Новое слово в науке

giovanni1313 — 10.10.2025
Cегодня у меня очень хорошие новости для ИИ-оптимистов. Ну, то есть у меня регулярно бывают позитивные новости по теме ИИ, но нынешняя — одна из важнейших за долгое, долгое время.

Помните про 5-ю экспоненту ИИ, экспоненту объема исследований в этой области? Я писал о ней около двух лет назад. Ключом к росту по этой экспоненте является автоматизация научных исследований. Когда ИИ самостоятельно совершенствует методы и технологии своей работы, преодолевая «бутылочные горлышки» медленной и неэффективной человеческой науки.

Тогда, в конце 2023, ИИ-модели для науки были либо вспомогательными инструментами, либо имели очень узкую специализацию, что делало их малополезными. Перспектива автоматизации науки тогда казалась очень далекой.

В 2024 появились первые попытки делать «настоящую» науку силами ИИ: идея->эксперимент->написание научной статьи. Результаты этих попыток были слабыми: получающиеся статьи больше напоминали студенческие курсовые работы, и какого-то серьезного прогресса в знаниях от них ждать было нельзя.

Наступил 2025 год. Вышли новые, более умные ИИ-модели. Попытки использовать их для «настоящей» науки продолжались. Кто-то даже заявлял о том, что написанная ИИ научная статья смогла пройти рецензирование на крупной конференции по машинному обучению. Но это оставалось единичными случаями. И проверить, не схитрили ли авторы, не дополировали ли результат человеческими руками, было очень сложно.

Вдохновленная этим прогрессом, команда из университета Уэстлейк (КНР) решает сделать крупную ставку. Они выбивают от руководства бюджет порядка 100 тыс. долларов США и несколько десятков тысяч GPU-часов. Они берут самые передовые языковые модели, Gemini 2.5 Pro и Claude Sonnet 4.0. Они берут три прикладные задачи из разных областей машинного обучения. И дают моделям команду: придумай метод, который превзойдёт лучший существующий человеческий подход в этой задаче.


И, как говорится, GPU начали делать бррррррр. Исследовательский конвейер заработал. Машина стала генерировать идеи. Какие-то идеи отсеивались сразу, под другие стали писаться и выполняться эксперименты. Сотни и сотни экспериментов. Дни и недели непрерывного научного поиска.

И этот поиск увенчался успехом! Сначала в одной, а затем и в остальных задачах машина смогла превзойти то, что придумал человек! ИИ пишет по этим прорывным методам научные статьи.

Дальше — стандартная процедура независимого рецензирования человеческими специалистами. Рецензенты дают удовлетворительную оценку. Средний балл по ИИ-статьям оказался примерно равен человеческому среднему баллу на топовой научной конференции ICLR.

Другими словами: машинная наука смогла догнать человеческую науку.


Это гигантская, потрясающая веха в истории нашей цивилизации. Это невероятный сдвиг парадигмы. Впервые в истории создание научного знания стало возможным без прямого человеческого участия.

И это создание вполне доступно. Исследователи из Уэстлейка не изобрели ничего экстраординарного, никакого «секретного соуса»: скорее просто интегрировали лучшие практики. Просто ИИ-модели уже созрели.

Вопрос скорее в желании. И в цене. Но и цену не назовешь заоблачной. За свои 100 тыс. долларов команда получила пять научных статей «посредственного» качества. Не лучше и не хуже, чем средняя человеческая научная статья.

Но человеку на написание такой «посредственной» статьи понадобится не меньше 4 месяцев. И ученому всё это время надо платить зарплату. В академии за это время набежит сумма, сопоставимая со стоимостью ИИ-статьи. А в индустрии — где зарплаты сильно выше университетских — ИИ даже будет более экономичным решением.
Глобальная ИИ-индустрия сейчас тратит 60-80 млрд. долларов в год на исследования и разработки. Львиная доля этой суммы уходит на зарплаты человеческим исследователям. Если предположить, что ИИ-статья с передовыми результатами стоит 20 тыс. долларов — то даже на 5% глобального исследовательского бюджета можно получить не менее 150 тыс. научных статей. Каждая из которых двигает вперед возможности ИИ-моделей.

Для сравнения, сейчас в год публикуется порядка 250 тыс. научных статей по теме ИИ. И среднее качество этих статей сильно, _сильно_ ниже, нежели статей для топовых конференций.

