За последние 5–7 лет ИИ перестал быть только «инструментом автоматизации» и стал ускорителем научных открытий: он ищет закономерности в данных, предлагает гипотезы, перебирает варианты, которые человеку не по силам, и помогает управлять сложными установками в реальном времени.
Открытия и прорывы, которым заметно помог ИИ
1) Биология: «карта форм белков» и новые мишени для лекарств.
Модель AlphaFold научилась предсказывать 3D-структуру белков с очень высокой точностью, что сняло одно из главных «бутылочных горлышек» молекулярной биологии. Влияние настолько большое, что в 2024 году разработчики AlphaFold из Google DeepMind получили Нобелевскую премию по химии. Практический эффект: быстрее понимаем, как работают белки-мишени, и где уязвимы патогены; проще проектировать молекулы и белковые «инструменты» для медицины и биотеха.
2) Химия и медицина: поиск антибиотиков в океане молекул.
Классический скрининг лекарств дорог и медленен, а ИИ умеет ранжировать миллионы соединений по вероятности нужной активности. Группа из MIT показала, как ML-подход помог найти кандидата-антибиотик halicin и ускорить поиск новых классов антибактериальных соединений. Это важно на фоне устойчивости бактерий к существующим препаратам: ИИ помогает расширять «химическое пространство» и находить нетривиальные решения.
3) Материалы: миллионы кандидатов для батарей, электроники и энергетики.
В материаловедении ИИ стал «генератором» перспективных кристаллов: графовые нейросети и масштабное обучение ускоряют поиск стабильных материалов на порядки. Инструмент GNoME, по сообщениям разработчиков, предложил миллионы новых кристаллических структур и сотни тысяч потенциально стабильных материалов — это задел для новых аккумуляторов, сверхпроводников и катализаторов.
4) Физика плазмы: управление термоядерной установкой обучением с подкреплением.
Одна из самых впечатляющих демонстраций — когда ИИ не просто «анализирует», а управляет реальным объектом. В работе в Nature показано, что глубокое RL может контролировать плазму в токамаке и удерживать/«лепить» её форму. Это прямой вклад в ускорение исследований управляемого термояда: чем лучше контроль плазмы, тем ближе устойчивые режимы работы будущих реакторов.
5) Космос: поиск экзопланет и редких явлений в огромных архивах.
В астрономии проблема часто не в отсутствии данных, а в их лавине. NASA развивает линейку моделей ExoMiner: новая версия ExoMiner++ обучена на данных Kepler и TESS и помогает валидировать кандидатов в экзопланеты. ESA с помощью инструмента AnomalyMatch помогла исследователям найти в архивах Hubble тысячи «космических аномалий», включая сотни ранее не описанных объектов — за время, несопоставимое с ручным поиском.
6) Гравитационные волны: тише шум — выше чувствительность.
ИИ применяется и «в инфраструктуре науки»: например, LIGO сообщает об использовании ИИ-подходов для улучшения систем управления и снижения шумов, которые мешают ловить слабые сигналы. А отдельные исследования показывают, что ML может помогать проектировать будущие детекторы и извлекать сигналы из сложного фона.
7) Математика: шаг к автоматическим доказательствам.
Системы формального рассуждения на базе RL уже выходят на уровень задач Международной математической олимпиады: AlphaProof и AlphaGeometry 2 решили 4 из 6 задач IMO-2024 на «серебряный» уровень. Есть и исследования, заявляющие о ещё более высоких результатах на IMO-2025 при связке формальной проверки и «неформального» вывода.
Чем мы можем помочь ИИ делать открытия (математика, физика, космос)
В математике
- Формализовать знания. Перевод учебников, статей и доказательств в проверяемые формальные языки (например, Lean-экосистема) создаёт «топливо» для ИИ-доказателей: чем больше библиотека, тем быстрее поиск.
- Делать качественные датасеты «шагов доказательства». Не только финальный ответ, но и цепочки лемм, типичные приёмы, разбор ошибок — это резко повышает обучаемость.
- Создавать честные бенчмарки. Нужны наборы задач с закрытыми тестами и метриками «понимания», чтобы модели не просто заучивали шаблоны.
В физике
- Давать ИИ симуляторы и ограничения реальности. Лучшие результаты получаются, когда модель учится в симуляции, но постоянно «сверяется» с экспериментом (как в задачах управления плазмой).
- Открывать экспериментальные данные и отрицательные результаты. Для науки бесценны не только успехи: сведения о том, что «не сработало», помогают ИИ не тратить вычисления на тупики.
- Интерпретируемость и проверяемость. Физика ценит объяснения. Разработка методов, которые превращают нейросетевую гипотезу в проверяемую формулу/модель, — ключ к доверию.
В космосе
- Разметка и citizen science. Люди нужны, чтобы подтверждать редкие находки, обучать модели на «аномалиях» и создавать эталонные выборки для телескопов будущего.
- Единые стандарты данных. Чем лучше калибровка, метаданные и совместимость архивов, тем эффективнее ИИ ищет слабые сигналы.
- Совместные пайплайны “ИИ + астроном”. Оптимальный режим — когда ИИ быстро выдаёт кандидатов, а эксперт решает, что достойно телескопного времени.
ИИ уже ускоряет открытия, но его сила раскрывается по-настоящему, когда мы делаем науку «машиночитаемой»: открытые данные, прозрачные проверки, формальные знания и тесная связка с экспериментом. Тогда он становится не заменой учёного, а усилителем человеческой любознательности.
И главное: каждое «ИИ-открытие» должно быть воспроизводимым — с открытыми кодом, данными и протоколом проверки, иначе это останется красивой демонстрацией.