Конец кожаных мешков: как Андрей Устюжанин меняет науку через AI

🧬 AI Science: Наука на «стероидах» и конец эпохи кожаных мешков

Современная наука переживает фундаментальный сдвиг, сравнимый с переходом от алхимии к химии. Искусственный интеллект перестает быть просто вспомогательным инструментом и превращается в полноценного субъекта исследований. Андрей Устюжанин, Chief Science Officer компании Constructor Tech, называет ученых «мясными компьютерами» и предрекает появление AI Scientist — автономных агентов, способных выполнять научные задачи быстрее, дешевле и без лишних эмоций.

В центре этой трансформации лежат три уровня применения ИИ:

1. Аналитика больших данных: Классические методы машинного обучения (Random Forest, нейросети), которые уже десятилетиями помогают физикам выделять полезный сигнал из шума, в том числе на Большом адронном коллайдере (CERN).
2. Прогностические модели: Инструменты вроде AlphaFold, совершившие революцию в биологии, предсказав структуру сотен миллионов белков — труд, на который у человечества ушли бы столетия.
3. Синтез новых теорий (Фронтир): Формулирование гипотез и построение моделей реальности, которые раньше были прерогативой исключительно человеческого разума.

🔬 От «телескопа» к автономному агенту: Как меняется роль исследователя

На ранних этапах ИИ сравнивали с мощным микроскопом или телескопом. Он позволял разглядеть «кратеры на Марсе» (скрытые закономерности в данных), но при этом мог искажать картину из-за неправильных «диоптрий» или «грязи на стекле» (галлюцинаций модели).

Сегодня ситуация изменилась. Андрей Устюжанин приводит пример эксперимента Андрея Карпатого с оптимизацией NanoGPT. Оставленные без присмотра на три дня AI-агенты улучшили код и сократили время обучения модели на 10% (с двух дней до одного дня и нескольких часов). Это доказывает, что ИИ уже способен самостоятельно ставить задачи по оптимизации и достигать их.

Новая иерархия научных задач

Устюжанин предлагает рассматривать научный процесс через призму сложности, где ИИ постепенно заменяет человека:

• Уровень бакалавра/магистра: Простые эксперименты, сбор данных и их аккуратное оформление. Здесь ИИ уже доминирует.
• Уровень PhD/Лаборатории: Постановка сложных экспериментов и синтез междисциплинарных знаний. Граница здесь «дышит» и сдвигается в пользу алгоритмов каждые полгода.
• Уровень Института/Цивилизации: Решение глобальных проблем (энергетика, климатология). Здесь роль человека остается ключевой — именно он выступает финальным заказчиком смыслов и этических рамок.

📏 Проблема масштаба: Почему ИИ до сих пор «не понимает» физику

Одной из самых сложных проблем современной физики и ИИ является межуровневый переход. Законы элементарных частиц не объясняют свойства молекул, а психология одного человека не объясняет поведение толпы.

Андрей Устюжанин подчеркивает:

1. Для моделирования 1000 атомов нельзя использовать те же формулы, что для 10 атомов.
2. ИИ часто пасует перед абстрактными рассуждениями о физическом мире. Например, ChatGPT может ошибиться, предсказывая падение телефона, если человек держит его одной рукой вместо двух, потому что модель не «чувствует» гравитацию на уровне опыта.

Проект Omniscale Intelligence Initiative, в котором участвует Нобелевский лауреат Константин Новоселов, направлен именно на создание «языка масштабов». Это попытка научить ИИ понимать, как из простых взаимодействий (например, молекул-катализаторов) рождается сложность (живая клетка или социальная система).

🏢 Академия vs Индустрия: Кто выиграл гонку за GPU и смыслы?

Индустрия (BigTech) фактически выиграла у классических университетов гонку за вычислительные мощности (GPU) и данные. Однако, по мнению Устюжанина, корпорации еще не выиграли «гонку за Почему?».

Особенности разделения труда:

• Индустрия: Фокусируется на эффективности, прибыли и конкурентоспособности. Компании могут разработать технологию, но у них нет времени «закапываться» в фундаментальные причины того, почему она работает.
• Академия: Обладает «роскошью времени». Ученые в университетах могут потратить годы на то, чтобы связать успех нейросетей с законами термодинамики XIX века.

В компании Constructor (состоящей из Tech, University и Labs) пытаются соблюсти баланс. Исследователи могут переключаться между чисто продуктовыми задачами и «проектами-выстрелами в Луну» (Moonshots), которые не приносят прибыли сегодня, но меняют ландшафт науки завтра.

👨‍💻 Портрет ученого будущего: Генералист с AI-копайлотом

Эпоха узких специалистов, «запертых» в своих шахтах знаний, уходит. ИИ позволяет стать «естествоиспытателем XV века», который может одновременно заниматься биологией, физикой и данными.

Необходимые компетенции:

• T-shaped profile: Глубокая экспертиза в одной области плюс широчайший кругозор в смежных дисциплинах.
• Навык делегирования: Умение поручать ИИ рутину. Один исследователь с помощью инструментов вроде Claude Code может за несколько дней проделать работу, на которую раньше ушли бы месяцы.
• Скептицизм: Необходимость «фактчекинга» за ИИ. Устюжанин отмечает парадокс: когда ученый работает с ИИ неделю и получает 10 000 строк кода и гору графиков, ему требуется еще неделя и другой ИИ-агент, чтобы просто проверить результаты на вшивость.

💡 Практические советы: Как перестать бояться и полюбить ИИ

Для тех, кто до сих пор воспринимает ИИ как угрозу или хайп, Андрей Устюжанин дает несколько рекомендаций:

1. Относитесь к ИИ как к стажеру: Представьте, что перед вами не «всеведущий оракул», а толковый, но склонный к галлюцинациям студент. Ему можно поручить то, что вы понимаете сами.
2. Поймайте «вау-эффект»: Попробуйте делегировать задачу, которую вы сами делали бы долго (например, написание интерфейса к базе данных), и увидите, как модель справится за три промпта.
3. Общайтесь с «Цивилизацией»: ЛЛМ — это не просто код, это канал общения со всем накопленным знанием человечества.

Персональный рейтинг моделей от Андрея Устюжанина:

• Claude (Anthropic): Обладает уникальной «персональностью» и лучше всего подходит для написания сложного исследовательского кода.
• Gemini (Google): Чрезмерно обучена толерантности и «безопасности», что иногда мешает ей быть жестким научным рецензентом.
• Open-source (Qwen и др.): Активно развиваются (особенно китайские модели), но пока требуют в 10 раз больше усилий для получения того же результата, что дает Claude.

Итог беседы таков: ИИ не заменяет ученого, а поднимает его на новый уровень. Человек остается тем, кто задает вектор: зачем мы это делаем и сделает ли это открытие цивилизацию счастливее.