«Настало время признать: образ жизни ученого-теоретика не переживет столкновения с искусственным интеллектом, который уже сегодня щелкает задачи тысячелетия как орехи. Мы десятилетиями продавали «науку как продукт», но теперь, когда ИИ превращает поиск истины в автоматизированную конвейерную ленту, человечеству придется заново изобретать смысл познания, чтобы не превратиться в пассивных зрителей на празднике чужого интеллекта».
🤖 Интеллектуальная сингулярность в науке: Шок, «последняя миля» и кризис академической социологии 1:10
Март 2026 года стал для Джонатана Горарда точкой невозврата . До этого момента исследователь, проработавший десятилетие над автоматическим доказательством теорем и помощниками по проверке доказательств в Wolfram Research , сохранял скептический оптимизм. Он полагал, что понимает сложность задачи и ожидал появления ИИ, способного на доказательство уровня Филдсовской медали, не ранее конца 2027-го или 2028 года .
Однако новость о том, что стартап Math Inc. опубликовал полностью автономно сгенерированное в Lean доказательство проблемы упаковки сфер в 8 и 24 измерениях (результат Марины Вязовской), повергла его в шок . Тот факт, что это было сделано «под ключ» с помощью ИИ-инструментария раньше срока, разрушил все долгосрочные планы Горарда на жизнь . Двухлетняя разница в прогнозе оказалась критической не из-за самой технологии, а из-за неспособности человеческих институтов адаптироваться. По мнению Горарда, академическая социология и грантовые агентства движутся с ледниковой скоростью, и внезапное сокращение дистанции лишило ученых времени на перестройку системы .
Наука как процесс против науки как продукта 6:00
Горард утверждает, что кризис самоопределения ученых вызван фундаментальным разрывом между тем, что он называет «наукой как продуктом» и «наукой как процессом» .
- Наука как продукт: это осязаемые результаты — лекарство от рака, термоядерный синтез, чистая энергия . Никто не ставит под сомнение необходимость финансирования таких целей.
- Наука как процесс: это любопытство, попытки понять квантовую гравитацию, фолдинг белка или турбулентность ради самого понимания .
На протяжении столетий ученые «отмывали» фундаментальные исследования (процесс) через обещания прикладной пользы (продукт) . Горард приводит ироничный пример: специалисты по алгебраической геометрии десятилетиями начинают грантовые заявки с тезиса о пользе теории чисел для криптографии . В реальности же современная интернет-безопасность опирается на математику «тысячелетней давности» или, в лучшем случае, уровня XIX века . Исследователь признается, что и сам прибегал к подобным уловкам, связывая работу над дифференциальными уравнениями с производством полупроводников, хотя его истинной мотивацией был чистый интерес .
Проблема заключается в том, что когда ИИ берет на себя «продуктовую» часть, обосновывать финансирование «процесса» становится невозможно . Если LLM может выдать результат, зачем обществу платить человеку за удовольствие от размышлений над задачей? Горард занимает радикальную позицию, называя свою личную мотивацию «гедонистической» — он просто любит думать . Он сравнивает ученого, лишенного инструментального обоснования, с чипом NVIDIA в серверной ферме: он может получать удовольствие от вычислений, даже если они полностью оторваны от цивилизации .
Феномен Перельмана и проклятие «последней мили» 17:21
Обсуждая ИИ, Горард проводит параллель с Григорием Перельманом, который еще в до-ИИ эпоху подсветил глубокие социологические изъяны математики . Перельман отказался от Филдсовской медали и премии Математического института Клэя, утверждая, что его вклад в доказательство гипотезы Пуанкаре не более значим, чем вклад Ричарда Гамильтона .
Это обнажает проблему несправедливого распределения наград:
- Накопление: Десятки ученых годами строят фундамент, делая инкрементальные улучшения.
- Последняя миля: Один человек (или машина) делает финальный шаг и получает всю славу и цитирования .
