В чем заключается роль машин в науке? «Интеллект» современных нейросетей сводится к комбинации существующих данных, а не к самостоятельному мышлению. В этой статье разберем известные кейсы, где ИИ «совершал открытия», и узнаем, почему даже самые продвинутые системы пока не способны на творческий прорыв без человека.
ИИ в науке — помощник или конкурент
Сегодня искусственный интеллект проник во все сферы нашей жизни: по запросу он генерирует изображения, сочиняет музыку, предсказывает экономические тренды, даже шутит — кажется, нет такой задачи, где бы его не пробовали применить. За этим технологическим фейерверком кроется важный нюанс: ИИ не столько создает новое, сколько виртуозно комбинирует уже известное. Когда нейросеть «рисует» картину в стиле Ван Гога, она не испытывает творческих мук — лишь перерабатывает тысячи настоящих полотен, а когда рассчитывает тренд — не понимает суть его причин, а только находит статистические закономерности в данных.
Особенно ярко потенциал ИИ раскрылся в науке — области, где рождаются настоящие прорывы. Мы уже привыкли к новостям вроде «Нейросеть нашла новый математический алгоритм» или «ИИ решил вековую задачу». Кажется, компьютеры научились не просто решать вопросы по заданным шаблонам, но стали полноценными коллегами ученых: они анализируют данные, генерируют гипотезы и доказывают теоремы. Все это подводит нас к вопросу — а может ли алгоритм, перерабатывающий тонны информации, совершить настоящее открытие?
ИИ является хорошим инструментом для исследователя, но чрезмерное увлечение и вера в его «могущество» может привести к серьезным последствиям. В первую очередь, это ложные открытия, которые могут накапливаться, становясь данными для обучения новых алгоритмов и увеличивая общий объем недостоверной информации.
Эксперт отмечает, что с другой стороны — это потеря исследователями «профессиональной насмотренности». Вера ученого в способность алгоритмов мыслить и генерировать новое знание может привести к выхолащиванию его профессиональных навыков, потере способности делать научные открытия, уповая на ИИ.
«Открытия» ИИ, и кто на самом деле стоит за ними
Прошедший год подарил нам множество удивительных примеров, когда искусственный интеллект помог сделать революционные открытия — но с одной важной оговоркой.
Возьмем криминалистику: ИИ-модель обнаружила, что отпечатки разных пальцев одного человека имеют скрытое сходство. Теперь, если на месте преступления остались следы указательного пальца, а в базе есть только отпечатки среднего, система все равно сможет установить личность преступника.
Еще более впечатляющие результаты пришли из зоологии. Немецкие исследователи с помощью ИИ расшифровали речевые нюансы языка слонов: алгоритм выявил уникальные звуковые паттерны, которые оказались чем-то вроде имен. Когда слонам проигрывали записи с этими «именами», их реакция была куда живее, чем на случайные звуки.
На первый взгляд кажется, будто ИИ самостоятельно сделал эти открытия — сам увидел сходство отпечатков и выявил речевые закономерности в языке животных. Но это опасное заблуждение. Машина лишь обработала горы данных по заданному человеком алгоритму с использованием множества предшествующих наработок. Настоящее открытие произошло в момент, когда ученые посмотрели на результаты и осознали их суть. ИИ выдал закономерности и решил поставленную задачу, но смысл в итоговый результат вложили люди.
Как ИИ «генерирует» идеи? Комбинаторика вместо озарения
Калифорнийские исследователи провели любопытный эксперимент с GPT-4 по четырем направлениям: анализ литературы, написание текстов, предложение новых траекторий исследований и визуализация данных. Наибольший интерес представляет третий пункт. Оказалось, что ИИ действительно способен предлагать логичные направления для будущих исследований. Тем не менее все эти предложения — комбинация ранее прочитанного, а не плод озарения. ИИ систематизировал знания, но не выходил за их рамки.
Это ставит вопрос: чем мышление ученого принципиально отличается от того, что продемонстрировал ИИ? Ведь исследователи тоже опираются на существующие знания, комбинируют идеи и строят гипотезы на основе прошлого опыта. Однако человеческая мысль рождается на пересечении логики и вдохновения. Ученый, выдвигая гипотезу, опирается не только на сухие факты, но и на интуицию, аналогии из далеких областей знания и даже на своеобразное чувство прекрасного. Для ИИ подобных категорий не существуют в принципе.
