Как искусственный интеллект перестраивает научные исследования

ИИ меняет не только скорость науки: небольшие команды получают возможности, которые раньше требовали целых институтов

Идея Оселедца важнее, чем просто «ученые станут работать быстрее»

13 сентября на Международном фестивале молодежи в Екатеринбурге математик и специалист по искусственному интеллекту Иван Оселедец сформулировал возможную модель организации науки ближайшего будущего.

По его мнению, привычное соотношение между масштабом исследовательской организации и количеством решаемых задач может измениться. Большие научные группы, активно использующие ИИ, смогут одновременно вести два, три или пять исследовательских направлений и достигать производительности, для которой еще несколько лет назад требовался значительно более крупный институт.

Это принципиально отличается от обычной автоматизации.

Компьютеры давно ускоряют расчеты, статистический анализ и обработку экспериментальных данных. Новое поколение систем начинает вмешиваться в более ранние и интеллектуально сложные этапы исследования: поиск литературы, сопоставление результатов из разных областей, формулирование гипотез, планирование способов их проверки и создание программ для экспериментов.

Именно здесь находится потенциально наиболее сильный эффект ИИ для науки. Исследователь получает возможность не просто быстрее выполнить заранее сформулированную задачу, а параллельно проверить гораздо больше возможных направлений.

От научного помощника к системе, которая сама перебирает гипотезы

Хороший пример этого перехода появился в 2025 году, когда Google Research представила систему AI co-scientist. Она построена как группа специализированных ИИ-агентов, которые могут генерировать гипотезы, критиковать их, сопоставлять с существующими знаниями и последовательно улучшать исследовательские предложения.

В биомедицинских экспериментах система, в частности, использовалась для поиска новых применений уже известных лекарственных веществ и потенциальных терапевтических мишеней.

В мае 2026 года журнал Nature опубликовал работу о системе Robin, еще сильнее приблизившей эту концепцию к полноценному исследовательскому циклу. Robin объединяет поиск научной литературы и анализ экспериментальных данных. Система способна предложить гипотезу, разработать эксперимент для ее проверки, интерпретировать полученный результат и на его основании сформулировать следующую гипотезу.

Это еще не автономный ученый в полном смысле слова. Физические эксперименты требуют лабораторной инфраструктуры и человеческого участия, а научная ценность полученных выводов должна независимо проверяться. Но принципиально меняется количество интеллектуальных итераций, которые исследовательская группа способна выполнить за определенное время.

Раньше ограничивающим ресурсом часто было время квалифицированного специалиста. Теперь часть этого ресурса становится масштабируемой вычислительно.

Программирование перестает быть одним из главных узких мест вычислительной науки

Еще один важный сдвиг касается научного программного обеспечения.

Во многих областях путь от гипотезы до результата проходит через написание специализированного кода: необходимо создать модель, провести вычислительный эксперимент, обработать данные, подобрать параметры и многократно повторить цикл после неудачных результатов.

В мае 2026 года Nature опубликовал описание системы Empirical Research Assistance, разработанной для автоматического создания такого исследовательского программного обеспечения. Она сочетает большую языковую модель с алгоритмами поиска и последовательно улучшает создаваемый код в соответствии с заданным критерием качества.

Для науки это особенно существенно. Если стоимость проверки одной гипотезы снижается, исследователь может позволить себе проверять больше альтернатив.

Именно этот механизм помогает понять прогноз Оселедца. Производительность научной группы увеличивается не потому, что ИИ «знает больше ученого», а потому, что часть дорогостоящих интеллектуальных операций — поиск, программирование, первичный анализ, сопоставление вариантов — можно выполнять параллельно и многократно.

Следующий рубеж — лаборатории, где алгоритм не только думает, но и ставит эксперимент

В химии и материаловедении эта логика уже выходит за пределы компьютера.

Так называемые автономные лаборатории объединяют роботизированное оборудование, аналитические приборы и алгоритмы искусственного интеллекта в замкнутый исследовательский цикл. Алгоритм выбирает следующий эксперимент, роботизированная система выполняет его, приборы измеряют результат, а полученные данные используются для выбора следующего шага.

Обзор, опубликованный в Nature Reviews Chemistry в июле 2026 года, показывает, насколько быстро развивается это направление. Автономные лаборатории постепенно переходят от автоматизации отдельных операций к платформам, способным самостоятельно проводить последовательности экспериментов с ограниченным вмешательством человека.

В 2026 году появились и системы, способные управлять сложным научным оборудованием. Например, исследователи продемонстрировали ИИ-агента, который самостоятельно выполнял выравнивание образца на синхротронной рентгеновской установке: планировал действия, отправлял команды оборудованию, анализировал наблюдения и корректировал дальнейшие действия.

Таким образом, автоматизация начинает охватывать сразу три уровня науки: работу с существующими знаниями, вычислительные эксперименты и физическую лабораторию.

Разработка лекарств показывает одновременно возможности ИИ и пределы ускорения

Особенно заманчиво перенести эту модель на фармацевтическую разработку.