ИИ мастерски справляется именно с этой «последней милей» . Горард опасается, что автоматизация финального шага полностью лишит людей стимула заниматься «низовой» работой по выстраиванию теорий . Зачем тратить годы на черновую работу, если ИИ заберет себе лавры победителя, решив последние 5% задачи?
Догматизм и социологическое сопротивление в академии 20:58
Особую тревогу у Горарда вызывает реакция академического сообщества на происходящее. Общаясь с коллегами из Принстона и других ведущих центров, он столкнулся с поразительным отсутствием любопытства . Пока Горард пытался обсудить изменение структуры аспирантуры и стратегий финансирования в свете ИИ-революции, академики продолжали подавать заявки на проекты, которые выглядели бы устаревшими даже в 2015 году .
Исследователь выделяет две основные формы сопротивления в академии:
- Игнорирование: Убеждение, что ИИ — это просто «стохастический попугай» или «острая автозамена» (spicy autocomplete) .
- Догматизм: Вера в то, что текущие архитектуры (трансформеры) принципиально не способны к научному прорыву, что Горард считает взглядом из 2021 года .
Коллеги отказывались признавать, что современная LLM — это не просто один трансформер, а сложная система из множества архитектур, диффузионных моделей, детерминированной предобработки и обучения с подкреплением . Это интеллектуальное высокомерие и нежелание разбираться в деталях развития способностей ИИ за последние два года пугают Горарда больше, чем сама технология . Он отмечает, что ранее в разговоре с Куртом они уже упоминали о различиях между математическим и физическим прогрессом, но именно в академии это разделение становится болезненным из-за жесткости структур.
🚀 Механизация разума: Почему физика не поддается ИИ 31:58
В отличие от академической среды, которая традиционно позволяла ученым игнорировать внешние технологические тренды ради «чистых размышлений» в башне из слоновой кости , Джонатан Горард пришел к выводу, что игнорировать революцию трансформеров к 2025 году стало невозможно . Однако его попытки реализовать амбициозный проект по автоматизации физики в рамках Принстона натолкнулись на бюрократическую стену.
Lanyon AI: Стартап как единственный путь для большой науки 31:58
Джонатан описывает период основания Lanyon AI как вынужденную меру . Изначально он планировал проект как многолетнее академическое исследование, направленное на создание языка, который «механизирует процесс научного мышления так же, как вычисления механизировали математику» . Однако столкнувшись с реальностью американской академии, где большинство грантовых заявок отвергаются без должного энтузиазма, Горард и его сооснователь Аммар Хаким решили сменить траекторию .
Переход в частный сектор был вдохновлен примером коллег, которые привлекали венчурный капитал для реализации фундаментальных R&D проектов . Lanyon AI возник не из желания заработать, а как способ обойти медлительность государственных фондов и создать инфраструктуру для ИИ-физики, которую невозможно построить на стандартные гранты . Это решение позволило команде сфокусироваться на создании «надстройки» над существующими LLM — специализированных языков рассуждений, оптимизированных под физику .
Проблема верификации: Почему ИИ буксует в естественных науках 34:35
Существует заметный разрыв: ИИ демонстрирует стратосферный рост в написании кода и математике, но значительно медленнее прогрессирует в физике, химии и инженерии . Горард объясняет это отсутствием формальных верификаторов.
- В программировании есть компиляторы, тайп-чекеры и статические анализаторы, позволяющие мгновенно проверить корректность кода .
- В математике существуют системы вроде Lean, Agda и автоматические доказатели теорем, обеспечивающие проверяемую среду для обучения с подкреплением .
Для физики и биологии подобного «конвейера верификации» не существует . Если ИИ-модель может самосовершенствоваться в математике через бесконечные циклы проверки своих доказательств, то в естественных науках ей не об что «удариться», чтобы понять ошибку . Исторически Давид Гильберт ставил задачу создания аксиоматического фундамента физики (шестая проблема Гильберта), аналогичную математической, но она так и осталась нерешенной . Lanyon AI ставит своей целью создание именно такого формального языка, который позволит ИИ оперировать физическими концепциями как проверяемыми типами данных .
