Вопрос: Какие нейросети специализируются на проблемах развития науки?
Эти инструменты работают по нескольким ключевым направлениям, кардинально меняя подход к исследованиям:
Генерация гипотез и открытие нового: ИИ больше не просто анализирует данные. Генеративные модели, такие как GNoME от Google DeepMind, способны самостоятельно “придумывать” и предсказывать свойства новых материалов. Например, GNoME предсказала 2,2 миллиона кристаллических структур, из которых 381 тысяча оказались стабильными — это увеличило количество известных человечеству материалов в 8 раз . Другой громкий пример — AlphaFold, который решил 50-летнюю проблему биологии, предсказав структуры практически всех известных белков .
Автономное проведение экспериментов: Системы нового поколения, такие как A-Lab, работают как “фабрики открытий”. Они сами планируют эксперимент, проводят его с помощью роботов, анализируют результаты и начинают цикл заново — и все это без участия человека . Благодаря таким автономным лабораториям в MIT всего за несколько месяцев нашли новый антибиотик против устойчивой бактерии MRSA .
Интеллектуальный ассистент исследователя: Повседневная работа ученого тоже меняется. Инструмент Prism от OpenAI, интегрированный с ChatGPT, помогает искать научные статьи в архиве arXiv, проверять факты, работать с формулами в LaTeX и даже преобразовывать рукописные заметки в цифровой текст.
Как оценивают “научность” нейросетей?
Важно не только создать мощную нейросеть, но и понять, насколько хорошо она справляется со сложными научными задачами. Для этого разрабатываются специальные тесты — бенчмарки.
Например, бенчмарк FrontierScience от OpenAI создан для оценки способностей ИИ к рассуждениям уровня эксперта с ученой степенью. Он содержит сотни сложных задач по физике, химии и биологии, разделенных на олимпиадный и исследовательский уровни . Результаты показывают, что даже лучшие модели (например, GPT-5.2) пока значительно лучше справляются с четко поставленными олимпиадными задачами (77% верных ответов), чем с открытыми исследовательскими проблемами (25%) .
Кроме того, ученые работают над тем, чтобы заглянуть внутрь “черного ящика” нейросетей. Исследователи из Сколтеха и МФТИ разработали метод QK-score, который позволяет находить внутри больших языковых моделей компоненты (“головы внимания”), отвечающие за логические рассуждения. Это делает работу ИИ более прозрачной и надежной, что критически важно для науки .
Наука, движимая искусственным интеллектом (AI4S), — это уже не будущее, а наше настоящее, признанное даже Нобелевским комитетом .
Надеюсь, этот обзор поможет вам сориентироваться в мире ИИ для науки. Вас интересует какая-то конкретная область исследований, например, биоинформатика или материаловедение?