Егор Борисович Прохорчук стабильно обращает внимание на материалы, после которых уже нельзя «думать про ИИ как раньше». На этот раз он прислал две свежие публикации о том, как искусственный интеллект меняет ткань научного процесса – от гипотез до готовых статей. Я внимательно их прочитала и вот что мне кажется важным обсудить: не только новые инструменты, но и субъектность исследователя, и то, как в 2020‑е мы пытаемся «скрестить» науку и ИИ так же радикально, как сто лет назад скрещивали науку и технику.

Главная мысль двух текстов: ИИ может радикально ускорить науку, но не может заменить человеческую субъектность – ту самую «месси» (messiness), неэффективную, ценностную и ответственную часть научного процесса, без которой исчезает сама эволюционная природа знания.

О чем говорят эти статьи

В редакционной статье Nature описывается, как системы связанных ИИ‑агентов уже сегодня берут на себя почти всю сложную работу по исследованию: читают литературу, формируют гипотезы, планируют эксперименты, анализируют результаты. Там есть два примера – Robin и Co‑Scientist – которые фактически выступают как «цифровые со‑исследователи» в молекулярной биологии и поиске лекарств. Но авторы подчеркивают: при всех успехах, ИИ остаётся инструментом, а люди – рамки постановки задач, этики, критики, проверки и обучения новых поколений исследователей.

В статье Science обсуждается идея end‑to‑end science (ETES) – полностью автоматизированных конвейеров, которые от гипотезы до публикации работают почти без человека. Авторы задают болезненный вопрос: не «может ли ИИ делать науку», а «выживет ли наука как социально‑эволюционная система при таком способе её делания». Ключевой тезис: если заменить множество независимых человеческих линий поиска одним или несколькими централизованными ИИ‑контурами, мы рискуем потерять разнообразие, «неэффективные» блуждания и радикальные разрывы, которые и делают научную эволюцию возможной.

Субъектность исследователя в эпоху ИИ

Что такое субъектность исследователя в этом контексте? Это не просто «квалификация» или «сумма навыков». Это способность:

• ставить нелогичные, невыгодные и на первый взгляд бессмысленные вопросы;

• идти против доминирующих данных и моделей, то есть сознательно нарушать оптимизационную логику;

• брать на себя ответственность за последствия открытия – от этики до политики;

• существовать в комьюнити критики, конкуренции, репликации, а не внутри одного оптимизирующего контура.

Пример из Nature: даже при впечатляющем 200‑кратном ускорении работы по поиску терапии для сухой возрастной макулодистрофии, финальная ответственность за интерпретацию, корректность использования данных, выбор, что вообще считать приемлемыми исходами лечения, лежала на людях. ИИ‑агенты могут дебатировать друг с другом, но не могут встроить эти дебаты в человеческие ценности – кто именно и зачем будет получать это лекарство, какие риски считаются допустимыми.

Science доводит эту мысль до предела: наука как система близка к модели Дарвина – множественные независимые вариации, отбор через критику и репликацию, сохранение устойчивых результатов. Если мы превращаем этот «биотоп» в инженерный pipeline, где всё оптимизировано под скорость и масштаб, мы не только теряем шум, ошибки и дублирование – мы лишаемся возможности для концептуальных «мутаций». А именно они дают качественный сдвиг парадигмы, который не следует из рационального комбинирования прошлых данных.

Продолжение ниже