# Сможет ли ИИ-физик превзойти Альберта Эйнштейна?

Источник: https://www.youtube.com/watch?v=sa-WZcXhYH4
Канал: Brian Keating
Опубликовано: 26.08.2025

---

Развитие искусственного интеллекта постепенно трансформирует фундаментальную науку, позволяя машинам самостоятельно обнаруживать скрытые математические закономерности Вселенной. В рамках подкаста «Into the Impossible» известный физик Брайан Китинг побеседовал с профессором вычислительной физики Калифорнийского университета в Сан-Диего Роуз Ю. В центре дискуссии — уникальные алгоритмы глубокого обучения, способные совершать открытия на уровне великих ученых, моделировать глобальные кризисы и переосмысливать будущее академического образования.

## 🧠 Искусственный интеллект в поисках законов Вселенной
[[JUMP:0:00]]

Способен ли ИИ-физик когда-нибудь повторить путь Альберта Эйнштейна? В 1907 году великий физик пережил то, что впоследствии назвал «самой счастливой мыслью в своей жизни»: мысленный эксперимент, согласно которому человек в состоянии свободного падения не ощущает собственного веса. Этот триггер привел к формулировке принципа эквивалентности Эйнштейна, заставив ученого ощутить буквальную дрожь восторга. Отвечая на вопрос, сможет ли когда-нибудь машина испытать нечто подобное, Роуз Ю отмечает, что ИИ представляет собой комплекс мыслящих механизмов. С точки зрения гостьи, наделить их человеческими эмоциями в силу особенностей их конструкции, скорее всего, невозможно. 

Однако в отношении творческого и созидательного потенциала машин Роуз Ю выражает абсолютную уверенность. По её мнению, ИИ-модели, впитавшие огромные массивы данных и дистиллированные мировые знания, уже демонстрируют способность создавать принципиально новые смыслы и сущности. В качестве примеров она приводит современные большие языковые модели (LLM), которые успешно доказывают новые математические теоремы, выдвигают научные гипотезы и даже проектируют неизвестные ранее молекулы в химии. 

Брайан Китинг, размышляя о природе эмпирической науки, проводит четкую грань между физикой и математикой. По его словам, в математике возможны абсолютные доказательства, тогда как в физике доказать что-либо окончательно (например, то, что Земля круглая) нельзя — можно лишь опровергать и фальсифицировать ошибочные теории. Контраргументом возможностям чистого эмпиризма выступает реальное достижение команды Роуз Ю: исследователи обучили модели глубокого обучения на «сырых» данных Большого адронного коллайдера (CERN). ИИ rocker-модель сумела самостоятельно, без предварительного закладывания теоретических основ общей теории относительности, обнаружить в высокоэнергетических взаимодействиях частиц лоренц-инвариантность — фундаментальную симметрию Вселенной, на осознание которой у лучших человеческих умов ушли десятилетия.

## ⚡ Архитектурный прорыв: почему графические процессоры двигают ИИ
[[JUMP:4:03]]

Современный бум технологий искусственного интеллекта неразрывно связан с аппаратным обеспечением. Брайан Китинг иронично замечает, что графические процессоры (GPU) изначально изобретались вовсе не для науки, а для того, чтобы обеспечивать высокую скорость и производительность в видеоиграх вроде Grand Theft Auto 6 или Minecraft. Профессор Ю объясняет этот феномен фундаментальными различиями в архитектуре чипов. По её словам, GPU отдают приоритет арифметическим вычислениям и операциям матричного умножения. Обычные же центральные процессоры (CPU) больше ориентированы на логическую обработку инструкций и планирование задач. Поскольку алгоритмы глубокого обучения концептуально состоят из огромного количества перемножений матриц, использование GPU повышает эффективность расчетов в 10–100 раз. Сфера их применения простирается далеко за пределы текстовых LLM — от генерации видео с помощью диффузионных моделей до построения траекторий беспилотных автомобилей.

