Ученые в коде
Как ИИ трансформирует фундаментальную и прикладную науку
Развитие ИИ уже сформировало запрос на системную подготовку исследователей, которые могут соединять фундаментальные знания и методы машинного обучения. Однако обучать работе с нейросетями исследователей из области естественных наук — комплексная и довольно непростая задача. Мы поговорили с заместителем министра образования и науки Андреем Омельчуком, представителями академического сообщества и экспертами ИТ-отрасли о том, куда движется развитие ИИ в науке и как меняются требования к навыкам ученых.
Фото: Getty Images
Фото: Getty Images
ИИ как новая норма в науке
Сейчас ИИ уже может выполнять разнопрофильные задачи: от анализа данных и формулирования научных гипотез до проектирования экспериментов. Нейросети ускоряют работу ученых — в некоторых случаях в десятки и сотни раз. Например, в 2022 году ученые из DeepMind предсказали трехмерную структуру всех имеющихся белков. В результате фармацевтические компании смогли увеличить темпы разработки новых лекарств. Сейчас нейросеть помогает им создавать антибиотики, к которым у бактерий нет резистентности.
Как отмечает сотрудник научной группы Константина Новоселова в Университете Сингапура и выпускник Школы анализа данных «Яндекса» (ШАД) Никита Казеев, ученые так или иначе применяли машинное обучение десятки лет. «Самое ранее упоминание нейросетей в физике высоких энергий относится к 1988 году. Что действительно изменилось за последние годы — это кардинальный рост области применимости нейросетей, сейчас с помощью ИИ можно решать гораздо более широкий круг задач»,— отмечает эксперт.
Нейросети активно внедряют в науку и в России. По словам замминистра науки и высшего образования РФ Андрея Омельчука, этому способствуют сильная математическая школа и высокая квалификация специалистов в вузах. А крупные технологические компании выступают мощными драйверами разработок — они активно сотрудничают с академической средой, предоставляют экспертизу своих сотрудников, данные и вычислительные мощности.
Российские ученые в сфере машинного обучения и искусственного интеллекта уже успели сыграть одну из ключевых ролей в систематизации и анализе данных на Большом адронном коллайдере (БАК). В исследованиях участвовали выпускники и сотрудники ША) и их коллеги из лаборатории LAMBDA НИУ ВШЭ. Они рассказали «Ъ-Науке» о том, как машины справляются со сложными задачами.
ШАД занималась разработкой ML-подходов к исследованиям. Ее нынешний руководитель Алексей Толстиков отмечает, что объем событий и данных, который генерируется адронным коллайдером, описывается скоростью около 0,5 петабайта (около 500 тыс. гигабайтов) в секунду. У ученых нет возможности записывать его на протяжении нескольких лет экспериментов. «Даже если бы мы их записали, то само перепрочтение и анализ заняли бы неимоверно большое время. Именно поэтому для обработки данных подключали ИИ — он помогал фиксировать и выделять важную информацию, отсеивая ненужное»,— рассказал он.
В 2012 году на БАК ученые обнаружили бозон Хиггса. Гипотезу о его существовании выдвинули еще в 1960-е годы, но подтвердить ее долгое время не удавалось. По словам Алексея Толстикова, открытие стало возможным в том числе благодаря ИИ, который позволяет отслеживать очень редкие события.
Никита Казеев подчеркнул, что большие языковые модели (LLM) отлично отвечают на вопросы, ответы на которые уже содержатся в научной литературе. Это помогает отсеивать общеизвестные факты и фиксировать нестандартные события.
Федор Ратников, руководитель исследований в лаборатории LAMBDA Института искусственного интеллекта НИУ ВШЭ, отмечает, что ИИ-технологии применяются в физике частиц уже почти полвека, но качественные улучшения они продемонстрировали, именно начиная с использования в экспериментах Большого адронного коллайдера. Сейчас физики активно используют самые передовые подходы, применяемые в ИИ. «Так, графовые нейронные сети, построенные на основе специальных математических структур в виде вершин и ребер, сейчас широко используются для описания связей между различными компонентами физических объектов. Ключевую роль играют также суррогатные генеративные модели, существенно ускоряющие моделирование исследуемых физических явлений»,— рассказывает Ратников.
Нейросети вносят полезный вклад не только в фундаментальную, но и в прикладную науку — например, металлургию, разработку лекарств или материаловедение, где основная задача, по словам Никиты Казеева,— расставить атомы полезным образом. «Атомы подчиняются сформулированным 100 лет назад законам квантовой механики, поэтому принципиальных ограничений на применение в этой области ИИ нет»,— поясняет ученый.
Замминистра науки и высшего образования РФ подчеркивает, что результаты применения ИИ в прикладных науках можно ощутить уже сейчас. «В частности, можно отметить рост скорости и эффективности научной работы. Возросла скорость синтеза металлических сплавов, на 50% сократилось время перебора составов лекарств в фармацевтике, а время анализа химических реакций сократилось с трех лет всего до нескольких часов»,— объясняет Андрей Омельчук.
