результат.

Поэтому фармгиганты готовы платить десятки миллионов ИИ-компаниям, чтобы нейросети ускорили процесс создания лекарств и уменьшили количество ошибок. Такое сотрудничество уже приносит свои плоды. Так, в 2020 г. исследователи MIT обучили нейросеть искать антибактериальные свойства среди огромного количества молекул. Модель перебрала множество вариантов, на что у людей ушли бы годы. В итоге она нашла совершенно новый антибиотик, который назвали halicin. Сейчас продолжаются лабораторные исследования: он показывает высокую эффективность даже против «супербактерий».

В 2023 г. ученые MIT и канадский Университет Макмастера с помощью ИИ открыли еще один антибиотик – abaucin. Он эффективен против чрезвычайно опасной бактерии Acinetobacter baumannii, которая устойчива ко многим антибиотикам и страшна тем, что вызывает внутрибольничные вспышки инфекции.

Не стоит думать, что искусственный интеллект сразу предлагает верный вариант. Например, в 2024 г. исследователи того же Университета Макмастера и Стэнфорда (организация признана нежелательной на территории РФ) искали препарат против бактерии Acinetobacter baumannii. ИИ-модель SyntheMol проанализировала 30 млрд потенциально синтезируемых молекул и за несколько часов сгенерировала 25 000 возможных формул антибиотика. Ученые выбрали 70 самых перспективных и отправили химикам. Специалистам удалось получить 58 соединений. Шесть из них показали свою эффективность.

Смешать тантал и хром

ИИ помогает разрабатывать не только лекарства. Microsoft Research в 2024 г. презентовала модель MatterGen, которая придумывает новые материалы. Причем она не перебирает существующие каталоги, а генерирует кристаллические структуры с заданными свойствами. В одном из тестов система предложила 8192 варианта, из которых ученые попытались синтезировать четыре. Одна попытка удалась – исследователи получили TaCr₂O₆, оксид тантала и хрома. В компании уверяют, что это ранее неизвестный науке материал.

Google DeepMind создала похожую ИИ-модель GNoME. Она сгенерировала около 2,2 млн формул новых структур, из которых примерно 380 000 ученые признали перспективными. 736 предсказанных GNoME материалов уже синтезированы в различных лабораториях. Google DeepMind заявил, что раньше для такого научного прогресса человечеству потребовалось бы 800 лет.

В Berkeley Lab (UC Berkeley признан нежелательной организаций в РФ) пошли еще дальше. В 2023 г. они запустили полностью автоматизированную лабораторию A-Lab. ИИ сам разрабатывает формулы новых материалов, а роботизированные руки и автономные устройства их синтезируют.

ИИ находит другие миры

В 2017 г. Google и NASA поручили ИИ обработать данные с телескопа Kepler. Так была обнаружена Kepler-90i, восьмая планета системы Kepler-90. Благодаря данному открытию система стала первой, сравнявшейся с Солнечной по количеству небесных тел. Kepler-90i расположена в 2540–2840 световых годах от Земли, его радиус примерно в 1,32 раза больше земного, а год там длится всего 14,4 суток.

Это научное открытие вполне мог бы совершить человек, будь он внимателен или удачлив. Вся информация уже содержалась в наблюдениях телескопа. Но сигнал планеты был слаб, а сведений настолько много, что исследователи их проглядели.

ИИ ищет не только среди звезд, но и на Земле. С 2022 г. ученые СПбГУ с помощью нейросети определяют, где могли находиться древние поселения на Алтае. В том же году команда из японского Университета Ямагата провела аэрофотосъемку плато Наска в Перу. Исследователи разглядели на ней 168 новых геоглифов – гигантских рисунков, созданных более 2000 лет назад. Но когда снимки загрузили в ИИ, он обнаружил еще четыре геоглифа, не замеченных ранее. А в 2025 г. ученые Болонского университета (Италия) благодаря подсказке ИИ нашли четыре неизвестных древних поселения в Ираке.

Математики теряют работу

Математики шутят, что вместо «задачи тысячелетия» теперь нужно говорить «задача этой недели». Искусственный интеллект развился настолько, что одну за другой доказывает теоремы и справляется со сложнейшими проблемами. Так, в январе 2026 г. нейросеть AxiomProver помогла людям обосновать теорию спиновой четности k-дифференциалов на римановых поверхностях рода 0 и 1. Группа ученых не смогла подтвердить одну из формул и в итоге опубликовала свои выкладки как гипотезу, а не теорему. ИИ отыскал связь, которую пропустили специалисты, и выстроил логическую цепочку. А в феврале тот же AxiomProver самостоятельно доказал гипотезу Феля.

В мае AlphaProof Nexus от Google DeepMind решил девять задач из коллекции Пола Эрдеша. Причем две были сформулированы самим математиком в 1970 г. и оставались без ответа 56 лет.

Самый нашумевший случай произошел в сентябре. ИИ-модель OpenAI за 88 часов нашла решение проблемы Навье-Стокса, описывающей движение вязких жидкостей и газов. Это одна из семи «задач тысячелетия», за решение каждой из которых Математический институт Клэя в 2000 г. объявил награду в $1 млн. Но торжество разработчиков длилось недолго. Ученые Тристан Бакмастер и Левант Альпеге обвинили компанию в том, что ее алгоритм украл их наработки. Двое математиков тоже бились над этим математическим вопросом и использовали в качестве помощника модель Codex. Они уверяют, что их цифровой агент поделился конфиденциальной информацией с остальными системами.

Села батарейка

ИИ позволяет проводить эксперименты и испытания виртуально, не тратя средства на создание реальных образцов. Он способен просчитать аэродинамические свойства крыла самолета, последствия краш-теста автомобиля или разрушения от взрыва куда быстрее, чем традиционные методы математического моделирования.

Один из свежих примеров – представленный в феврале 2026 г. инженерами Мичиганского университета ИИ-инструмент, прогнозирующий ресурс аккумулятора. Он определяет, через сколько циклов зарядки емкость падает ниже 90%. Обычно для этого приходилось заряжать-разряжать аккумулятор месяцами и даже годами. Алгоритм, получив информацию о 50 циклах, сопоставляет ее с данными из других испытаний и прогнозирует дальнейшее поведение аккумулятора. Разработчики утверждают, что на такие полувиртуальные испытания тратится всего 2% времени и 5% энергии, требующихся для традиционного метода тестирования.