# Автоматизация науки: Как ИИ-лаборатория Radical AI ускоряет открытия в 100 раз Источник: https://www.youtube.com/watch?v=395Aa3otZe8 Канал: The Cognitive Revolution Опубликовано: 30.08.2025 --- Современное материаловедение находится в глубоком кризисе: разработка одного нового материала сегодня обходится более чем в 100 миллионов долларов и занимает свыше десяти лет. В новом выпуске подкаста «The Cognitive Revolution» ведущий **Натан Лабенц** обсуждает с сооснователями компании **Radical AI** Джозефом Крауссом и Хорхе Киндрисом, как использование пограничных моделей ИИ и полностью автономных лабораторий позволяет преодолеть этот барьер, увеличивая скорость проведения научных экспериментов в сотни раз. ## 📉 «Долина смерти» и стагнация материаловедения [[JUMP:04:47]] По словам Джозефа Краусса, материаловедение сегодня сталкивается с тремя фундаментальными проблемами: огромной стоимостью (свыше $100 млн на одну разработку), длительными сроками (10–25 лет до коммерциализации) и фрагментацией [05:53]. В отрасли существует так называемая «долина смерти» между академическими исследованиями и корпоративными R&D. Ключевые характеристики текущего ландшафта: * **Академический подход:** сосредоточен на фундаментальном понимании физики, но редко нацелен на коммерческое внедрение [06:32]. * **Корпоративный подход:** фокусируется на инкрементальных улучшениях существующих продуктов (на 1–5%), чтобы повысить маржинальность и отчитаться перед акционерами [06:57]. * **Отсутствие инноваций:** прорывные материалы, такие как сверхпроводники или сплавы для гиперзвуковых полетов, часто остаются неразработанными, так как не вписываются ни в одну из этих парадигм [07:11]. Джозеф Краусс отмечает, что сложность материаловедения сопоставима с разработкой лекарств, но имеет свою специфику [08:26]. Если в биологии основное время уходит на клинические испытания, то в материаловедении главной преградой становится масштабирование (scale-up) — переход от образца размером с монету к производству тонн материала с сохранением тех же свойств [09:31]. ## 🔄 Маховик Radical AI: замкнутый цикл ИИ и робототехники [[JUMP:11:26]] Основой стратегии Radical AI является «маховик» (flywheel), объединяющий ИИ-двигатель и полностью роботизированную лабораторию (self-driving lab). Эта система позволяет проводить научный поиск в автоматическом режиме без участия человека [11:39]. Сравнение производительности по данным спикеров: * **Традиционный учёный (например, в Army Research Lab):** около 50 экспериментов в год [12:31]. * **Специализированные государственные программы (например, проект Mach):** 400–500 экспериментов в год [12:45]. * **Лаборатория Radical AI:** 100 экспериментов в день [12:31]. Процесс работает в режиме активного обучения (active learning). ИИ предлагает гипотезу, роботы синтезируют материал, проводят его характеризацию (анализ структуры) и тестирование свойств [13:54]. Результаты моментально возвращаются в модель, которая корректирует следующую итерацию эксперимента. Хорхе Киндрис подчеркивает, что их цель — не просто автоматизировать рутину, а создать «научную интуицию» на базе данных [14:12]. ## 🧠 Архитектура научного разума: LLM и специализированные модели [[JUMP:35:05]] ИИ-двигатель Radical AI — это мультимодальная система, использующая различные архитектуры для разных задач [35:57]. В системе задействованы: 1. **Графовые нейронные сети (GNN):** применяются для атомистического моделирования и предсказания физических сил между атомами (MLIPs — Machine Learning Interatomic Potentials) [43:15]. 2. **Большие языковые модели (LLM), включая семейство GPT:** используются для извлечения знаний из миллионов научных статей, патентов и для логического обоснования гипотез [42:15]. 