Тем не менее непрерывный характер физических законов накладывает свои ограничения на цифровые вычисления. Китинг делится личным опытом: прошлым летом он вместе со своим студентом Эваном М. пытался симулировать смещение перигелия Меркурия. Эйнштейн в своё время осознал, что для объяснения этой аномалии необходимо включить кривизну времени в четырехмерное пространство-время. При попытке воспроизвести этот расчет на компьютере исследователи столкнулись с необходимостью дискретизировать пространство-время на мелкие квантовые «коробки» — воксели, что привело к системным ошибкам и потребовало введения искусственных надстроек (вроде добавления Меркурию вымышленного электрического заряда). Ведущий задается вопросом: способен ли ИИ совершить качественный прорыв и создать нечто принципиально новое (например, развить теорию струн), преодолев барьеры дискретизации?

Роуз Ю призывает разделять ограничения аппаратного уровня и возможности самих алгоритмов. Она утверждает, что научное открытие — это всегда итеративный цикл, состоящий из нескольких этапов:

1. Сбор наблюдений и формирование массива данных.
2. Создание первоначальных гипотез.
3. Отсеивание бесперспективных вариантов и сужение круга поиска.
4. Теоретическая или экспериментальная верификация результатов.
5. Уточнение гипотезы и запуск нового цикла.

По мнению Роуз Ю, ИИ способен эффективно ускорять ученых на каждом из этих этапов благодаря умению мгновенно обрабатывать гигантские объемы информации. Главным текущим ограничением ИИ гостья называет его запертость внутри компьютера: если гипотеза требует проведения физического эксперимента в лаборатории, машина всё ещё полностью зависит от людей или роботов.

## 🚗 От симуляции тумана до прогнозирования трафика: data-driven симуляторы
[[JUMP:12:26]]

Одним из наиболее успешных практических приложений фундаментальных наработок Роуз Ю стало моделирование транспортных потоков, которым она занималась во время постдокторантуры в Калтехе. До внедрения её методов дорожные службы использовали крайне упрощенные статистические модели. С началом подъема глубокого обучения в 2012 году Ю обратила внимание на то, что дорожные датчики распределены в неевклидовом пространстве и образуют граф, поэтому к ним нельзя напрямую применить стандартные алгоритмы обработки видео или изображений.

Вдохновением для прорыва послужила статья одного из физиков, заметившего сходство между движением машин и гидродинамикой. Взяв за основу уравнения Навье-Стокса, команда Ю спроектировала Диффузионную свёрточную нейросеть (DCNN), перенеся законы диффузии жидкостей на сенсорную дорожную сеть. Результаты оказались революционными:

* Классические подходы позволяли строить точный прогноз дорожной ситуации всего на 10–15 минут вперед.
* Модель глубокого обучения, натренированная на реальных данных высокой частоты, увеличила окно точного прогнозирования до одного часа.

Данная технология была успешно перенята и развернута ИТ-гигантом Google Maps, где Роуз Ю впоследствии провела полтора года, масштабируя систему. 

Гостья характеризует созданную архитектуру как «симулятор, управляемый данными» (data-driven simulator). Вместо классического решения дифференциальных уравнений нейросеть имплицитно извлекает статистические закономерности из исторических данных о скорости, объемах трафика и полицейских отчетах об авариях. Отвечая на вопрос Китинга о точности воспроизведения физических явлений (например, турбулентного дыма или воды), Ю указывает на существование двух подходов в гидродинамике:

* Эйлерово описание: наблюдение за изменением характеристик потока в конкретной фиксированной точке пространства.
* Лагранжево описание: отслеживание индивидуальных траекторий каждой отдельной частицы жидкости и их последующая интеграция.

Как утверждает исследовательница, современные ИИ-модели демонстрируют успехи в рамках обоих подходов. Они не решают уравнения в традиционном понимании с помощью численных методов конечных элементов или конечных разностей. Используя алгоритм обратного распространения ошибки (backpropagation), глубокие нейросети выдают пространственно-временное решение, эволюционирующее в разы быстрее любых классических симуляторов.

