Чем ИИ со всеми его достоинствами и недостатками может быть полезен ученым? Мы собрали обзор инструментов на основе нейросетей, которые уже сегодня призваны облегчать жизнь ученым по всему миру.
Для начала определимся, зачем вообще ИИ нужен исследователям? Представьте себе ученого, заваленного терабайтами данных с телескопа или коллайдера, годами бьющегося над одной сложной математической задачей, которая не дает ему покоя. Что если ему нужно прочитать все книги по его тематике, чтобы найти всего одну ключевую фразу или мысль. Или предсказать, в какую картину сложится пазл из миллиона кусочков, имея на руках всего несколько из них. Так выглядят многие научные задачи.
Сегодня у исследователей появились «цифровые ассистенты» — нейросети, обученные на невообразимо огромных объемах данных, способные обрабатывать целые книги и находить связи и паттерны, на обнаружение которых у людей уходили годы, а порой и десятилетия. Без человеческого разума и его логики все эти инструменты работать не будут, однако прямо сейчас в лабораториях по всему миру они ускоряют путь исследователя к новым лекарствам, материалам с нужными свойствами и пониманию процессов, происходящих далеко во Вселенной.
Как ИИ дополняет научные подходы к исследованию мира
ИИ полностью изменил подходы к поиску и обработке информации. Его можно натренировать на огромных массивах данных, будь то научные статьи, результаты экспериментов, изображения или данные геномов, и они начинают узнавать сложные паттерны и даже предсказывать то, что еще не было измерено. Раньше студенты искали и анализировали статьи по ключевым словам, проводили многомесячные эксперименты и делали выводы, теперь же ИИ-ассистенты ученых «понимают» смыслы, предлагают неочевидные гипотезы и даже могут смоделировать их проверку в «цифровой песочнице» еще до того, как химик заказал новый дорогой реактив.
Это уже не просто очень мощная компьютерная программа или суперкомпьютер с огромными вычислительными мощностями, которые производят быстрые расчеты после того, как ученые задали им все необходимые параметры для решения задачи. Нейросети настолько же отличаются от всего того, что было ранее, как инженерный калькулятор отличается от научного сотрудника с феноменальной памятью и интуицией, который работает 24/7 и не делает перерывы на кофе, сон и перекусы.
Чего не может сделать искусственный интеллект? ИИ-инструменты не понимают смыслы и не могут полноценно выстраивать логику, не универсальны и не способны дать результат, если их не направляют ученые.
Примеры использования нейросетей в научных исследованиях
Как именно ИИ меняет науку? Давайте разберемся на конкретных примерах.
Биология и медицина
Одна из наиболее известных нейросетей AlphaFold от DeepMind. Она предсказывает сложные структуры белков (хотя справляется не всегда).
AlphaMissense от DeepMind прогнозирует, какие мутации в генах вредны и могут привести к болезням или нарушениям в работе организма. Эта нейросеть помогает интерпретировать результаты генетических тестов, идентифицировать причины болезней.
В биоинформатике сегодня наблюдается большой интерес к применению языковых моделей для работы с генетической информацией. Это похоже на ChatGPT для геномов: на вход мы подаем ДНК и просим модель ее расшифровать. Примерно так работает первая российская ИИ-модель для ДНК GENA-LM, которую создали мы с коллегами. Мы выпустили несколько модификаций, каждая из которых заточена на решение различных агро- или биотехнических задач. Есть ряд задач, с которыми наши модели пока справляются не идеально, например, разметка геномов или предсказание активности генов, но мы активно работаем над этим.
ИИ уже используется для обнаружения лекарств (Atomwise, Insilico Medicine и другие). Они осуществляют виртуальный поиск среди миллионов молекул, способных связываться с белком-целью, который определяет ход или распространение болезни. Так, во время ковида многие ученые определяли «ключи», которые позволяли вирусу SARS-CoV-2 проникать в клетки здорового человека. Понимание похожих механизмов необходимо для диагностики и борьбы с онкологией.
В России в 2025 году ученые создали решение для расчета электронной плотности молекул – система LAGNet может быть использована в том числе для визуализации молекул и создания новых лекарств.
Материаловедение и химия
GNoME от DeepMind предсказывает стабильные кристаллические структуры. Использование «Гнома» позволило найти тысячи новых потенциальных материалов, которые обладают нужными ученым свойствами, в том числе для батарей нового поколения и сверхпроводников.
Такие инструменты, как AIQM1 используют ИИ для предсказания свойств молекул и материалов на их основе. В данном случае ML упрощает очень сложные квантово-химические расчеты. Еще одним важным «вспомогательным элементом» для ученых все чаще становится квантовое машинное обучение.
Астрофизика и космология
ИИ активно используется для анализа данных, собранных телескопами в самых разных проектах. Нейросети (например, ExoMiner от NASA) выявляют экзопланеты по изменениям яркости звёзд при прохождении планет. Они также осуществляют поиск аномалий, помогают решать дифференциальные уравнения и находить новые экзопланеты. Модели после обучения на тысячах снимков могут подбирать кандидатов в миры, пригодных для жизни в том виде, в котором мы ее знаем. А уже позднее кандидатов тщательно анализируют астрофизики и астробиологи. Сверточные нейросети преуспели в классификации галактик.