ИИ как экосистема
В России высокий потенциал ИИ в развитии науки на высшем уровне отметили еще в 2019 году, когда Владимир Путин утвердил Национальную стратегию развития ИИ. В 2024 году документ доработали: в нем обновились основные задачи, принципы развития и использования технологии. По словам Андрея Омельчука, Минобрнауки России активно прорабатывает нормативно-правовые аспекты максимально эффективной поддержки внедрения ИИ в научную деятельность. Например, планируется создание специальной подкомиссии по искусственному интеллекту. Как отмечает Омельчук, главная задача этой группы — обеспечить, чтобы все государственные органы, научные и инновационные организации работали слаженно. «Они будут вместе формировать политику в области развития и поддержки ИИ-исследований, использования ИИ в науке, а также обучения новых специалистов»,— подчеркнул Омельчук.
Конечная цель такой работы — создание единой экосистемы, включающей кадровую, инфраструктурную и образовательную составляющие. Авторы идеи считают, что за счет этого ИИ-технологии в России будут развиваться наиболее эффективно.
Большую роль здесь играют крупные технологические компании, подчеркивает директор по образованию «Яндекса» Дарья Козлова. По ее словам, у таких компаний уже есть и мощная инфраструктура, и накопленная экспертиза, и научная база в области искусственного интеллекта — от обработки больших данных до построения сложных моделей. Это сочетание позволяет им не только развивать собственные решения, но и эффективно обучать ученых применять ИИ к вызовам в их предметных областях.
«Экосистема ИИ работает, когда наука, образование и индустрия синхронизированы. Мы в “Яндексе” хотим, чтобы у ученых была возможность осваивать передовые подходы на базе ИИ, например агентскую модель, где исследователь создает и управляет командой ИИ-ученых. Эти интеллектуальные агенты способны анализировать данные, генерировать гипотезы и предлагать решения, а ученый координирует их работу, как дирижер оркестра. Такой подход открывает новые горизонты для науки, позволяя сосредоточиться на поиске нестандартных решений и постановке амбициозных задач. Мы уверены, это станет важным шагом в развитии исследований будущего»,— отмечает Козлова.
Сейчас государство активно предоставляет гранты на проведение исследований и разработку отраслевых решений. В 2025 году по 676 млн руб. получили сразу семь организаций: НИУ ВШЭ, Университет Иннополис, ИСП РАН, Университет ИТМО, МФТИ, Сколтех, МГУ им. М. В. Ломоносова. Также в стране выстраивается партнерство между университетами и технологическими компаниями. Например, «Яндекс» и «Сбер» совместно с ИТМО, МФТИ, СПбГУ, НИУ ВШЭ и Университетом Иннополис реализуют программу бакалавриата AI360, нацеленную на подготовку специалистов, способных создавать принципиально новые фундаментальные модели и решения в области ИИ. Студенты будут изучать математический анализ, алгоритмы и структуры данных, проектирование в генеративных технологиях и больших языковых моделях. Еще один пример эффективной кооперации — МГУ и госкорпорация «Ростех», которые будут создавать учебно-исследовательские лаборатории и готовить ИИ-исследователей.
Как меняется обучение специалистов
В обучении исследователей работе с новыми технологиями есть свои сложности. Как правило, эксперты в области ИИ обладают математическим образованием и складом ума — им непросто работать со студентами естественных наук. Подходы, которые эффективны для обучения специалистов компьютерных специальностей, для студентов естественно-научных специальностей не так эффективны. «Физики, химики и биологи мыслят образами, а не формулами. Поэтому важно привлекать к обучению экспертов в области ИИ, которые вышли из естественных наук и смогут объяснять материал на понятном студентам языке образов»,— рассказывает Федор Ратников.
В связи с этим университеты, работающие на стыке фундаментальной науки и технологий, уже перестраивают учебные планы: появляются специализации по научному программированию, обработке больших данных, архитектурам нейросетей и математическому моделированию с применением ИИ. Такие направления, к примеру, уже есть в Сколтехе и НИУ ВШЭ.
В пересмотр и запуск новых методик обучения нужно вкладывать не только экспертизу научных сотрудников, но и соответствующие финансовые и технологические ресурсы. В том числе поэтому вместе с университетами такой комплексной задачей активно занимаются бигтехи. Совместные образовательные программы крупных IT-компаний и научных институтов запускают уже много лет — с 2021 года их количество выросло уже в три раза. В результате появляются новые методики и инструменты обучения — при поддержке экспертов и ресурсов компаний они помогают студентам развивать наиболее актуальные навыки.
Например, в августе в ШАД открыли прием заявок на направление «Искусственный интеллект в естественно-научных исследованиях». Студентов планируют учить тому, как использовать ML-методы и инструменты в исследованиях в физике, химии, биологии, экологии, медицине и геологии. Участники будут искать новые закономерности в больших массивах данных, автоматизировать обработку гипотез и генерацию новых научных гипотез. «Нужно отбрасывать наиболее известные наблюдения, искать крайне редкие события, фильтровать и исследовать их с помощью искусственного интеллекта. Это не заменяет традиционный научный метод, но очень сильно расширяет и обновляет инструментарий»,— подчеркивает Алексей Толстиков.
ШАД не планирует переводить специалистов естественных наук на полноценные IT-рельсы. «Мы хотим, чтобы ребята не уходили в IT-разработку, а оставались в своей области и становились “исследователями со звездочкой” в экономике, медицине, биотехе, радиофизике — то есть хорошо ориентировались в AI-native среде, могли ставить задачи и управлять научными лабораториями, учитывая современные подходы. Это помогает российской науке адаптироваться к новым вызовам и быть частью мирового научного процесса»,— отмечает эксперт.