## 🔬 Проект GENIE и эпидемиологический прорыв
[[JUMP:18:22]]

В настоящее время лаборатория Роуз Ю занята амбициозным проектом — созданием мультимодальной базовой модели для автоматической генерации научных гипотез под кодовым названием GENIE (Generative Hypothesis Model). Идея состоит в том, чтобы объединить текстовую информацию из учебников и исследовательских статей с многомерными численными симуляциями климатических процессов. Однако на этом пути команда столкнулась со специфическими барьерами:

* Коммерческие модели (такие как ChatGPT или Claude) фундаментально не способны оперировать масштабными высокомерными физическими симуляциями.
* Генерация и очистка данных для самообучения (self-supervised pre-training) обходится крайне дорого, а малейшие ошибки превращаются в деструктивный для нейросети шум.
* Команда оказалась жестко ограничена в вычислительных ресурсах: вместо полноценной огромной модели на 70 миллиардов параметров (70B) им удалось лишь дообучить модель размером 7 миллиардов параметров (7B).
* Проблема масштабирования метрик оценки: если в коммерческих LLM применяется обучение с подкреплением на основе отзывов людей (RLHF), то в узкоспециализированной климатологии экспертная оценка держится силами всего одного климатолога и его студента, что делает ручную проверку неэффективной.

Параллельно с климатическими вызовами подобные гибридные подходы доказали свою эффективность в сфере здравоохранения. Во время пандемии 2020 года команда Ю приняла участие в национальном соревновании по эпидемиологическому прогнозированию. Традиционные стохастические многоагентные симуляторы требуют около недели для расчета одного сценария «что, если» (например, при изменении жесткости школьного карантина или мутации вируса). В условиях кризиса это слишком медленно.

Разработанный Роуз Ю метод глубокого обучения, направляемый физическими принципами, позволил прогнозировать динамику заболеваемости на 4 недели вперед. Данная модель заняла первое место среди 40 ведущих национальных команд США. Созданный учеными быстрый ИИ-суррогат, объединивший данные симуляторов, CDC и Лаборатории прикладной физики Джонса Хопкинса, смог с высокой точностью воспроизвести не только средние показатели, но и доверительные интервалы рисков, сократив время ожидания результатов с одной недели до одного дня.

## 🚀 Концепция «ИИ-учёного» и новые горизонты робототехники
[[JUMP:39:46]]

Логическим развитием междисциплинарных проектов Роуз Ю стала глобальная концепция «ИИ-учёного» (AI Scientist). Исследовательница подчеркивает: речь идет не об упразднении человеческого труда, а о создании сверхумного ассистента. ИИ призван снять с человека рутинную нагрузку на каждом этапе исследовательского цикла. Самым наглядным примером служит работа с литературой: там, где аспиранту потребуются недели, ИИ способен детально проанализировать 3000 научных книг за время стандартного обеденного перерыва.

Сейчас концепция ИИ-учёного во многом остается в рамках лабораторных разработок. Тем не менее группа Роуз Ю активно выкладывает свои коды и статьи в открытый доступ. Ими было создано веб-приложение, генерирующее новые химические молекулы: любой специалист в области медицинской химии может оценить их потенциал и забрать наиболее перспективные структуры на реальный физический синтез.

Главным фронтиром развития технологий Роуз Ю считает переход к единым базовым моделям (foundation models). Если раньше для прогнозирования, поиска причинно-следственных связей и генерации гипотез приходилось строить изолированные нейросети, то теперь становится очевидным, что они могут делить общую архитектуру и эффективно обмениваться знаниями. Цель Ю — создать универсальную модель, предобученную на базовых законах природы, которая автоматизирует часть её собственной работы.

Брайан Китинг предполагает, что в будущем подобные «мозги» могут быть интегрированы в физические робототехнические платформы, такие как гуманоиды Optimus от Tesla или разработки xAI. Ю соглашается с этой перспективой, упоминая текущие переговоры с профессорами робототехники из UCSD: объединение цифрового интеллекта с автоматизированными роболабораториями позволит ИИ самостоятельно осуществлять физический перебор и тестирование инновационных материалов.

## 🎓 Кризис идентичности в академии: выживут ли профессора?
[[JUMP:44:33]]

Внедрение искусственного интеллекта неизбежно провоцирует тектонические сдвиги в образовании. Брайан Китинг напоминает, что в 1600-х годах великий Галилео Галилей был вынужден селить своих студентов прямо у себя дома, чтобы иметь возможность зарабатывать на жизнь преподаванием. Сегодня академическая среда столкнулась с глубоким кризисом идентичности. Больше всего это заметно в сфере компьютерных наук, поскольку LLM пишут программный код с невероятной скоростью и точностью. Ведущий признается, что сам активно использует ИИ-редактор Cursor для написания кода и считает это огромным благом, избавившим его от необходимости осваивать программирование классическим путем. Возникает закономерный вопрос: зачем студентам посещать лекции профессоров, если все знания мира оцифрованы, а аватары ИИ могут доносить информацию персонализированно?