Три уровня физической истины 39:07
Горард утверждает, что физическое мышление — это не просто математика, а иерархическая структура, где каждый следующий уровень сложнее предыдущего :
- Математическая консистентность: Внутренняя логика модели. Это база, сравнимая с проверкой типов в коде (например, теория проективных гильбертовых пространств в квантовой механике) .
- Теоретическая консистентность: Соответствие фундаментальным принципам. Физик-теоретик проверяет, сохраняется ли в модели энергия, унитарна ли эволюция времени и согласуется ли она с законами термодинамики . Это требует работы с эвристиками и аппроксимациями, которые крайне сложно формализовать .
- Экспериментальная истинность: Интерфейс с реальностью. Это самый сложный уровень, где теоретические построения должны подтверждаться эмпирическими данными .
Ранее в разговоре они касались того, как современные LLM часто галлюцинируют фактами, и Горард подчеркивает: для физики «галлюцинация» — это не просто неверное слово, а нарушение законов сохранения, которое должна уметь отсекать сама система рассуждений .
Кун, Эшер и «нагруженность» наблюдений теорией 45:36
Главный философский барьер на пути автоматизации физики — это теория-зависимость (theory-ladenness) наблюдений, описанная Томасом Куном и Норвудом Хэнсоном . Горард критикует упрощенный подход, при котором ИИ якобы может беспристрастно «наблюдать» реальность и строить гипотезы .
Любое измерение уже содержит в себе десятки теоретических предпосылок . Когда ученый говорит: «Я детектировал частицу», на самом деле он видел лишь вспышки на экране, которые интерпретируются как частица только в рамках уже принятой теории .
«Вы не детектировали частицу, вы просто увидели точки на экране. Их интерпретация зависит от теоретического аппарата, который вы не можете проверить этим же наблюдением, так как вы его уже предположили» .
Горард сравнивает это с оптическими иллюзиями или картинами Эшера: один и тот же набор фотонов может восприниматься по-разному в зависимости от ментальной модели наблюдателя . Чтобы ИИ стал настоящим физиком, он должен не просто собирать данные, а уметь параметризировать свои выводы относительно различных теоретических «линз», через которые эти данные получены .
🧠 Нейросимволический разум и язык физического мышления 53:25
В современной индустрии ИИ доминирует мнение, что увеличение параметров трансформерных моделей — это единственный путь к «сильному» интеллекту. Однако Джонатан Вайнберг, основатель Lanyon AI, придерживается иного взгляда: он считает, что чистые большие языковые модели (LLM) сами по себе не способны на глубокие научные прорывы из-за отсутствия жестких структур . Его подход — нейросимволический, где LLM выступает лишь как генератор творческих идей, «температуры» и интуитивных догадок, в то время как логическая строгость обеспечивается внешним «корсетом» из формальных правил .
Вайнберг сравнивает этот процесс с работой человеческого мозга: мы можем интуитивно прийти к идее, но затем обязаны проверить её на математическую непротиворечивость и соответствие экспериментам . В системе Lanyon AI роль такой проверки выполняет специально разработанный доменно-специфичный язык (DSL) для физики .
Ключевые аспекты этого подхода:
- Трансформеры не вечны: Джонатан полагает, что архитектура трансформера была критически важна для старта революции, но в будущем её можно будет заменить, например, на продвинутые диффузионные модели, сохранив при этом всю надстройку из обучения с подкреплением (RL) и символических инструментов .
- Инструменты мышления важнее «железа»: Согласно Вайнбергу, человеческий интеллект прогрессирует не за счет биологической эволюции мозга (который со времен Аристотеля не стал лучше), а за счет накопления когнитивных инструментов, таких как исчисление, статистика и линейная алгебра [56:03, 56:20].
