Искусственный интеллект в науке: пять главных выводов
Содержание
Незадолго до появления генеративного ИИ часто высказывались опасения по поводу дефицита новых научных идей, из-за которого научные открытия – один из главных драйверов долгосрочного прогресса и экономического роста – даются человечеству все реже и сложнее (1; 2). Стремительное развитие ИИ породило оптимизм в отношении того, что эта технология способна переломить данную тенденцию и ускорить научный прогресс (1; 2; 3).
Подтверждением стало появление в 2020 г. специализированной ИИ-модели AlphaFold 2, разработанной командой DeepMind: модель совершила настоящую революцию в биологии, «научив» ученых предсказывать трехмерную структуру белков – эта задача не поддавалась решению на протяжении полувека. Ее решение существенно расширило возможности разработки лекарств, дополнив традиционный экспериментальный поиск методами «цифрового проектирования» – создания лекарств, которые избирательно воздействуют на конкретный патоген, не затрагивая здоровые ткани, что позволяет создавать таргетную терапию в том числе для заболеваний, считавшихся неизлечимыми. Руководители DeepMind Демис Хассабис и Джон Джампер были удостоены Нобелевской премии по химии 2024 г.
Хотя с тех пор ИИ-модели значительно продвинулись и продолжают совершенствоваться, оптимизм по поводу способности ИИ ускорить научный прогресс разделяют не все. Среди опасений – то, что ИИ может способствовать росту числа низкокачественных исследований, которые лишь внешне выглядят как научные работы (1; 2). Или что поток контента, сгенерированного ИИ, а также его склонность к «галлюцинациям» и «иллюзии понимания» (когда уверенные и структурированные ответы ИИ формируют ложное впечатление, что нейросеть глубоко понимает суть проблемы, хотя на самом деле она лишь предсказывает наиболее вероятные комбинации слов) создадут чрезмерную нагрузку на системы рецензирования и проверки научных данных (1; 2). Или что модели, обученные на существующей научной литературе, будут подталкивать исследователей к работе в рамках уже известных парадигм, вместо того чтобы способствовать прорывным открытиям. Наконец, высказываются опасения, что высокие требования к вычислительным мощностям и капиталовложениям усугубят неравенство в науке, увеличив разрыв между хорошо финансируемыми лабораториями и учреждениями, испытывающими нехватку ресурсов (1; 2; 3).
Вне зависимости от мнений сторонников и скептиков применения ИИ в науке, генеративный ИИ уже кардинально изменил научный процесс, показала новая работа 18 исследователей из Google, Google DeepMind и их соавторов из университетов Чикаго, Оксфорда, Пенсильвании, Карнеги – Меллона и MIT.
Их эмпирическая работа объединила три источника данных: 15 млн обезличенных взаимодействий с Gemini, из которых около 360000 классифицированы как научные; реестр около 2700 специализированных обучаемых нейросетей и их использования в научных статьях; опрос 637 ученых в США и Великобритании (июль – август 2026 г.) о применении ИИ в работе. Полученные данные соотнесены с таксономией научных задач MIT FutureTech и обширной базой научных публикаций с учетом дисциплин (217 подобластей 26 научных дисциплин) OpenAlex.
Исследование позволило сделать пять главных выводов об использовании ИИ в науке.
Вывод 1: Ученые лидируют в использовании ИИ
Среди опрошенных ученых почти половина – 47% – используют ИИ ежедневно, еще 31% – еженедельно. В частности, в США ученые обращаются к ИИ в 2,7 раза чаще, чем средний американский работник.
Использование LLM зафиксировано в 195 из 217 научных подобластей. Чаще всего с LLM взаимодействуют специалисты в сферах информатики и физико-математических наук, включая компьютерные. На них приходится более половины обращений за помощью к ИИ. Второе место у социальных наук (около 21%), за ними следуют медицина (свыше 14%) и науки о жизни (более 9%).
Использование ИИ в науке примерно пропорционально числу исследователей в стране. В целом увеличение на 1 п.п. доли ученых страны в мировой науке связано с ростом взаимодействия ее ученых с LLM на 0,9 п.п., рассчитали исследователи.
Мировые чемпионы по использованию ИИ – ученые крупных глобальных научных центров: США, Южной Кореи, Японии, Австралии, Сингапура и Нидерландов. Самый низкий показатель взаимодействия между наукой и ИИ – в странах и регионах с наименьшим научным кадровым потенциалом, включая страны Африки и Центральной и Южной Азии.
Вывод 2: У научных ИИ-моделей – четкое разделение труда
LLM и специализированные модели дополняют друг друга, а не заменяют. LLM – это универсальные инструменты общего назначения (вроде Gemini, ChatGPT, Claude); специализированные модели – это узкие инструменты под конкретную задачу (например, для климатического моделирования, для геномных или фармацевтических исследований).
