Большинство ИИ систем, которые применяют ученые в науке и топ-менеджеры в бизнесе, делают одно из двух: либо извлекают что-то из неструктурированной базы знаний, либо перебирают и перепроверяют варианты в заданном пространстве. Это полезно и очень быстро. Но это не позволит сделать открытие или эвристический ход.
Чтобы немного разобраться в этом, обращаем внимание на новый препринт MIT, который проводит чёткую линию между тремя вещами:
➡️ Извлечение — найти что-то в базе.
➡️ Поиск — исследовать известное пространство в поисках нового.
➡️ Открытие — распознать, что само пространство нужно изменить.
Маркус Бюлер из MIT с коллегой Фионой Ван сформулировали это в форме математического фреймворка:
Научное открытие требует, чтобы пространство поиска само менялось, и ИИ-учёный должен инициировать этот сдвиг без вмешательства извне.
Бюлер — пионер AI for science, его лаборатория в MIT специализируется на мультиагентных системах, которые превращают разнородные данные в научные инсайты. Его новая работа переносит эту логику на уровень метода: не «найди ответ», а «обнаружь, в каком пространстве искать».
В чем суть?
В качестве примера авторы разработали подход к агентному открытию в материаловедении. В основном режиме система работает внутри заданной схемы. Но для открытия инициируется переход системы в другой режим: полученные новые данные постоянно сравниваются с исходным состоянием для выявления реальной новизны.
Ключевой механизм кроется в «типизированных артефактах»: каждый фрагмент информации несёт метаданные о том, что это за объект и откуда он взялся. Это отслеживание происхождения позволяет системе проверять собственную цепочку рассуждений и точно определять, дает ли её текущий подход сбой или порождает открытие.
Почему это важно для менеджера, а не только для учёного?
Различие «поиск / открытие» описывает не только проблему ИИ — оно описывает разницу между оптимизацией существующего бизнеса и созданием нового.
Большинство ИИ-инструментов, внедряемых в организациях сегодня, работают в режиме поиска: они оптимизируют процессы внутри заданной схемы. Это быстрее, дешевле, точнее. Но прорывные проекты случаются тогда, когда кто-то понимает, что старая схема устарела и нужна другая карта реальности.
Amazon не «искал» лучший способ доставлять книги, он понял, что сама новая логистика — это уже новый бизнес. Netflix не «оптимизировал» прокат DVD — он сменил носитель. Pixar не «улучшил» традиционную анимацию — он изменил инструмент и язык описания пространства.
Фреймворк Бюлера даёт этому явлению математическую форму: момент, когда «карта» устарела, не очевиден изнутри системы. Нужен механизм верификации — проверяемый граф данных, гипотез, провалов и принятых моделей, — который позволяет отличить «мы ищем не там» от «мы ищем не то».
Для менеджера прорывных проектов это означает конкретный вопрос при любом застревании команды: мы застряли потому, что не перебрали достаточно вариантов — или потому, что работаем с устаревшей картой проблемы? Это разные диагнозы и разные способы преодоления.
💬 Тест Тьюринга. События в сфере ИИ. Подписаться