3. **Компьютерное зрение:** для анализа изображений со сканирующих электронных микроскопов (SEM) и дифрактограмм (XRD) в реальном времени [42:27]. Хорхе Киндрис считает, что именно языковые модели станут ядром «научной интуиции», так как они способны объединять разрозненные модальности данных и рассуждать о них [44:07]. Однако спикеры уточняют: ИИ не должен просто копировать человеческие распределения данных. Он должен быть запрограммирован на поиск новизны и сюрпризов, так как величайшие открытия (например, структура бензола или свойства графена) часто происходят случайно или вопреки устоявшимся теориям [56:53]. ## 📊 Проблема «грязных» данных и научное наследие [[JUMP:48:50]] Одной из главных проблем обучения ИИ в науке Джозеф Краусс называет отсутствие качественных датасетов [49:03]. В отличие от программирования, где есть Open Source и GitHub, наука — закрытая и плохо структурированная область. Основные препятствия в работе с историческими данными: * **Отсутствие отрицательных результатов:** учёные публикуют только то, что сработало. 90% неудачных опытов Джозефа в Army Research Lab нигде не зафиксированы, хотя они крайне важны для обучения модели [48:50]. * **Неструктурированные записи:** даже если оцифровать все лабораторные журналы мира, они будут полны контекстных меток, понятных только автору (например, «выключил нагрев на середине», что влияет на свойства, но не описывается как параметр) [1:09:52]. * **Субъективность:** разные школы по-разному интерпретируют одни и те же данные (например, пики на графиках XRD) [1:08:45]. Radical AI решает это, генерируя собственные, идеально структурированные и размеченные данные внутри своей автономной лаборатории [1:14:36]. ## 🚀 Гиперзвук, термояд и контракт с ВВС США [[JUMP:1:48:36]] Недавно компания получила контракт от ВВС США на разработку высокоэнтропийных сплавов (HEA) для гиперзвуковых приложений [1:48:51]. Гиперзвуковые полеты (скорость выше Маха 5) требуют материалов, способных одновременно выдерживать экстремальные температуры, давление и окисление [28:31]. По мнению Джозефа Краусса, такие материалы являются «разблокирующими» (enabling materials): * **Космос:** защита от радиации для межпланетных перелетов [29:10]. * **Энергетика:** создание облицовки для реакторов ядерного синтеза, способной выдержать бомбардировку нейтронами (текущие материалы, такие как вольфрам, быстро разрушаются) [28:56]. * **Транспорт:** поезда на магнитной подушке (maglev) благодаря комнатным сверхпроводникам [24:18]. Спикеры отмечают, что Китай и Россия сегодня опережают США в гиперзвуковых технологиях именно из-за непрерывных инвестиций в материаловедение. В Китае при открытии нового материала вокруг него сразу строится производственный хаб для отработки масштабирования [1:49:19]. Radical AI стремится вернуть США лидерство через ускорение цикла разработки. ## 💼 Бизнес-модель: почему софт в науке не работает [[JUMP:1:45:20]] Джозеф Краусс утверждает, что модель продажи чистого софта (SaaS) для ученых нежизнеспособна, так как она не решает проблему физического воплощения материала [1:45:48]. Radical AI выбирает путь вертикальной интеграции, ориентируясь на таких гигантов, как 3M или BASF. Стратегия компании включает: 1. **Продажу материалов, а не лицензий:** основной доход должен идти от поставок уникальных сплавов в промышленных масштабах [1:46:27]. 2. **Защиту интеллектуальной собственности через «ноу-хау»:** патенты на химический состав важны, но настоящая ценность заключается в торговых секретах самого процесса масштабирования и синтеза [1:47:33]. 3. **Создание новых отраслей:** Radical AI не хочет просто делать краску чуть более долговечной; их цель — создавать материалы, которые позволят существовать индустриям, невозможным сегодня (например, массовой частной космонавтике или чистой термоядерной энергии) [1:47:06]. В завершение дискуссии основатели подчеркивают, что ищут в команду людей с «безумным любопытством», готовых ежедневно терпеть неудачи ради прорыва, который «оставит фундаментальный след в истории человечества» [1:52:41].