От вычисления к соавторству: ИИ в новой науке

Программист и ИТ-предприниматель Пол Конингем завел собаку в 2019 году. Через пять лет у Рози обнаружили рак. Несколько курсов химиотерапии и хирургическое вмешательство не помогли; врачи предупредили: жить животному осталось не более шести месяцев. Дальнейшее лечение любимицы Пол обсуждал с ChatGPT, который напомнил: недавно появились мРНК-вакцины.

Мир узнал о них в 2020 году, когда были экстренно одобрены два препарата против COVID‑19. В 2023 году авторы технологии Каталин Карико и Дрю Вайсман были удостоены Нобелевской премии по медицине.

Принцип работы таких вакцин прост: специалисты секвенируют ДНК пациента, затем берут биопсию здоровых тканей и опухоли; сравнивают их, чтобы выяснить, где произошла мутация, вызвавшая болезнь. Затем на основе «поломанных» участков генетического кода изготавливают вакцину, помогая иммунной системе «увидеть врага». Схему придумали еще в 1990‑х, но до сих пор одобренной мРНК-онковакцины нет, известны лишь случаи успешной терапии в рамках исследований.

Секвенирование тканей собаки П. Конингема провели в Университете Нового Южного Уэльса; аналитическую работу — поиск мутаций — Пол проделал сам с помощью ChatGPT и программы AlphaFold, предсказывающей трехмерную структуру белков на основе их последовательности (авторы этой программы тоже получили Нобелевскую премию, но по химии, в 2024 году). Вакцину на основе полученных данных изготовили в том же университете.

Мировые медиа пестрили заголовками типа «ChatGPT спас собаку». Но, во‑первых, вакцина, как и секвенирование, —дело рук человеческих; а во‑вторых, трудно оценить, какая из программ сыграла решающую роль в успехе — ChatGPT или AlphaFold. «Ключевое различие общих и специализированных ИИ — в архитектуре целей. Нейросети вроде AlphaFold заточены под конкретную задачу: предсказать, смоделировать, оптимизировать. Это хорошие инструменты, но они не умеют обобщать за пределами своей цели. LLM, в основе которых — предсказание следующего токена, способны сравнивать и синтезировать; это ядро, отвечающее за рассуждение и обобщение, при необходимости подключающее узкоспециализированные инструменты», — объясняет Илья Макаров, ведущий научный сотрудник, руководитель группы ИИ в промышленности, AIRI.

Вероятно, ChatGPT искал различия между ДНК опухоли и здоровой ткани, AlphaFold моделировал молекулы, затем ChatGPT анализировал их с целью «понять», какие именно вызвали рак. Факт остается фактом: не ветеринары, а нейросети подсказали подходящий тип терапии и подарили надежду. Лечение Рози продолжается.

Считать — дело техники
Вклад LLM в теоретическую физику понятнее. Интерес представляют две работы, созданные разными моделями.

Первая посвящена глюонам — элементарным частицам, переносящим сильное взаимодействие между кварками. Одно из центральных понятий физики элементарных частиц — «амплитуда рассеяния»; с ее помощью вычисляют вероятность определенного типа взаимодействия частиц. Считалось, что амплитуда равна нулю, когда взаимодействуют частицы двух различных спиральностей. Но группа физиков из США и Великобритании предположила вероятность иного исхода. Ученые бились над доказательством своей гипотезы много месяцев. Затем к работе подключились сотрудники Open AI (разработчика ChatGPT), и ChatGPT очень быстро доказал: возможны ситуации, когда амплитуда рассеяния не равна нулю.

«Это исследование не имеет большого научного значения, на важные расчеты оно не повлияет. И не стоит забывать, что провели расчеты и вывели формулу люди, нейросеть лишь проанализировала данные и упростила формулу так, чтобы можно было работать дальше», — считает Дмитрий Казаков, член-корреспондент РАН, директор лаборатории теоретической физики ОИЯИ, зав. кафедрой фундаментальных и прикладных проблем физики микромира МФТИ.

Действительно, сначала физики попросили ChatGPT‑5.2 Pro упростить выражение для четырех глюонов (на это у ИИ ушло примерно 20 минут), затем — для пяти и шести. Нейросеть свела сумму из 32 членов к произведению нескольких слагаемых и в итоге обобщила формулу для любого количества частиц (всего лишь за две минуты).

«Фокус исследователя смещается от рутинных вычислений к правильной постановке вопроса и валидации результата. Именно это показало исследование с глюонами: год ушел на формализацию задачи и минуты — на ее решение с помощью ИИ», — резюмирует И. Макаров.

Человечество научилось считать, используя числа, затем перешло к формулам, а недавно изобрело машинное обучение — это закономерный процесс, поясняет Д. Казаков: «Ни как научный руководитель, ни как ученый я не вижу в нейросетях ничего плохого. В теоретической физике важно придумать, вывести уравнение, а дальнейшее — дело техники».