- Символическая верификация: В отличие от обычного кода или языков типа Lean, язык Lanyon позволяет тривиально конвертировать идеи между формальными доказательствами корректности и семантическими физическими реализациями .
🌌 Гипотеза Сепира-Уорфа для искусственного интеллекта 1:00:12
Центральная ставка Lanyon AI строится на признании «слабой» гипотезы Сепира-Уорфа применительно к ИИ: язык, на котором модель осуществляет рассуждения, напрямую определяет границы её когнитивных возможностей . Если заставлять модель рассуждать исключительно на английском языке, она будет ограничена его расплывчатостью и избыточностью .
В качестве примера Вайнберг приводит конланг (искусственный язык) Ithkuil . Этот язык создавался как предельно конденсированная и логически сложная система; существовала гипотеза, что носитель Ithkuil сможет думать в разы быстрее и точнее обычного человека за счет четких лингвистических разграничений . Аналогично, Lanyon создает для физики свой «Ифкуиль» — сжатый язык, который:
- Экономит ресурсы: требует меньше токенов для описания сложных концепций .
- Повышает точность: делает границы между физическими понятиями более резкими, исключая двусмысленность естественного языка .
- Служит «черновиком»: подобно тому как Python увеличивает сложность алгоритмов, которые может создать ИИ, специализированный язык физики позволяет оперировать конструкциями, недоступными для обычного текстового чата .
Ранее в разговоре они касались того, как физическое мышление надстраивается над математикой, и этот новый язык должен стать мостом, предотвращающим «ошибки формализации» — ситуацию, когда написанные уравнения не соответствуют тому, что на самом деле обсчитывает симуляция .
🛠️ Принцип «исполняемой физики» 1:08:51
Одной из главных проблем современной науки является «кризис проверяемости» на arXiv: каждую неделю публикуются тысячи работ, многие из которых являются лишь «набрасыванием бумаги на стену» [1:05:34, 1:06:36]. В отличие от программирования, где код можно просто запустить (например, «нажать Play» и проверить, работает ли игра), в физике проверка чужой теории требует колоссальных интеллектуальных усилий эксперта .
Вайнберг стремится сделать физику исполняемой (executable) . Это развитие мечты Давида Гильберта о механизации математического рассуждения, которая уже воплотилась в современных интерактивных доказательствах теорем . Теперь пришло время перенести этот стандарт в естественные науки.
Принцип «исполняемой физики» подразумевает:
- Механизированный контроль качества: Система должна автоматически проверять, согласована ли новая гипотеза с уже известными законами и экспериментальными данными .
- Устранение когнитивного трения: Хотя для человеческого понимания необходимо «трение» и самостоятельное прорешивание задач [1:10:54, 1:13:58], для проверки истинности гипотезы нужен инструмент, способный «скомпилировать» физическую теорию так же, как мы компилируем код на C++ .
- Борьба с галлюцинациями: В эпоху, когда ИИ заваливает ученых сгенерированными «теориями всего», единственный способ сохранить научный метод — это переход к формальному языку, где «бредовые» построения просто не пройдут проверку синтаксисом или логикой [1:07:36, 1:11:35].
Таким образом, цель проекта — не заменить ученого, а дать ему «микроскоп для логики», позволяющий мгновенно отсеивать физически нерелевантные конфигурации и сосредоточиться на поиске подлинных смыслов .
🤝 Проблема трансмиссивности: когда ИИ понимает, а человек — нет 1:12:47
В современной науке намечается фундаментальный разрыв между способностью искусственного интеллекта решать задачи и способностью человека осознавать эти решения. Джонатан Горпард подчеркивает, что даже если ИИ находит ответ на сложнейшее уравнение, это не гарантирует передачу инсайта исследователю . Проблема заключается в том, что нейросетевое «понимание» структурно и метафизически может быть абсолютно чуждо человеческому разуму .