Во всех этих исследованиях астрономы будто бы получают в свое распоряжение дополнительные сотни пар глаз, которые никогда не устают и могут одновременно рассматривать миллионы звезд на снимках, выискивая еле заметные аномалии или вспышки сверхновых.
Науки о Земле и климат
ИИ давно и успешно используется для анализа и улучшения спутниковых снимков. С помощью нейросетей можно отслеживать вырубку лесов, мониторить состояние сельскохозяйственных полей и даже определять самочувствие растений на них, скорость таяния льдов и появление загрязнений. Удобство нейросетевых инструментов в том, что они могут учитывать сразу множество параметров; также с их помощью можно моделировать сложные и нелинейные климатические системы.
Климатические модели, использующие машинное обучение, такие как NeuralGSM от Google Research, позволяют быстрее получать результаты симуляций и улучшать прогнозы объема осадков, скорости ветра и так далее.
В 2025 году российские ученые использовали генеративно-состязательные нейросети для синхронизации работы различных приборов в связке. Это позволило наблюдать за Солнцем в больших подробностях. Новые данные сами по себе искусственный интеллект не собирает, однако помогает извлечь максимальную пользу для науки из тех, что уже есть.
Психология и здравоохранение
Нейросетевые решения позволяют ученым на ранних стадиях находить признаки нейродегенеративных заболеваний, помогают проводить тестирование здоровых и больных, моделировать деятельность мозга и прогнозировать поведение людей.
Нейросети применяются для диагностики психических расстройств. В частности, для распознавания эмоций. Модели вроде EmoAda (Китай) анализируют мимику и тон голоса, определяя эмоциональное состояние пациента.
В сфере здравоохранения искусственный интеллект может искать закономерности в данных электронных медицинских карт, что также продвигает научное знание о болезнях.
Работа с текстами
Мы опросили ряд ученых и пришли к выводу, что сегодня ИИ наиболее активно используется ими для анализа литературы. Наиболее часто в ход идут такие инструменты как Semantic Scholar, Scite, Elicit. Они помогают в поиске связей между статьями, проверке цитирований на достоверность, резюмированию. В этом случае ИИ выступает как личный научный библиотекарь-аналитик, который не только находит нужные статьи, но и рассказывает, как они связаны между собой и насколько надежны их выводы.
Большие языковые модели используются учеными для помощи в написании кода, объяснении сложных концепций, а порой и генерации идей. Знания исследователя позволяют ему отличить правду от искусной галлюцинации модели, очень похожей на правду. Поэтому LLM рассматриваются лишь как инструменты помощи, а не генераторы истины. Однако для выполнения рутинных задач такой помощник бывает очень полезен.
Китайский DeepSeek — удобный инструмент для работы, который мы сегодня часто используем для аналитики и написания заявок на гранты при поиске финансирования. Перед подачей заявки делается обзор литературы по необходимой нам тематике. И, как оказалось в ходе тестирования, по таким сложным темам, как спинтроника и магнитно-туннельные переходы DeepSeek выдает вполне приемлемые описания. Это в итоге оказывается полезно в работе.
Эксперт отмечает, что эту нейросеть компания использует как вспомогательный инструмент, чтобы сформулировать потенциальные продукты, провести исследование и понять стоимость различных компонентов, то есть собрать технико-экономические обоснования для заявки. Что касается негатива от использования, то нейросеть может иногда фантазировать. По словам Иванова, когда разбираешься в теме, заметно, что иногда ИИ выдает похожие ответы, но не на 100% верные. А если указать на ошибки, то ИИ честно признает, что подтверждения этому нет.
Новая эра свободы от рутины
Революция, которая произошла на наших глазах, состоит не в замене ученых роботами, а в создании новых форм сотрудничества. Нейросети забрали рутинную ресурсоемкую работу по обработке данных и первоначальному моделированию. Они все еще требуют тонкой донастройки, но во многих областях они освободили исследователей для самого главного: творческого мышления, постановки смелых вопросов, проработки экспериментов и глубокого осмысления результатов. Кажется, что ученый будущего — это дирижер, который знает, какую партию поручить каждому ассистенту в своем цифровом оркестре, чтобы вместе они создали новое знание.
В начале 2025 года многие компании, занимающиеся ИИ, запустили инструмент под названием Deep Research. Это режим работы чат-бота, который позволяет создавать глубокие аналитические отчеты в выбранной предметной области, опираясь на свои знания и открытые источники в интернете. Deep Research может быть полезен, чтобы создавать черновой вариант литературного обзора, если исследователь обращается к новой для себя теме.
Эксперт подчеркивает, что нужно помнить о склонности LLM к галлюцинациям и проверять написанное и ссылки. Кроме того, пока DeepResearch не умеет анализировать платные статьи, поэтому целиком на этот инструмент полагаться нельзя.
При этом каждый день появляются новые инструменты, расширяющие границы познания. ИИ со всеми его достоинствами и недостатками не делает науку легкой, но расширяют возможности ученых. Это не эра машин, которые хотя захватить мир и избавить его от человека, а новая эра возможностей для людей, жаждущих лучше понять природу и законы Вселенной и получивших для этого в свое распоряжение невиданные ранее инструменты. Но самое удивительное, что эта эра уже наступила прямо в лабораториях рядом с нами, и уже меняет жизнь миллионов людей к лучшему.
Ранее мы предположили, возможно ли появление «искусственного ученого», способного осуществить полностью автономное научное исследование без участие людей.