Модель AlphaFold опиралась примерно на 170 тысяч экспериментально подтвержденных белковых структур, собранных за 53 года и ценой около $21 млрд. Именно поэтому AI-агенты в науке сейчас выглядят для исследователей не модным словом, а попыткой обойти главный потолок отрасли: хороших данных для прорывов слишком мало, а добываются они слишком долго.
Об этом сообщает MIT Technology Review в свежем выпуске рассылки The Download. Издание вынесло в центр номера колонку бывшего главы Google Эрика Шмидта и руководителя направления AI for science в Schmidt Sciences Сухаса Махеша: их тезис простой и неприятно практичный для всех, кто строит продукты на ИИ. Науке нужны не только модели, которые умеют переваривать большие массивы данных, но и системы, способные рассуждать, выдвигать гипотезы, корректировать курс и повторять исследовательский цикл почти так же, как это делает человек.
Повод для такого разговора понятен. В 2024 году ученые Google DeepMind разделили Нобелевскую премию по химии благодаря AlphaFold, нейросети для предсказания структуры белков. Этот кейс быстро превратился в любимый аргумент всех, кто продает идею «ИИ уже делает науку». Но Шмидт и Махеш предлагают смотреть на AlphaFold не как на универсальный рецепт, а скорее как на редкое исключение. Модель сработала на задаче, где существовал огромный, дорогой и десятилетиями накопленный массив качественных данных. Для большинства научных направлений такой роскоши просто нет. Нельзя по щелчку собрать сопоставимый набор проверенных данных для материаловедения, биологии, энергетики или климатических моделей, если сама экспериментальная база там фрагментирована, дорога и зависит от длинных циклов проверки.
Отсюда и идея, что AI-агенты в науке могут оказаться полезнее, чем еще одна модель, жадная до размеченных корпусов. Логика здесь не в том, что агент «умнее» классической модели, а в том, что он лучше копирует реальную механику научной работы. Исследование редко выглядит как один чистый прогон по готовой таблице. Обычно это цепочка из гипотез, промежуточных выводов, неудачных попыток, уточнений и возвратов к исходным предположениям. Агентный подход как раз и пытается оцифровать такой итеративный процесс: поставить задачу, выбрать инструмент, проверить промежуточный результат, изменить следующий шаг и двигаться дальше без жесткой привязки к одному типу входных данных.
Для разработчиков здесь важен довольно трезвый вывод. История AI for science перестает быть соревнованием «у кого больше GPU и длиннее датасет». На первый план выходит архитектура систем, которые умеют работать с неопределенностью. Это уже ближе не к классическому машинному обучению образца середины 2010-х, а к связке из reasoning-моделей, внешних инструментов, симуляций, лабораторных пайплайнов и автоматизированной проверки гипотез. И если этот сдвиг закрепится, то спрос будет расти не только на фундаментальные модели, но и на инженеров, которые умеют собирать агентные контуры вокруг научного софта, приборов, баз знаний и вычислительной инфраструктуры.
Для бизнеса и стартапов сигнал тоже прозрачный. Самые громкие истории последних лет приучили рынок к мысли, что победит тот, кто первым накопит побольше данных и натренирует на них модель. Но в наукоемких областях этот рецепт быстро упирается в экономику. Если создание датасета требует десятилетий и миллиардов долларов, барьер для входа становится почти запретительным. Агентные системы обещают другой маршрут: не ждать, пока кто-то соберет идеальный набор данных, а ускорять сами циклы открытия. Это особенно интересно для фармы, новых материалов, энергетики и климатических исследований, где цена ошибки высока, а скорость проверки гипотез прямо влияет на деньги и time-to-market.
В том же выпуске The Download MIT Technology Review поднимает и совсем другую, но не менее нервную тему: как идея так называемого «цензурно-индустриального комплекса» из маргинальной правой интернет-теории добралась до американской политики и администрации Дональда Трампа. Издание пишет, что расследовало происхождение этого нарратива девять месяцев и теперь готовит отдельную публичную дискуссию 13 августа. Для технологического рынка это не просто очередной сюжет о медиавойнах в США. Когда конспирологические или политически заряженные конструкции начинают влиять на регуляторную повестку, под удар попадают платформенная модерация, правила работы соцсетей, ответственность AI-сервисов за контент и весь стек решений, который Big Tech долго пытался оформить как нейтральную инфраструктуру.
Соседство этих двух тем в одной рассылке выглядит даже слишком символично. С одной стороны, технологическая индустрия ищет способ превратить ИИ в инструмент реального научного ускорения, а не в генератор красивых демо. С другой, та же индустрия все глубже увязает в политических конфликтах вокруг контроля информации, речи и доверия к платформам. Для русскоязычной IT-аудитории это знакомая развилка: одни команды будут строить агентные системы для сложных предметных областей, другие — разгребать последствия того, что любая инфраструктура для знаний, рекомендаций и модерации теперь мгновенно становится объектом идеологии.
Главный вопрос здесь уже не в том, смогут ли AI-агенты в науке показать еще один эффектный кейс уровня AlphaFold. Интереснее другое: сумеет ли отрасль превратить агентный подход в устойчивую инженерную практику раньше, чем вокруг ИИ окончательно сомкнутся политические, регуляторные и репутационные войны.