ИИ обещает нам 800 лет научного прогресса. Верим?
В 79 году Везувий похоронил библиотеку древнеримского Геркуланума. Обугленные свитки нашли в XVIII веке, но развернуть их, не превратив в пыль, было невозможно. И вот в XXI веке их начали читать. Не руками, разумеется. Помог ИИ. Впечатляет? Ещё бы )
От древних рукописей до новых лекарств
В феврале 2024 года команда из трёх исследователей получила $700 тысяч за расшифровку фрагментов одного из свитков Геркуланума. При помощи компьютерной томографии, алгоритмов машинного обучения и собственной головы они смогли прочитать текст, не разворачивая папирус.
В общем, книжку удалось прочитать, так её и не открыв )
Но это далеко не самое интересное применение искусственного интеллекта в современной науке.
Вот вам несколько примеров.
1. Новые антибиотики
В 2024 году исследователи из Стэнфорда и канадского Университета Макмастера опубликовали результаты работы нейросети SyntheMol. Ей поручили искать вещества, способные бороться с бактериями, устойчивыми к существующим антибиотикам.
Результат:
- Алгоритм исследовал пространство почти из 30 миллиардов потенциальных молекул.
- Предложил тысячи возможных химических структур.
- Учёные отобрали наиболее перспективные и смогли синтезировать 58 соединений.
- Шесть из них продемонстрировали антибактериальную активность.
Неплохо! Человеку на последовательный анализ такого количества вариантов просто не хватило бы жизни.
А в 2025 году в Nature Medicine вышли результаты клинического исследования рентосертиба, препарата против фиброза лёгких, при разработке которого использовался генеративный ИИ. В испытаниях участвовал 71 пациент. Результаты дали основания продолжить исследования.
То есть речь уже не только о компьютерных экспериментах. Препараты, разработанные при помощи нейросетей, постепенно добираются до испытаний на людях.
2. Новые материалы
Google DeepMind разработала нейросеть GNoME, которая предсказала структуры 2,2 миллиона потенциальных новых кристаллических материалов. Около 380 тысяч из них по результатам вычислений оказались достаточно устойчивыми, чтобы представлять интерес для дальнейших исследований.
В Google даже заявили, что это эквивалент примерно 800 лет традиционного научного прогресса.
Звучит фантастически!
Правда, есть одна маленькая тонкость, но к ней мы ещё вернёмся.
3. Математические задачи
В сентябре 2026 года OpenAI представила работу, претендующую на решение знаменитой проблемы Навье — Стокса. Это одна из семи «задач тысячелетия», за каждую из которых Математический институт Клэя обещал миллион долларов.
Институт признал, что задача, по-видимому, решена, однако окончательная независимая оценка доказательства и вопросы научного авторства ещё требуют времени.
И это, кстати, очень показательная история.
Но есть нюанс
Все перечисленные достижения действительно впечатляют. Однако между тем, что ИИ способен предложить, и тем, что мы можем использовать на практике, существует довольно большая дистанция.
Возьмём те же новые материалы.
Google предсказала миллионы кристаллических структур. Но на момент публикации исследования экспериментальное подтверждение имели лишь сотни из них.
Почему так?
Потому что предсказать существование нового материала и реально его получить — две совершенно разные задачи. А наладить его массовое производство по приемлемой цене и с полезными свойствами — вообще третья история.
То же самое с лекарствами. ИИ может предложить перспективную молекулу за несколько часов. Но дальше начинаются:
- Лабораторные испытания.
- Проверка токсичности и побочных эффектов.
- Клинические исследования на людях.
- Регуляторные процедуры.
- Организация промышленного производства.
И всё это требует времени, денег и специалистов.
Найти перспективное решение и доказать, что оно действительно работает, — совсем не одно и то же.
Впрочем, учёные пытаются автоматизировать даже эксперименты.
Например, в лаборатории A-Lab искусственный интеллект разрабатывает способы получения новых материалов, а роботизированное оборудование пытается их синтезировать.
За 17 дней работы система смогла получить 36 из 57 целевых соединений. Причём первоначально разработчики сообщили о 40 успешных результатах, но после дополнительной проверки четыре из них пришлось признать неоднозначными. Исправление вышло в Nature в январе 2026 года.
Получается довольно забавно: ИИ уже помогает учёным делать открытия, но сами эти открытия по-прежнему приходится перепроверять. Иногда неоднократно.
Экономика научных открытий
А теперь давайте посмотрим на всё это с экономической точки зрения.
Научные исследования — удовольствие довольно дорогое. Нужны высококвалифицированные специалисты, оборудование, лаборатории, материалы и вычислительные мощности. И, разумеется, огромное количество времени.