Основным барьером для автономности ИИ является сама логика его работы. В отличие от человеческого мышления, способного к порождению объективно нового знания, алгоритмы построены на обобщении и систематизации, но их чаще всего «не интересует» результат, возникающий вне контекста решаемой ими задачи. Но если вспомнить многие научные открытия, новое знание очень часто является итогом непреднамеренной ошибки или же случайности.
Может ли ИИ доказывать теоремы? Разбираемся на конкретных примерах
Часто звучит мнение, что современные машины и ИИ-системы могут доказывать теоремы наравне с математиками. А поскольку доказательство — это не только формальная процедура, но и интеллектуальное откровение, сочетающее логику и интуицию, значит, ИИ способен на креативное, творческое и критическое мышление. И все же следует сперва рассмотреть реальные примеры, когда машина или ИИ участвовали в доказательствах, чтобы выяснить истинную природу их «математических способностей».
Рассмотрим доказательство гипотезы Кеплера о плотнейшей упаковке сфер в трехмерном пространстве. Как ни странно, этот пример довольно часто приводят как свидетельство о способности машин к математическим доказательствам.
Представьте, что вы укладываете сферы в коробку и вам нужно уместить их как можно больше. Существуют разные варианты укладки. Гипотеза Кеплера заключается в том, что его решение — самое эффективное.
У Кеплера не было доказательства данной гипотезы. Но доказать ее получилось спустя почти век — в 1998 году, когда математик Томас Хейлс применил компьютерные вычисления для анализа многочисленных частных случаев. Ключевой момент заключается в том, что сама методология доказательства, концепция сведения проблемы к конечному перебору вариантов, и интуитивная уверенность в успешности такого подхода — всецело принадлежали человеческому интеллекту. Компьютер в этом процессе выступал лишь как инструмент для реализации замысла исследователя.
Обратимся к более современным кейсам. В 2021 году система DeepMind продемонстрировала впечатляющие результаты в теории узлов — области математики, исследующей свойства абстрактных переплетений. Алгоритм идентифицировал ранее неизвестные закономерности в этой сфере, что действительно позволило исследователям углубить знания и выдвинуть новые гипотезы. Однако, как подчеркивают сами ученые в публикации, речь идет исключительно о вспомогательной функции ИИ. Система не обладала пониманием математических концепций — она лишь выявляла статистические отклонения в данных, которые затем требовали экспертной интерпретации. Ни о какой самостоятельной познавательной способности ИИ в данном контексте речи не шло, он никогда не инициировал доказательный процесс.
В наши дни показательным стало исследование 2025 года, где ИИ продемонстрировал свою несостоятельность в решении задач математической олимпиады. Если система не способна справиться даже с олимпиадными заданиями, требующими творческого подхода и нестандартного мышления, то говорить о ее способности к настоящим научным прорывам преждевременно.
Блестящий ассистент, но не гений-первооткрыватель
Фактически ИИ остается высокотехнологичным ассистентом, который может обрабатывать информацию по заданным параметрам, но не обладает ключевыми для научного творчества качествами: способностью формулировать принципиально новые вопросы, выходить за рамки известного и совершать интуитивные прорывы. Даже самые совершенные алгоритмы пока не демонстрируют того уровня гибкости мышления и концептуального понимания, которые необходимы для подлинных математических открытий.
Несмотря на тот факт, что современный ИИ способен к некоторому «обучению», основная роль в научном исследовании и научном открытии принадлежит ученому. На сегодняшнем уровне развития ИИ — это уникальный и эффективный инструмент в руках опытного и думающего исследователя, но никак не «универсальный решатель задач», о котором так много говорили на заре развития искусственного интеллекта.
Ключевой вызов современного ИИ заключается именно в переходе от поверхностного анализа уже существующего к подлинному концептуальному моделированию, а пока что даже самый совершенный инструмент не заменит любопытства, дерзости и той самой «безумной идеи», которая переворачивает целые области знания.
А ранее мы писали, как искусственный интеллект блестяще справляется с ролью геолога, находя новые месторождения полезных ископаемых.