В то время как человеческий язык и мышление ограничены нашей биологической архитектурой и эволюционным прошлым, LLM не связаны такими узами. Они развивают собственные репрезентативные языки для кодирования идей, которые могут быть «произвольно далеки от того, что мы в состоянии легко усвоить» . Этот феномен уже наблюдается в скрытых пространствах (latent spaces) нейросетей: если не заставлять модель рассуждать в человекочитаемом формате, она начинает общаться на внутреннем языке, который для нас звучит как «шум модемного подключения» .
Горпард иллюстрирует это примерами:
- Два телефона: Нейросети могут эффективно обмениваться сложнейшими концепциями через последовательности тонов, которые для человеческого уха лишены смысла .
- Трудности перевода: Попытка заставить ИИ «объяснить» свои выводы на английском часто приводит к эффекту «японского переводчика»: после минутной речи на сложном языке интерпретатор выдает лишь сухое «он сказал спасибо», катастрофически теряя точность и полноту информации ради компактности .
🧠 Когнитивная универсальность против биологической эффективности 1:18:41
Фундаментальный вопрос заключается в том, насколько описание реальности, созданное машиной, может эффективно работать на «железе» человеческого мозга . С точки зрения вычислительной универсальности (принцип машины Тьюринга), человеческий разум в теории способен симулировать любую логику ИИ . Однако на практике это наталкивается на стену когнитивной эффективности.
Одна секунда «модемного шума» ИИ может соответствовать сотне тысяч слов на английском языке, если мы хотим сохранить точность перевода в рамках малого значения эпсилон . Даже если ИИ предложит решение задачи о частице в потенциальной яме через свои аналоги квантовой механики, человеку может потребоваться экспоненциальное количество когнитивных усилий, чтобы просто проследить за этой логикой . То, что для нейросети является «второй натурой», для биологческого мозга становится невыполнимой вычислительной задачей .
Ранее в разговоре собеседники касались того, как физическое мышление надстраивается над математикой, но здесь Горпард идет дальше, указывая на риск создания «теории всего», которая будет верна математически, но бесполезна для человеческого прогресса, так как мы не сможем извлечь из нее работающие ментальные инструменты .
🛠 Баланс между мощностью и интерпретируемостью 1:22:22
Для решения проблемы «непонятного гения» команда Горпарда экспериментирует с созданием предметно-ориентированных языков (DSL), которые выступают в роли ограничителей для ИИ. Идея состоит в том, чтобы не давать нейросети использовать весь её потенциал сложности, а принудительно ограничивать её набор примитивов .
Этот подход имеет свои ловушки:
- Минимализм (Toki Pona): Можно ограничить ИИ всего семью базовыми физическими понятиями, которые человек понимает идеально. В этом случае каждый отдельный шаг рассуждения будет прозрачен, но для решения серьезной задачи ИИ может потребоваться 100 000 таких шагов, что снова сделает доказательство недоступным для охвата человеческим вниманием .
- Максимализм (Ithkuil): Дать ИИ максимально выразительный язык. Это позволит решать задачи быстро, но логика мгновенно дрейфует в сторону, нечитаемую для человека .
Джонатан видит будущее в поиске «золотой середины» — создании языков, которые достаточно выразительны для решения практических проблем, но при этом позволяют человеку (пусть и с усилием) извлекать полезную когнитивную структуру и инструменты мышления из выводов машины . Это попытка автоматизировать роль великих физиков прошлого, таких как Гамильтон, находя альтернативные, более ясные способы описания реальности, вместо того чтобы просто получать от ИИ готовые «сертификаты соответствия» без понимания сути .
