Поскольку именно применение ИИ для R&D перевернет наш мир за ближайшие 10 лет до неузнаваемости, то хочется обратить внимание на один злободневный вопрос. Уже несколько месяцев мы в канале постепенно уделяем ему все больше и больше внимания и скоро мы окончательно расскажем почему.
Еще в начале 2026 года Nature опубликовал редакционную статью с примечательным названием: «ИИ-учёные меняют исследования — институты, фонды и издательства тоже должны реагировать».
Напомним, что поводом стал релиз системы The AI Scientist, созданной Sakana AI и исследователями из нескольких университетов. Она способна пройти почти весь цикл вычислительного исследования: изучить литературу, предложить идею, написать код, провести эксперименты, проанализировать результаты, построить графики, подготовить статью и даже составить рецензию на неё.
На что обратили внимание в Nature?
Главный результат одного из описанных экспериментов в присланной в редакцию статье оказался отрицательным: новый метод не улучшил обучение нейросетей. Казалось бы что тут интересного? Но Nature заинтересовало способ представления этого результата научному сообществу и даже, в каком то смысле, примечательное упорство авторов.
Оказывается исследователи на основе системы Sakana AI подготовила три варианта рукописи. Одна из них после рецензирования все таки смогла достичь порога принятия на воркшопе ICLR. Можно сказать, что победили "числом", а не умением.
В итоге редакционная статья Nature читается почти как вырвавшаяся наружу институциональная боль.
Наука веками строилась в расчёте на ограниченную производительность человека. Исследователь медленно формулирует гипотезу, проводит эксперимент, пишет статью и отправляет её другим людям, которые так же медленно её проверяют. Теперь производство гипотез и рукописей начинает автоматизироваться, а контроль качества остаётся ручным. Получается фабрика с роботизированным конвейером и ремесленной приёмкой.
Агенты могут создавать исследования быстро и дёшево, но число квалифицированных рецензентов не увеличивается. Более того, модель способна выдумать ссылку, неправильно провести сравнение или сотни раз менять анализ, пока случайно не появится статистически значимый результат.
Nature называет такую перспективу автоматизированным p-hacking в промышленном масштабе.
Возникают и менее очевидные вопросы
Кому принадлежит открытие, если невозможно проследить, из каких чужих идей модель его собрала? Как оценивать учёного, способного выпускать десятки ИИ-работ? Кто отвечает за ошибку? И как будут учиться молодые исследователи, если чтение литературы, анализ данных и постановку экспериментов — работу, на которой обычно формируется научное мышление, — выполнит машина?
Есть риск и для самой структуры знания. Анализ 41,3 миллиона публикаций показал: применение ИИ повышает продуктивность отдельных исследователей, но одновременно сужает круг изучаемых тем. Машины естественным образом тянутся туда, где уже много данных и легко измерить результат.
Nature уже требует раскрывать использование языковых моделей, не признаёт их авторами и рекомендует прикладывать историю запросов и ответов, если ИИ участвовал в творческой части исследования. Но это пока локальные заплатки, а не новая архитектура науки.
Именно поэтому статья важна как сигнал тренда. Google, OpenAI, Anthropic и Sakana AI уже экспериментируют с автоматизацией исследований; ИИ переходит от поиска статей и написания кода к выдвижению гипотез и интерпретации результатов.
Вопрос больше не в том, сможет ли ИИ заниматься наукой. Вопрос в том, успеет ли наука перестроить рецензирование, финансирование, авторство и контроль воспроизводимости до того, как скорость производства исследований превысит способность людей их проверять?
💬 Тест Тьюринга. События в сфере ИИ. Подписаться