# Грейс Хакинс о кризисе понимания: «Данные могут подвести нас, если мы забудем, зачем нужна наука» Источник: https://www.youtube.com/watch?v=g3AJn-1B1ho Канал: The Royal Institution Опубликовано: 28.08.2025 --- В эпоху «больших данных» и стремительного развития искусственного интеллекта наука сталкивается с парадоксом: мы получаем всё больше ответов, но всё меньше понимаем, как они устроены. Грейс Хакинс (Grace Huckins), нейробиолог, лектор Стэнфорда и научный журналист, стала победителем престижной премии Nine Dots Prize, представив глубокое исследование того, как избыток информации может завести научную мысль в тупик. ## 🧠 Путь на стыке нейробиологии и философии [[JUMP:02:01]] Грейс Хакинс начала свою академическую карьеру с изучения нейробиологии, завершив в прошлом году получение степени PhD в Стэнфордском университете [2:14]. Однако её интересы всегда выходили за рамки чистых лабораторных исследований. Помимо нейронаук, Хакинс получила степень магистра женских исследований в Оксфорде и дополнительную специализацию по философии [5:23]. По словам Хакинс, её всегда привлекала возможность связать физические процессы в мозге с личным человеческим опытом. В своей докторской работе она сосредоточилась на этических аспектах нейробиологического понимания, особенно в контексте психических заболеваний. Она утверждает, что понимание механизмов работы мозга может помочь людям по-новому взглянуть на свои переживания, когда привычные объяснения поведения (например, при глубокой депрессии) перестают работать [4:02]. Междисциплинарный подход позволил Грейс анализировать науку в широком социальном контексте: * Использование феминистской теории для критического анализа нейробиологических работ о гендерной идентичности [7:21]. * Исследование связи между вспышками заболеваний (например, оспы обезьян в 2022 году) и социальными явлениями, такими как гомофобия [5:50]. * Работа в качестве журналиста для таких изданий, как Wired и Slate, где она объясняет социальные последствия научных открытий [5:37]. ## 🤖 Революция ИИ в нейронауке: эра AlexNet [[JUMP:10:41]] Академический путь Хакинс совпал с началом современной эры ИИ. Она начала обучение в 2012 году — в тот же год, когда была опубликована статья об AlexNet, продемонстрировавшая эффективность глубоких нейронных сетей [11:20]. Это событие, по мнению гостьи, коренным образом изменило нейробиологию. Сегодня ИИ стал неотъемлемой частью исследований мозга. Хакинс выделяет несколько ключевых аспектов этого влияния: 1. **ИИ как субдисциплина:** Хакинс полагает, что нейронные сети, вдохновленные биологическим мозгом, позволяют рассматривать ИИ как своеобразное ответвление нейробиологии [12:14]. 2. **Модели «черного ящика»:** Глубокие нейронные сети стали мощными инструментами для имитации данных мозга, но ученые часто не понимают, что происходит внутри них [12:52]. 3. **Взрывной рост данных:** Появление новых технологий, таких как зонд Neuropixel, позволяющий записывать активность тысяч нейронов одновременно, создало избыток информации, с которым трудно справиться [13:18]. Грейс Хакинс подчеркивает, что современные исследователи находятся на грани: данных так много, а модели так сложны, что получение конкретного понимания того, как работает мозг, становится пугающей перспективой [13:45]. ## 💻 Эксперимент с микропроцессором: почему данных недостаточно [[JUMP:14:37]] Одним из ключевых аргументов в эссе Хакинс стала работа Конрада Кординга и Эрика Джонаса «Смог бы нейробиолог понять микропроцессор?» [14:50]. Авторы решили проверить гипотезу о том, что понимание мозга ограничено лишь нехваткой данных. Суть исследования заключалась в следующем: * Ученые применили стандартные нейробиологические методы (например, повреждение отдельной части и наблюдение за результатом) к компьютерному чипу, работа которого человеку уже полностью понятна [15:54]. * Они наблюдали за «поведением» чипа во время работы простых игр [16:07]. * **Результат:** Нейробиологические подходы позволили сделать лишь туманные выводы о функциях отдельных частей чипа, но не дали реального понимания того, как он обрабатывает информацию [16:33]. На основании этого исследования Хакинс делает вывод: простого сбора данных недостаточно. Для осмысления колоссальных массивов информации науке нужны принципиально новые теории и подходы [17:21]. ## 🧪 AlphaFold и проблема предсказания без объяснения [[JUMP:22:11]] В качестве яркого примера современной научной дилеммы Грейс Хакинс приводит AlphaFold — систему ИИ от Google DeepMind, решившую проблему сворачивания белка [23:56]. Система способна предсказать трехмерную структуру белка по последовательности аминокислот с невероятной точностью. Это имеет колоссальное практическое значение для разработки лекарств [24:21]. Однако, как отмечает Хакинс, AlphaFold не объясняет, *почему* белок сворачивается именно так [25:01]. В этом контексте Хакинс выделяет две позиции: * **Прагматическая:** Неважно, понимает ли человек процесс, если мы получаем эффективные лекарства и медицинские достижения [25:42]. * **Теоретическая:** Понимание ценно само по себе. Без него мы можем упустить «неизвестные неизвестные» — новые научные прорывы, которые могли бы последовать из понимания механизмов [26:35]. Хакинс приводит аналогию с калькулятором на уроках математики [28:22]. Если ваша цель — просто получить число, калькулятор идеален. Но если цель — развить способности и понимание для решения будущих задач, калькулятор может стать препятствием, из-за которого «понимание» отодвигается на второй план [30:16]. ## 💰 Политика, деньги и будущее научных интервью [[JUMP:31:39]] В рамках работы над книгой Грейс планирует интервьюировать ученых, чтобы узнать, как избыток данных влияет на их повседневную работу. Она отмечает, что ситуация осложняется сокращением финансирования и политической поддержки науки, особенно в США [33:47]. По мнению Хакинс, финансовое давление может вынудить ученых отдавать приоритет практическим результатам (например, разработке препаратов с помощью ИИ), отказываясь от фундаментальных исследований, направленных на понимание процессов. Это создает этическую дилемму: что мы хотим получить от науки в условиях ограниченных ресурсов? [34:26] Грейс Хакинс подчеркивает международный характер науки. Несмотря на то что DeepMind зародился в Великобритании, его влияние (как и влияние американских технологических гигантов) ощущается повсеместно [36:54]. ## 🚩 Подводят ли нас данные? [[JUMP:40:51]] Отвечая на главный вопрос подкаста, Грейс Хакинс воздерживается от однозначного «да» или «нет». По её мнению, данные могут как стать величайшим преимуществом, так и привести к провалу, в зависимости от того, какие ценности мы выберем [41:31]. Она выделяет две основные возможности «провала» данных: 1. **Инерция:** У нас есть мощные инструменты, и мы просто позволяем им нести нас к практическим результатам, игнорируя потребность в понимании [43:00]. 2. **Игнорирование вопроса:** Самый большой риск — даже не пытаться определить, какую роль должно играть понимание в эпоху ИИ, и не смотреть проблеме в лицо [43:14]. Книга Грейс Хакинс, выход которой запланирован на июнь следующего года, призвана побудить научное сообщество и общество в целом осознанно подойти к выбору целей науки в век больших данных [38:14].