🧩 Интеллект вне тела и пределы человеческого языка 1:40:24
Воплощенный разум и ловушка «языка приматов» 1:40:38
Одной из самых глубоких проблем современного ИИ является разрыв между способностью системы выдавать результат и способностью человека понять, почему этот результат верен. Горард сравнивает текущую ситуацию с диалогом с «горным козлом на вершине»: мы видим, что ИИ добрался до ответа, но не понимаем его пути . В культуре LLM это может считаться триумфом, но для человеческой науки знание, которое невозможно конвертировать в интуицию и принципы, практически бесполезно . Мы рискуем оказаться в ситуации, когда ИИ будет совершать интеллектуальные прорывы, которые для нас не будут иметь значения, пока мы не найдем способ либо «подтянуть» человеческое мышление, либо ограничить ИИ рамками, доступными нашему пониманию .
Этот барьер во многом обусловлен тем, что наш интеллект «воплощен» (embodied) — наша физика и математика неразрывно связаны с биологией примата. Горард подчеркивает:
- Физические законы, какими мы их знаем, часто продиктованы ограничениями нашего восприятия .
- «Глубокие тайны» Вселенной (например, парадоксы квантовой механики или природа энтропии) могут оказаться лишь артефактами неудачно выбранного языка описания .
- Развитие ИИ позволит находить альтернативные онтологии, где то, что кажется нам мистическим, станет тривиальным .
В качестве примера Джонатан приводит термодинамику: попытки описать её через уравнения Ньютона создавали массу «загадок» (вроде демона Максвелла), но как только мы перешли на язык теории информации, битов и сложности Колмогорова, многие сложности просто исчезли . ИИ может стать инструментом, который создаст для нас такие «языки нового поколения», позволяя бесплотному разуму показать нам реальность без биологических фильтров .
Горе натурфилософа: утрата романтики в эпоху алгоритмов 1:41:48
Обсуждая влияние ИИ на научное сообщество, Курт замечает, что многие ученые (например, математик Джейкоб Цимерман) буквально пребывают в состоянии траура . Горард признается, что тоже переживает это «горе», причем его корни уходят еще в до-ИИ эпоху . В юности он романтизировал образ ученого XVII века — Декарта или Ньютона, сидящего с чернильницей и записывающего фундаментальные уравнения Вселенной без грантов, суперкомпьютеров и отладки Python-кода .
Современная наука, по мнению Джонатана, во многом лишена этого изящества:
- Рутина вместо интуиции: Большая часть работы сегодня — это «ругань» с Mathematica для упрощения интегралов или исправление скриптов Matplotlib .
- Кризис удовольствия: Коллеги Горарда с восторгом используют Claude для написания кода и чтения статей, но для него это звучит так, будто у него отнимают саму радость процесса .
- Психологический барьер: Идея о том, что устранение «трения» в решении уравнений — это благо, кажется Джонатану чуждой, так как именно в этом преодолении и заключался смысл его деятельности .
Свой стартап Lanyon AI он рассматривает как способ совладать с этой скорбью . Цель проекта — делегировать ИИ ту рутину, которую человек и так не в состоянии охватить (например, поиск радикально новых языков описания реальности, как это делал Гамильтон), но оставить за ученым «игру» с идеями и исследование следствий . Это попытка автоматизировать «часть Гамильтона», сохранив для человека «часть натурфилософа» .
Новая точка равновесия: физика после ИИ 1:50:35
Несмотря на экзистенциальную тревогу, Горард сохраняет оптимизм относительно будущего. Он уверен, что наука придет к новому «устойчивому состоянию» (steady state), хотя социальные и академические структуры могут серьезно пострадать в процессе перехода . Физика уже не раз проходила через подобные трансформации:
- Вавилонский математик не понял бы программу Ленглендса, но узнал бы саму мотивацию — поиск абстрактных структур и доказательство теорем .
- Ньютон был бы ошеломлен концепциями современной физики высоких энергий, но узнал бы стремление строить количественные модели реальности .
Джонатан полагает, что дисциплины определяются методологией и мотивацией, а не конкретным содержанием . В будущем традиционная теоретическая физика, основанная на математических выкладках вручную, может уйти в прошлое, как когда-то ушла качественная натурфилософия . Однако ядро физики — любопытство к устройству реальности и построение её надежных моделей — останется неизменным человеческим атрибутом, какие бы инструменты мы ни использовали .