Между ними существует четкое «разделение труда»: LLM выполняют общие для науки задачи, включая моделирование, количественный и статистический анализ, координацию экспериментов, формулировку гипотез. У специализированных моделей, способных на сложные симуляции, задачи специфические, например прогнозирование исхода заболевания или климатических изменений. Специфические модели высокопроизводительны – половина научных статей, в которых они использовались, вошли в топ-1% по цитируемости в своих областях знаний.
Разработка специализированных моделей сконцентрирована в США, Китае, Великобритании, ЕС, Южной Корее и Канаде; страны с низким и средним доходом чаще цитируют такие модели, чем создают их.
Еще на эту тему
Вывод 3: ИИ экономит ученым до 7 рабочих часов в неделю
Почти три четверти респондентов отмечают чистую экономию времени в течение рабочей недели благодаря ИИ, тогда как лишь 6% сообщают о чистых потерях времени. В среднем экономия времени на одного ученого составляет около 6,9 часа в неделю.
Это время направляется на исследовательскую работу, ведя к росту ее продуктивности. Восемь из 10 опрошенных исследователей отмечают рост производительности своей лаборатории за последние три года, а 89% ожидают дальнейшего роста этого показателя.
Преимущества использования ИИ касаются не только скорости. Более двух третей (68%) ученых сообщили, что обращение к ИИ расширило их доступ к знаниям из других областей, что часто приводит к появлению новых идей.
Вывод 4: Более поздние этапы научного процесса превращаются в «бутылочное горлышко»
Применение ИИ ускорило ранние этапы научного процесса: анализ данных, расчеты, написание кода – все это требовало много времени, которое теперь сократилось благодаря ИИ. Однако ограничения сместились на более поздние этапы – физические эксперименты, клиническую валидацию, сбор полевых данных, проверку и верификацию результатов.
Сотрудничество с ИИ создает у многих ученых запас гипотез: 41% опрошенных исследователей сообщили о растущем заделе идей, требующих проверки, после начала активного использования ИИ. Правда, у 25% респондентов он сократился. Одна из причин в том, что ИИ увеличивает генерацию гипотез гораздо быстрее, чем лаборатории успевают провести эксперименты для их проверки.
В целом 89% ученых, экономящих время благодаря ИИ, тратят более десятой части сэкономленного на проверку выданных ИИ результатов, в том числе 46% – более четверти сэкономленного времени. Больше всего времени на это уходит у представителей биологических наук. Похоже, с ростом использования ИИ эти эффекты «бутылочного горлышка» усиливаются, полагают авторы.
Это объясняет, почему рост производительности в науке с появлением ИИ не привел к щедрому потоку революционных открытий. Увеличив количество жизнеспособных теорий и гипотез, ИИ пока не создал инструментов для их подтверждения. Более 40% опрошенных ученых признались, что их работу в последние два года задерживает необходимость проведения дополнительных лабораторных и клинических экспериментов и сбор полевых данных.
Еще на эту тему
Вывод 5: ИИ подталкивает к проектам с предсказуемым результатом
Хотя 67% опрошенных ученых оценивают свои исследования с использованием ИИ как «более амбициозные», а 65% считают, что взаимодействие с ИИ позволяет взглянуть на вопрос шире, 40% представителей научного сообщества считают, что ИИ увеличил количество низкокачественных научных работ (против 35% респондентов, которые, напротив, считают, что число таких работ уменьшилось).
Но самое тревожное, по мнению авторов, заключается в другом: фактически половина – 49% – опрошенных ученых отметили, что ИИ подталкивает их сосредоточиться на темах с предсказуемо надежными результатами, где риск неудачи минимален. И лишь чуть больше четверти – 28% – ученых считают, что ИИ способен помочь им взяться за более амбициозные задачи – потенциально прорывные исследования, но успешный результат которых не гарантирован.
Это может быть связано с тем, что ИИ сильнее всего помогает там, где есть готовые данные, метрики, вычислимая постановка задачи, – а не там, где требуются редкие данные, эксперименты или совершенно новая теория. Возникает своего рода «эффект фонаря», приводят аналогию авторы: искать там, где светлее, а не там, где потеряно.
Такая склонность к избеганию рисков может увеличить количество «средних» публикаций, не продвигающих, вопреки надеждам, научный фронтир, отмечают авторы. В таком случае ИИ может вытеснять выполнение более сложных задач, данных для которых мало и работа над которыми требует несопоставимо больших усилий.
Все это говорит о том, что влияние ИИ на науку может как расширить междисциплинарные и более амбициозные исследования, так и снизить качество научных работ, заключают авторы: «Мы считаем, что наши результаты дают важный ранний взгляд на то, как ИИ меняет научную сферу. Это не просто история о замене труда или стремительном росте производительности благодаря автоматизации открытий. Наши данные указывают на более сложную картину».
.webp)