Роуз Ю, однако, не разделяет панических настроений по поводу скорого исчезновения профессуры. По её мнению, суть высшего образования кроется не в сухой трансляции фактов, а в тонких нюансах личного взаимодействия. Студенты перенимают у ментора сам образ мышления, подход к деконструкции сложных задач и этические ориентиры. Профессор Ю убеждена, что этот глубокий межличностный аспект человеческого наставничества никогда не будет полноценно замещен машиной.

Китинг соглашается, вспоминая латинский корень слова «образование» — *educere*, что означает «извлекать наружу», а не «вкладывать внутрь». С этой точки зрения составление точных промптов для нейросетей является современным цифровым воплощением этого принципа. В качестве примера он приводит личную историю о своей дочери, которая сочиняла музыку с помощью генеративного ИИ. Пытаясь напрямую скопировать стиль известной певицы Дуа Липы, девочка столкнулась с системным запретом на использование имен собственных. В результате ей пришлось самостоятельно подбирать точные дескрипторы, описывающие структуру звука, ритм и вокальные особенности исполнительницы. Таким образом, даже в процессе ограничений ИИ заставил ребенка учиться более точной и осознанной коммуникации.

## 🛡️ Безопасность ИИ и уроки для молодого поколения
[[JUMP:33:38]]

Стремительный взлет технологий порождает в массовой культуре эсхатологические страхи перед зловещим суперинтеллектом (ASI) или гипотетическим «уничтожителем человечества ради производства скрепок», описанным Ником Бостромом. Роуз Ю признает данные опасения обоснованными, проводя историческую параллель с ядерной энергией, которая способна служить как источником колоссального блага, так и орудием уничтожения. Метод обеспечения безопасности, практикуемый в её лаборатории, заключается в интеграции фундаментальных физических законов (таких как закон сохранения энергии) непосредственно в архитектуру нейросетей в качестве жестких системных ограничений. Если ИИ-модель предлагает решение, нарушающее базовые константы, система её отбраковывает.

При этом Ю выражает серьезную обеспокоенность тем, что общество может оказаться чересчур парализовано страхом. По её словам, тотальная стигматизация ИИ способна критически замедлить разработку тех самых технологий, которые жизненно необходимы для преодоления будущих кризисов. Исследовательница предлагает концепцию жесткого разделения зон ответственности:

* Технологические команды должны быть сфокусированы исключительно на расширении возможностей систем и научном прогрессе.
* Независимые группы экспертов гуманитарного и юридического профиля должны параллельно разрабатывать социальные и законодательные рамки безопасности.

Ведущий подчеркивает, что этот спор расколол мировое ИИ-сообщество: если Макс Тегмарк настаивает на тотальном контроле и безопасности любой ценой, то Ян Лекун выступает за максимальную открытость исходного кода. Сама Роуз Ю сохраняет твердый оптимизм, позиционируя ИИ как инструмент для устойчивого развития человечества (AI for sustainable development), способный решать задачи долгосрочного изменения климата, управления управляемым термоядерным синтезом и предотвращения глобаческих пандемий.

В финале беседы профессор Ю делится личным опытом преодоления барьеров, который может послужить уроком для молодых ученых. Будучи иммигранткой, приехавшей в США ради аспирантуры, она долгое время жила в состоянии перманентной тревоги, боясь отойти от академических догм и потерять право оставаться в стране. Из-за этого страха Роуз потратила первые два года обучения на проекты, к которым не испытывала никакого интереса, беспрекословно подчиняясь воле научных руководителей.

Своим главным советом молодой аудитории Ю называет готовность идти на оправданный риск и бесстрашно браться за междисциплинарные проблемы, которые вызывают у них искреннюю личную боль. Когда она сама начала выходить за рамки чистой компьютерной науки в смежные области физики и климатологии, почтенные профессора нередко открыто называли её идеи «мусором». Исследовательница подчеркивает: невозможно нравиться абсолютно всем, но если вы решаете по-настоящему важную, осязаемую проблему реального мира, вы обязательно найдете единомышленников и добьетесь признания.