MIT объяснил, как искусственный интеллект и математико-физические науки усиливают друг друга

MIT сформулировал, как искусственный интеллект и фундаментальные науки могут усиливать друг друга, а не развиваться по отдельности. По словам профессора Джесси Талера, следующий этап AI зависит не только от внедрения моделей в науку, но и от того, насколько сама наука поможет понять, улучшить и контролировать эти системы.

Логика двустороннего моста

Поводом для разговора стал воркшоп AI+MPS, который MIT провел в 2025 году вместе с исследователями из физики, математики, химии, материаловедения и астрономии. Из этих обсуждений вырос white paper с рекомендациями для университетов, исследователей и грантодателей, позже опубликованный в журнале Machine Learning: Science and Technology. Главный вывод: AI уже многим обязан математическим и физическим наукам, потому что именно они дали сложные задачи, качественные данные и идеи, на которых выросли современные методы машинного обучения.

Талер предлагает смотреть на связь шире. Речь не только о том, чтобы нейросети помогали искать новые материалы, анализировать данные коллайдеров или решать математические задачи. Научные подходы могут улучшать и сам AI: объяснять поведение моделей, подсказывать новые архитектуры и делать системы более управляемыми.

В MIT считают, что на стыке двух миров сейчас формируется отдельное направление, которое будет влиять и на скорость научных открытий, и на качество будущих интеллектуальных систем.

«Это должно быть движение в обе стороны».

Что наука дает AI В MIT называют это science of AI — научный взгляд на

сами интеллектуальные системы. В статье Талер делит его на три направления: наука как основа для AI, наука как источник новых алгоритмов и наука как инструмент для объяснения того, как работают модели. Для фундаментальных дисциплин это не абстрактная теория, а практический маршрут, который может одновременно ускорить открытия и повысить надежность AI, особенно там, где от моделей ждут не только точности, но и интерпретируемости.

Из обсуждений пяти научных сообществ быстро возник консенсус: мост между AI и наукой не построить за счет отдельных лабораторий или разовых экспериментов. Нужны общие условия, которые будут работать сразу для разных дисциплин и устойчиво поддерживаться на уровне институтов. Участники воркшопа свели этот базовый набор к нескольким практическим приоритетам, важным и для университетов, и для грантодателей, и для самих исследовательских команд: инвестиции в вычислительную инфраструктуру и инфраструктуру данных; междисциплинарные методы исследования; более строгую подготовку специалистов на стыке областей; долгосрочную поддержку проектов, где AI и наука развиваются вместе.

Отдельный пример — физика высоких энергий. Там исследователи строят алгоритмы реального времени, чтобы справляться с потоком данных с коллайдеров. Такие решения нужны для поиска новой физики, но затем могут выходить далеко за пределы одной дисциплины и влиять на более широкий AI-стек.

Логика здесь простая: чем жестче научная задача, тем выше шанс, что созданные под нее методы окажутся полезны и в других областях, от анализа сигналов до более эффективного обучения моделей.

Кадры и стратегия MIT Второй сквозной тезис — одних моделей и вычислений мало.

Для настоящего прогресса нужны люди, которые одинаково уверенно чувствуют себя и в вычислениях, и в своей научной дисциплине. Талер называет их «кентавр-учёными». Речь идет не о редких универсалах-одиночках, а о системной подготовке: от интегрированных курсов для студентов до междисциплинарных PhD-треков, совместных наймов преподавателей и специальных постдок-позиций, где молодые исследователи могут работать между областями без карьерного штрафа за такую гибридность.

MIT считает, что часть такой инфраструктуры у него уже есть. Талер приводит в пример IAIFI, институт A3D3 и университетские программы, которые учат студентов быть «двуязычными» в вычислениях и своей базовой специальности. Отдельный акцент — на системном подходе: выиграют те университеты, которые будут координировать найм, образование, вычислительные ресурсы и финансирование исследований как единую стратегию.

В качестве признака такого курса MIT уже запустил первый совместный поиск преподавателей между Schwarzman College of Computing и факультетом физики.

Что это значит

Из позиции MIT видно, что следующий виток AI все сильнее завязан не только на продуктах и масштабировании моделей, но и на фундаментальной науке. Для рынка и университетов это сигнал: конкурентное преимущество все чаще будет у тех, кто умеет соединять алгоритмы, научную экспертизу, данные, инфраструктуру и подготовку междисциплинарных команд.