Причём большинство научных гипотез в итоге не подтверждается.
И вот появляется технология, которая способна за считанные часы проанализировать миллиарды вариантов и предложить наиболее перспективные.
Очевидно, что стоимость поиска новых научных решений может существенно снизиться.
Но здесь возникает интересный экономический парадокс.
Представим лабораторию, которая раньше могла придумать и проверить за год сотню гипотез. Теперь благодаря ИИ она способна сгенерировать сто тысяч.
Прекрасно! Но если экспериментальное оборудование, штат сотрудников и бюджет остались прежними, то проверить лаборатория по-прежнему сможет примерно ту же сотню.
Получается, что узкое место научного процесса просто перемещается.
Раньше главным ограничением зачастую был поиск перспективных решений. Теперь всё чаще им становится возможность проверить и реализовать найденное.
В экономике это вполне привычная ситуация. Повышение производительности на одном этапе производственной цепочки вовсе не означает аналогичного повышения производительности всей системы.
Если производство идей подешевеет в тысячу раз, а их экспериментальная проверка останется столь же дорогой, научный прогресс вовсе не обязан ускориться в ту же тысячу раз.
И мне кажется, что именно здесь скрывается одна из наиболее интересных особенностей нынешней ИИ-революции.
А наука вообще станет эффективнее?
Есть и ещё одно занятное обстоятельство.
В январе 2026 года журнал Nature опубликовал исследование, авторы которого проанализировали 41,3 миллиона научных публикаций.
Выяснилось, что учёные, использующие ИИ, в среднем публикуют больше работ и получают больше цитирований.
Казалось бы, вот оно, повышение производительности интеллектуального труда!
Но исследователи обнаружили и другую тенденцию: использование ИИ связано с сокращением разнообразия научных тем.
То есть отдельные учёные становятся продуктивнее, но наука в целом может концентрироваться на более узком круге направлений.
Почему?
Возможно, потому что алгоритмам проще находить закономерности там, где уже накоплены большие объёмы информации. А действительно новые, плохо изученные области оказываются менее привлекательными.
Впрочем, тут важно не перепутать корреляцию с причинно-следственной связью. Исследование показывает статистическую закономерность, но не доказывает, что именно ИИ заставляет учёных выбирать более узкую тематику.
Тем не менее вопрос возникает вполне резонный:
Не получится ли так, что благодаря нейросетям мы начнём гораздо быстрее изучать то, что и без того неплохо изучено?
Что всё это означает для экономики?
При всех оговорках я бы совершенно не стал преуменьшать происходящее.
На наших глазах появляется технология, которая способна существенно изменить один из важнейших процессов в истории человечества — производство новых знаний.
И её экономические последствия потенциально могут оказаться гораздо масштабнее нынешнего бума чат-ботов и генераторов красивых картинок.
Что мы можем получить в перспективе?
- Фармацевтика: сокращение времени и затрат на ранних этапах разработки препаратов.
- Энергетика: более эффективные аккумуляторы, новые материалы для солнечных батарей и систем хранения энергии.
- Промышленность: создание материалов с заранее заданными свойствами.
- Научные исследования: ускорение обработки экспериментальных данных и поиска новых закономерностей.
- Инженерия: более быстрый поиск оптимальных конструкций и режимов работы оборудования.
Всё это потенциально влияет на производительность труда, издержки бизнеса и, в конечном счёте, качество жизни.
Но есть и ещё один важный экономический вывод.
Если ИИ действительно сделает генерацию научных гипотез дешёвой и массовой, то ценность может сместиться в сторону тех, кто способен эти гипотезы проверять и превращать в работающие технологии.
То есть выиграть могут не только разработчики нейросетей, но и владельцы лабораторий, экспериментального оборудования, производственных мощностей и, конечно, специалисты, умеющие со всем этим работать.
Потому что между компьютерным предсказанием и реальным продуктом по-прежнему лежит длинный путь.
Так что, научная революция?
Полагаю, да. По крайней мере, предпосылки для неё весьма серьёзные.
Но я бы пока воздержался от разговоров о том, что нейросети вот-вот заменят учёных и начнут самостоятельно двигать человечество в светлое технологическое будущее.
Скорее, мы наблюдаем начало процесса, в котором производство научных идей постепенно перестаёт быть главным ограничением.
А вот их проверка, внедрение и превращение в полезные продукты остаются задачами вполне себе человеческими. И довольно затратными.
Похоже, научных идей у человечества скоро будет гораздо больше, чем возможностей их реализовать.
И вот мне интересно: если ИИ научится совершать открытия в тысячу раз быстрее человека, сумеем ли мы хотя бы в десять раз быстрее превращать их во что-нибудь полезное?
Что думаете?