При этом мы вправе ожидать, что затраты на ИИ-науку будут быстро падать. Исследователи из Уэстлейка начали свой эксперимент летом этого года. А в августе вышла GPT-5 – передовая модель от ”OpenAI”, с расценками на 33% ниже, чем у Claude Sonnet. К сожалению, реальную экономию можно проверить только экспериментальным путем. Но вряд ли есть сомнения, что тренд алгоритмической эффективности, продолжающий удешевлять «стоимость интеллекта», вдруг куда-то исчезнет.
Даже если не верить в рост алгоритмической эффективности, ИИ-наука несёт в себе принципиальное преимущество перед наукой человеческой. Она очень легко масштабируется. В человеческой науке существует ограниченное, конечное число исследователей. Ты не можешь взять N миллиардов денег и сказать «я хочу ускорить научный прогресс на эту сумму». В отрасли просто вырастут зарплаты, усилится конкуренция компаний за таланты (см. кейс с «Мета Суперинтеллидженс»), но прогресс быстрее не пойдёт.

В то время как ИИ-наука принципиально позволяет очень мощно отмасштабировать интенсивность прогресса. На свои миллиарды ты можешь купить условную «армию научных сотрудников в дата-центре». Сколько выделил миллиардов — столько прогресса и получил.

Слухи, бродящие в индустрии, говорят, что именно этот путь, путь масштабирования ИИ-науки, выбрал стартап Ильи Суцкевера ”Safe Superintelligence”. Его бывший коллега Дарио Амодеи, ныне возглавляющий стартап “Anthropic”, открыто признаёт это своей стратегической целью. Что ж, кажется, их идеи начинают воплощаться в жизнь.


Ударение на «начинают». Чтобы не потерять голову от эйфории, давайте четко очертим сегодняшнюю стартовую точку. И недостатки, присущие системе от исследователей из Уэстлейка.

Во-первых, команде пришлось вручную перепроверять все потенциально прорывные методы, предложенные ИИ. Ведь модели галлюцинируют. Если ты ставишь ИИ задачу превзойти человека — сложную задачу! — в своём рвении он может попытаться «перехитрить себя самого» и выдать желаемое за действительное.

И галлюцинации, и неэтичное поведение модели — это вещи, с которыми разработчики продолжают успешно бороться. Новая GPT-5 как раз проявляет себя здесь очень хорошо. Поэтому будем осторожно надеяться, что со временем ИИ-ученые станут честнее и ответственнее в своей работе.


Во-вторых, все 3 задачи, которые дали ИИ, являются прикладными. Пока неясно, насколько хорош ИИ-ученый в более фундаментальных и более поисковых исследованиях.

В-третьих, эти задачи имели чёткий критерий оценки, соответствующий бенчмарк. ИИ-модель пыталась оптимизировать этот четкий критерий. Пока неясно, как ИИ себя покажет в менее формализованных задачах, где трудно выделить метрики для оптимизации.

В-четвертых, задачи подразумевали относительно дешевую стоимость экспериментов. Ради пяти научных статей с передовыми результатами было проведено более 1100 экспериментов. Трудно сказать, насколько это менее эффективно по сравнению с результативностью человеческих ученых.

Сегодняшняя эпоха машинного обучения — это эпоха больших данных, больших вычислительных ресурсов и гигантских экспериментов. «Конвейерный» подход ИИ имеет свои преимущества, но он не очень применим на самом переднем крае развития ИИ. Где требуется играть по-крупному. Где приходится брать качеством идей, а не количеством попыток.

В-пятых, все протестированные задачи относятся к области машинного обучения. Пока неясно, насколько хорошо машина справится с научной работой в других областях знания. Впрочем, многие возразят, что именно машинное обучение является ключевой областью для автоматизации исследований. Ведь этот путь позволяет рекурсивно ускорять прогресс в ИИ.

В-шестых, вновь подчеркнем, что машина продемонстрировала уровень посредственной (но проходной!) научной работы. Неясно, способна ли она на выдающиеся научные достижения. А ведь именно такие достижения в значительной степени и двигают прогресс вперед.


Но закончим на мажорной ноте. Пока у нас есть человеческая наука, прогресс в любом случае продолжит идти вперед. А это значит, что еще через год мы можем ждать новых достижений. И устранения сегодняшних «болевых точек» в ИИ-исследованиях.

Возможно, в 2026 году мы увидим, что машина способна не только на посредственные, но и на добротные научные работы.

А в 2027 — на хорошие.

А в 2028 — на выдающиеся.

И возможно, Дарио Амодеи сдержит своё обещание о «стране гениев в дата-центре».

Пока реальность только подтверждает его смелый прогноз.


_______________________________________________________________

Оставить комментарий

Популярные посты:

• Ранее
• Архив