Оселедец отметил, что создание новых лекарств относится к процессам, которые традиционно занимают многие годы, и предположил, что ИИ позволит существенно ускорить такую работу.

Часть этого ускорения вполне реалистична. Алгоритмы уже применяются для поиска биологических мишеней, прогнозирования свойств молекул, виртуального отбора кандидатов, анализа доклинических данных, поиска новых применений известных веществ и оптимизации дизайна исследований.

Но здесь возникает фундаментальное ограничение: разработка лекарства состоит не только из информационных задач.

Например, для оценки некоторых эффектов необходимо наблюдать людей месяцами или годами. ИИ способен улучшить выбор кандидатов и дизайн исследования, но не может просто вычислить клиническую эффективность вместо ее проверки.

Поэтому наиболее реалистичный сценарий — не исчезновение многолетнего цикла разработки лекарств, а сокращение неэффективных итераций внутри него.

Даже регуляторная инфраструктура начинает двигаться в этом направлении. FDA в 2026 году объявило инициативы по внедрению клинических исследований с передачей ключевых данных регулятору в реальном времени. Здесь ИИ и современные методы анализа данных рассматриваются как инструменты более быстрого выявления сигналов безопасности и эффективности.

Ускорение науки неожиданно может сделать ее менее разнообразной

Однако у роста производительности обнаруживается менее очевидная сторона.

В январе 2026 года Nature опубликовал масштабное исследование влияния ИИ на научную деятельность. Авторы проанализировали 41,3 млн научных публикаций и обнаружили выраженную связь между использованием инструментов ИИ и индивидуальной продуктивностью исследователей.

Ученые, использовавшие ИИ в исследованиях, публиковали примерно в три раза больше работ и получали значительно больше цитирований. Они также раньше становились руководителями исследовательских проектов.

На первый взгляд это именно тот эффект, о котором говорит Оселедец.

Но на уровне всей науки исследователи обнаружили противоположную тенденцию: совокупное разнообразие изучаемых тем сокращалось. Работа с ИИ сильнее концентрировалась в областях, где уже существуют большие массивы данных и где алгоритмические методы особенно эффективны.

Это создает важный парадокс.

ИИ снижает стоимость исследования того, что хорошо формализуется и уже обеспечено данными. Но научные прорывы нередко возникают именно там, где данных мало, вопрос сформулирован плохо, эксперимент трудно стандартизировать, а новая идея первоначально кажется странной или бесперспективной.

Если тысячи исследовательских групп будут использовать похожие модели, обученные на похожей научной литературе, существует риск не только ускорить поиск, но и синхронизировать направление этого поиска.

Главным дефицитом становится не выполнение работы, а выбор правильного вопроса

Поэтому роль ученого при распространении ИИ может не уменьшиться, а переместиться на другой уровень.

Оселедец подчеркивает, что людям по-прежнему придется искать закономерности, формулировать гипотезы и понимать новые научные идеи. Международный опыт пока скорее подтверждает такую модель.

ИИ особенно силен там, где пространство вариантов уже можно описать: проанализировать тысячи публикаций, перебрать молекулы, написать несколько версий программы, сравнить математические модели или определить следующий эксперимент.

Гораздо сложнее решить, какой вопрос вообще заслуживает исследования.

В условиях дешевого производства гипотез возникает новый дефицит — способность отличить интересную гипотезу от действительно важной. Если система может предложить тысячу направлений за несколько часов, научная ценность заключается уже не столько в способности придумать очередной вариант, сколько в понимании того, какой из них меняет представление о природе, болезни или технологии.

Небольшие научные группы действительно могут получить непропорционально большие возможности

Практическое следствие происходящего выходит далеко за пределы экономии рабочего времени.

Если поиск литературы, программирование, первичный анализ данных и часть экспериментального цикла становятся масштабируемыми с помощью ИИ, уменьшается зависимость исследовательской производительности от количества людей в организации.

Это может дать небольшим лабораториям и университетским группам возможности, которые раньше были доступны преимущественно крупным исследовательским центрам.

Одновременно преимущество может сместиться в другую сторону. Современная ИИ-наука зависит от вычислительной инфраструктуры, качественных массивов данных, роботизированных лабораторий и доступа к наиболее мощным моделям. Поэтому уменьшение зависимости от человеческого штата еще не означает автоматической демократизации исследований.

Меняется и задача руководителя научной группы. Если раньше значительная часть управления заключалась в распределении ограниченного человеческого времени между проектами, то теперь все большее значение приобретает архитектура самого исследовательского процесса: какие задачи отдавать ИИ, какие результаты перепроверять, где требуется независимая экспериментальная валидация и какие решения нельзя передавать алгоритму.

Для биомедицины это особенно важно. Ошибка системы здесь может привести не просто к неудачной публикации, а к выбору ложной терапевтической мишени, бесперспективного кандидата или ошибочной интерпретации клинических данных.

Поэтому наиболее вероятная модель ближайших лет — не лаборатория без ученых, а лаборатория, где один исследователь способен организовать гораздо больше параллельной интеллектуальной работы.