Ранее в разговоре они касались социологического сопротивления академии, и Горард отмечает, что физикам в этом плане «повезло»: они могут наблюдать за тем, как ИИ уже трансформирует математику и разработку ПО, и заранее корректировать свои подходы . Главный вызов сейчас — не дать науке скатиться в «шлакофикацию» (slopification), где ИИ будет плодить бесконечные гипотезы и статьи на arXiv без реальной проверки на непротиворечивость и физическую валидность .
🔭 На стыке дискретной физики и ИИ: наследие BEACONS и Physlib 2:05:36
Путь Джонатана к созданию инструментов нового поколения пролегал через фундаментальные вопросы о структуре самой реальности. В последние годы его работа была сосредоточена на поиске связей между абстрактными математическими структурами и практическими вычислительными задачами в естественных науках . Этот процесс начался с глубоких исследований в области астрофизики и попыток описать дискретность пространства-времени, что привело к пониманию необходимости создания новых библиотек и фреймворков для научного программирования .
От квантовой дискретности к проекту BEACONS 2:05:36
Работа Джонатана в последние годы была тесно связана с поиском того, как современные технологии могут интерфейсно взаимодействовать с внешним физическим миром, а не игнорировать его законы . В рамках проекта BEACONS исследовались границы между непрерывной математикой классической физики и дискретной природой цифровых вычислений. Это перекликалось с его более ранними изысканиями в области астрофизики, где изучались возможные проявления дискретности пространства-времени в высокоэнергетических процессах .
Джонатан подчеркивает, что его деятельность всегда находилась на пересечении математики, физики и философии . Ключевой целью было перенести строгость теоретической физики в среду глубокого обучения, используя теорию категорий как универсальный язык описания систем . Это позволило рассматривать нейронные сети не как «черные ящики», а как структурированные математические объекты, подчиняющиеся физическим принципам.
Physlib и будущее типозависимой физики 2:06:35
Одним из наиболее амбициозных направлений работы стало развитие концепции Physlib — библиотеки, которая должна стать для физики тем же, чем Mathlib является для формализованной математики . Джонатан отмечает, что их команда активно занимается внедрением теории типов (type theory) в процесс физического моделирования .
Разработка этих инструментов включает:
- Создание аналогов таких систем, как Mathlib, Physlib и SciLean, адаптированных под конкретные прикладные области физики .
- Формирование команды специалистов, включая экспертов по теории типов, которые присоединяются к работе для формализации физических законов в программном коде .
- Переход от чистого моделирования к созданию «исполняемой физики», где каждое утверждение о системе может быть проверено на уровне компиляции кода .
Эти усилия направлены на решение проблем, которые возникали в классическом академическом подходе и о которых собеседники говорили ранее, затрагивая социологическое сопротивление внутри институций . Вместо того чтобы пытаться изменить старую систему, Джонатан выбрал путь создания открытых инструментов, способных объединить инженеров, философов и физиков .
Набор «интеллектуального спецназа» 2:05:53
Текущий этап работы характеризуется переходом от чисто теоретических поисков к активному расширению команды через платформу Lanyon AI . Джонатан делает ставку на междисциплинарный подход, приглашая людей, чей интеллект сочетает в себе навыки программирования с глубоким пониманием фундаментальной науки . Он упоминает, что к проекту присоединяются новые сотрудники, которые будут руководить усилиями по развитию теории типов в физических приложениях .
Публичность этих разработок поддерживается через социальные сети и LinkedIn, где публикуются обновления о ходе исследований и новых вакансиях . Джонатан верит, что именно такое объединение «умных людей», интересующихся устройством Вселенной, позволит преодолеть застой в физике с помощью инструментов искусственного интеллекта . Этот проект становится логическим завершением многолетней хроники его работы: от попыток понять дискретный мир до создания инструментов, которые позволяют нам эффективно вычислять его будущее .
