# Конец кожаных мешков: как Андрей Устюжанин меняет науку через AI Источник: https://youtu.be/6QXLsfSb7mo?si=578WFMXA4aZlLmGy Канал: ПостНаука Опубликовано: 07.04.2026 --- ## 🧬 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.