Интересную работу проделал Мэтью Шварц, профессор физики из Гарварда: он задавал нейросети вопросы и перепроверял промежуточные результаты расчетов. М. Шварц использовал Claude Opus 4.5, одного из главных конкурентов GPT‑5.2 Pro. Вопросы тоже касались физики элементарных частиц. Сталкиваясь в коллайдере, электрон и позитрон аннигилируют, то есть полностью исчезают, превращаясь в чистую энергию, порождающую новые элементарные частицы. Геометрию их распределения в квантовой хромодинамике описывают с помощью С-параметра. Вычислить его точно пока не получается, поэтому используются приближения. И самая большая проблема — так называемое плечо Судакова, область распределения, где стандартные приближения почти не работают. М. Шварц сформулировал цель своего проекта так: «Исправить предсказание в этой точке». Сложность задачи автор оценил как «для второго курса аспирантуры» — этапа, когда методы отработаны и можно верифицировать результат на каждом шаге. Автору потребовались две недели, 110 запросов (драфтов), более 40 часов локальных вычислений, выполненных нейросетью, и 36 млн токенов. Автор ни разу не правил текст, лишь давал уточняющие запросы. Промежуточные результаты он перепроверял с помощью GPT и Gemini. В объяснительной статье для Anthropic (разработчик Claude Code) М. Шварц написал: «Итоговая работа представляет собой ценный вклад в квантовую теорию поля. В частности, в ней приведена новая теорема факторизации. Таких теорем не так уж много, и именно они приводят к более глубокому пониманию квантовой теории поля. Кроме того, в ней содержатся новые предсказания о физическом мире, которые можно проверить. Опять же, в наши дни это относительно редкое явление. Я горжусь этой работой».

Пределы возможностей
«Наступит время, когда не придется задавать нейросети многочисленных вопросов — достаточно будет сконструировать общую канву. А дальше сам ИИ будет решать, на что ему обратить внимание, какие данные в массиве важны и т. д.», — прогнозирует Д. Казаков.

Собственно, М. Шварц хотел проверить, возможно ли это уже сейчас, когда нейросети ворвались в жизнь и работу миллионов людей. Сначала он сформулировал запрос так: «Напиши работу о пересуммировании на уровень NLL плеча Судакова в C-параметре в электрон-позитронных столкновениях. Включи вывод формулы факторизации, сравнение с предыдущими результатами, численные проверки с помощью расчетов Монте-Карло с использованием EVENT2 и заключительный график пересуммированного распределения с полосами неопределенности». Ни одна большая языковая модель ничего толкового не выдала. Физик понял: с нейросетью нужно вести себя как с аспирантом: давать конкретные пошаговые инструкции, не выходящие за рамки известных методик.

Вероятно, появление по-настоящему самостоятельной LLM-модели не за горами. «Исследователи уже создают агентов, способных итеративно улучшать самих себя без участия человека, — поясняет И. Макаров. — Наглядный пример — проект HyperAgents Татьяны Шавриной, Jenny Zhang и их коллег: система работает как цепочка из двух агентов; мета-агент вносит изменения одновременно в себя и в агента-исполнителя, опираясь на результаты решения задач. Модификации могут накапливаться до 200 поколений, охватывая сразу несколько доменов — от математики и программирования до рецензирования статей. Все изменения фиксируются в виде графа версий, что теоретически позволяет отследить эволюцию системы, но не гарантирует контроля над направлением эволюции».

Появление таких моделей означает, что порог входа в науку вскоре снизится. Уже сейчас не-программисты с помощью нейросетей могут создавать сайты и писать программы (vibe-coding). «В ближайшем будущем человек, одержимый любопытством и желанием сделать открытие, сможет самостоятельно, благодаря ИИ, написать научную статью. По форме и содержанию она не будет уступать статьям, написанным людьми; ИИ сможет перевести его ви`дение устройства мира на язык формул, — утверждает Максим Вялков, сотрудник Национального центра физики и математики, аспирант МГУ Саров. — Да, с точки зрения физики это будет, скорее всего, „наукоподобно“. Однако если количество таких текстов будет расти, то статистически возможно появление прорывной работы, которая изменит физику».

И все же пока предел возможностей у LLM есть. «Как отмечают исследователи Agents4Science, нынешние модели технически грамотны, но пока не способны проектировать по-настоящему важные научные вопросы — критическое мышление и научная интуиция остаются привилегиями человека», — подчеркивает И. Макаров.

Agents4Science — платформа, на которой специалисты обсуждают использование ИИ в науке. В 2025 году состоялась первая конференция, где AI-агенты выступали основными авторами и рецензентами, а люди — соавторами и сорецензентами.

Нет никаких сомнений, что как количество, так и качество таких статей будут расти. Лучше всего смену парадигмы выразил М. Шварц: «Возможно, это самая важная статья, которую я когда-либо написал — не с точки зрения физики, а с точки зрения метода. Пути назад нет».