MIT: Рахлин рассказал, как университетам готовиться к ИИ умнее самих учёных

Ускорение развития AI в науке

Директор Центра статистики и анализа данных MIT Саша Рахлин опубликовал эссе, в котором разбирает, как университеты должны готовиться к близкому будущему, где искусственный интеллект станет умнее человека во многих аспектах интеллектуальной работы. Это развёрнутое размышление синтезирует дискуссии о том, как AI меняет математику, статистику, машинное обучение и инженерию — прежде всего на уровне аспирантуры и научных исследований.

Темп развития AI поражает. В математике в прошлом году нейросетевая модель достигла уровня золотой медали на Международной математической олимпиаде. Буквально год спустя модели уже производят оригинальные исследовательские результаты, включая недавно предложенное решение одной из семи задач тысячелетия (Millennium Prize Problems). Задачи, которые когда-то требовали продвинутых математических способностей, теперь могут выполняться автоматически.

Рахлин указывает на ключевой фактор: скорость и надёжность проверки результатов. Формализованные доказательства можно проверить автоматически, программы можно запустить и протестировать. Там, где оценка быстра и надёжна, системы могут генерировать кандидаты, обучаться на результатах и совершенствоваться. Это создаёт компаунд-эффект: улучшенные модели участвуют в следующем раунде разработки, ускоряя прогресс экспоненциально. То же самое применимо к самому AI-исследованию: улучшению моделей, процедур обучения и вспомогательных инструментов.

Переоценка критериев в университетской системе

Для опытных исследователей это открывает возможности браться за вопросы, которые раньше требовали невозможных технических затрат. Но разница между получением решения и пониманием, почему оно работает и что из него обобщается, станет ещё более острой.

Текущая университетская система наград нуждается в переосмыслении. В растущем числе областей опубликованная статья становится слабым сигналом индивидуальной экспертизы. Рахлин предупреждает: нельзя просто определять ценность как «всё то, что AI ещё не может делать». Вместо этого департаменты должны больше ценить:

• Постановку хороших вопросов • Репликацию и воспроизведение результатов • Синтез идей из разных источников • Информативные отрицательные результаты • Открытые наборы данных

Оценка должна явно устанавливать, что именно внёс исследователь и за что берёт интеллектуальную ответственность, включая случаи, когда значительные части работы выполнены AI. Эти ожидания должны определять логику найма, продвижения и финансирования — и быть явно сформулированы для текущих и будущих аспирантов.

Особенно сложна переподготовка. Интеллектуальные способности развиваются через упражнение. Рутинные расчёты, код, неудачные попытки, малые открытия — всё это помогало студентам развивать интуицию и суждение. Если делегировать эту работу AI, студенты потеряют формирующие опыты, хотя AI позволяет браться за более амбициозные проекты. Университеты должны различать ненужное трение и работу, которая развивает экспертизу. Студенты должны научиться формулировать задачи, проверять выходы моделей, воспроизводить результаты и отстаивать свои выборы. Фундаментальные знания могут стать ценнее как основа для грамотного использования этих инструментов.

Инфраструктура научной независимости

Рахлин видит реальную возможность для университетов: сохранить способность преследовать вопросы на долгосрочных горизонтах, делиться результатами открыто и независимо проверять утверждения. Партнёрства с индустрией необходимы, но коммерческие приоритеты не будут охватывать всю ширину науки и могут расходиться с ней со временем. Университетам нужна технологическая независимость.

Самый важный стратегический актив академии — накопленные знания и опыт в лабораториях. Опубликованные работы — только часть картины. Неудачные эксперименты, заброшенные направления и причины, почему подход не сработал, остаются непубликуемыми. Учёные владеют неявным знанием о том, какие вмешательства вероятно не сработают и почему. Этот контекст объясняет, почему AI сейчас борется в некоторых областях, особенно в эмпирических науках, предугадывать последствия, которые очевидны эксперту. Эти ограничения могут быть временными; если собирать отрицательные результаты и интерпретации учёных, модели станут намного лучше в научной разведке.

Рахлин предлагает видение: MIT-лаборатории как единый живой научный организм, соединённый через общую AI-инфраструктуру для исследований. Представьте: нейробиолог ищет методы сегментации нейронов на снимках микроскопии. AI-агент распознаёт релевантный прогресс в группе компьютерного зрения, соединяет исследователей, предлагает бенчмарки, помогает итерировать. Может выявлять нерешённые вопросы для студентов и преподавателей, доступные результаты одной лаборатории — другим.

Для этого нужно строить workflows, которые фиксируют гипотезы, вмешательства, исходы, неудачи и интерпретации. Общие системы должны связывать эти workflows, позволяя агентам использовать инструменты и информацию между лабораториями с надлежащими разрешениями. Это требует значительных государственных и институциональных инвестиций в вычисления, защищённые системы данных и компетенции в адаптации и дообучении AI-моделей.

Такое отслеживание сохранит родословную идей и сделает вклад (включая вклад аспирантов) легче признать. С согласованными правилами атрибуции исследователи смогут сотрудничать более открыто. Это также поможет ответить на вопрос о признании и вознаграждении интеллектуальных вкладов.

AI-системы уже синтезируют информацию из источников, которые превышают впитываемость любого отдельного исследователя, и их способность делать полезные связи будет расти. Университеты должны использовать эту мощь, чтобы собраться вокруг сложных научных и инженерных проблем, помогая опираться на силы и идеи друг друга. Рахлин видит в этом перспективный путь, но университеты должны инвестировать сейчас, чтобы сделать это возможным.