IA em Ciência: por que as redes neurais ainda não merecem o jaleco branco

Послушай, давай будем честны: пока мы восторженно обсуждаем, как очередная языковая модель написала код или сочинила стихи, в настоящих лабораториях всё не так радужно. Есть такое модное направление — AI для науки или AI4S (AI for Science). Оно должно было перевернуть наше представление о химии, физике и биологии.

Но если присмотреться, современные «умные» модели всё ещё бесконечно далеки от того, чтобы называться полноценными учёными. Они скорее напоминают очень начитанных студентов, которые вызубрили библиотеку, но впадают в ступор, когда им дают в руки пробирку. Всё началось с первой волны, которую теперь называют AI4S 1.

0. Главным героем здесь стал AlphaFold от Google DeepMind. Он блестяще справился с предсказанием структуры белков, и это действительно был прорыв.

Но вот в чём подвох: это была победа грубой силы и распознавания образов. Модель нашла закономерности в огромном массиве данных, которые люди собирали десятилетиями. Это круто, но это не совсем наука в её классическом понимании.

Наука — это не только поиск совпадений, это понимание того, почему мир работает именно так, а не иначе. Главная проблема текущих топовых моделей заключается в том, что они живут в мире слов и пикселей, а не в мире атомов и сил. Учёные называют это отсутствием понимания «первых принципов».

Когда ты просишь AI спроектировать новый материал, он начинает комбинировать известные ему данные. Но он не чувствует законов термодинамики или квантовой механики так, как их чувствует физик. В итоге мы получаем галлюцинации, которые выглядят как научные статьи, но рассыпаются при первой же попытке проверить их в реальности.

Модели просто не умеют рассуждать в рамках строгих физических ограничений. Сейчас индустрия судорожно пытается нащупать путь к AI4S 2.0.

Это уже не просто про «больше данных» или «больше видеокарт». Это про смену самой архитектуры мышления машин. Нам нужно то, что в Китае называют «научным интеллектом» — системы, в которые физические законы «зашиты» изначально.

Представь нейросеть, которая не может выдать ответ, нарушающий закон сохранения энергии, просто потому что её математическая структура этого не позволяет. Это фундаментальный сдвиг от вероятностного угадывания к дедуктивному выводу. Более того, настоящая наука требует автономности.

Мы движемся к концепции «закрытых лабораторий», где AI не просто советует, а сам планирует эксперимент, управляет роботами-манипуляторами и, что самое важное, корректирует свою теорию на основе полученных неудач. Текущие LLM ненавидят ошибаться, они пытаются угодить пользователю. Настоящий же учёный знает, что отрицательный результат — это тоже результат.

Пока мы не научим AI ценить ошибки и делать из них логические выводы, он останется лишь дорогой игрушкой в руках исследователей. Проблема ещё и в данных. Для обучения GPT-4 использовали почти весь интернет.

Но в науке данных мало, они фрагментарны и часто закрыты в архивах корпораций. Чтобы AI4S 2.0 стал реальностью, нам нужно научить модели обучаться на малых выборках и синтезировать данные через симуляции.

Это огромный вызов для инженеров, и пока непонятно, кто первым подберёт этот ключ. Но одно ясно точно: следующая Нобелевская премия, в которой будет замешан AI, будет вручена не за «красивый текст», а за понимание самой сути материи. Главное: Текущий AI — это гениальный библиотекарь, но бездарный экспериментатор.

Сможет ли концепция AI4S 2.0 превратить нейросети в самостоятельных исследователей, или мы упрёмся в потолок, где машина принципиально не способна на интуитивный прорыв?