Вкратце: В 1997 году Deep Blue победил чемпиона мира по шахматам.
В 2016 году ход 37 AlphaGo показал, что ИИ способен генерировать креативные стратегии, которые никогда не придумывал ни один человек. Сейчас, в 2026 году, мы наблюдаем аналогичный момент для всей науки. Такие компании, как Lila Sciences, создают системы ИИ, которые автономно выполняют научный метод (генерируют гипотезы, разрабатывают эксперименты, проводят физические лабораторные исследования и итерации) со сверхчеловеческой скоростью и в сверхчеловеческом масштабе. Это не предсказание. Это уже происходит. И это меняет всё.«Мы определяем научный сверхинтеллект как способность проводить научный метод на уровне, превосходящем человеческий интеллект, на каждом этапе процесса».
— Джеффри фон Мальцан, генеральный директор Lila Sciences
От Deep Blue до 37-го хода и фабрики искусственного интеллекта
Большинство людей помнят победу Deep Blue над Гарри Каспаровым в 1997 году. Это был триумф грубой силы: машина оценивала 200 миллионов ходов в секунду и просто перевычислила величайший шахматный ум современности. Это было впечатляюще. Но, оглядываясь назад, это было и примитивно.
Настоящий прорыв произошел девятнадцать лет спустя, когда AlphaGo от DeepMind победила чемпиона мира по го Ли Седоля. В го существует больше возможных позиций на доске, чем атомов во Вселенной… её нельзя решить грубой силой. AlphaGo пришлось освоить нечто более глубокое: стратегию, интуицию, креативность.
И тогда появился 37-й ход.
Во второй партии матча AlphaGo сделала настолько неожиданный ход, настолько чуждый общепринятой мудрости го, что комментаторы замолчали. Ли Седоль вышел из комнаты на пятнадцать минут. Ни один человек за 2500-летнюю историю го никогда не делал такого хода. Это был не просто правильный ход, это был блестящий ход. Машина открыла для себя креативную стратегию, которую люди никогда не могли себе представить.
Этот единственный момент изменил траекторию исследований в области ИИ. Он доказал, что искусственный интеллект способен на большее, чем просто оптимизация в рамках известных моделей. Он способен открывать совершенно новые знания.
Теперь спросите себя: что произойдет, если эта же возможность будет применена не к настольной игре, а ко всей науке?
Научный метод на скорости машины
Вот что происходит прямо сейчас, в 2026 году:
Системы искусственного интеллекта автономно, на скорости машины, круглосуточно и одновременно во всех областях науки применяют научный метод.
Это не чат-боты, помогающие исследователям писать статьи. Это автономные агенты, которые генерируют гипотезы, разрабатывают эксперименты, управляют физическим лабораторным оборудованием, анализируют результаты и итерируют. Всё без вмешательства человека. Они занимаются наукой так же, как AlphaGo играла в Го: исследуя пространство возможностей, настолько обширное, что ни одна команда людей не смогла бы охватить его за тысячу жизней.
Подумайте о том, чего уже достигла DeepMind. AlphaFold предсказала трехмерную структуру практически каждого известного белка (более 200 миллионов), решив проблему, которая ставила биологов в тупик пятьдесят лет. Эта работа принесла Демису Хассабису и Джону Джамперу Нобелевскую премию по химии 2024 года. Их новейшая система, AlphaEvolve, недавно пережила свой собственный «момент Move 37», когда обнаружила новый метод умножения матриц: фундаментальную математическую операцию, лежащую в основе всего современного искусственного интеллекта. Ни один математик-человек не открыл её раньше.
AlphaFold был только началом…
Lila Sciences: Создание первой в мире научной фабрики на основе ИИ
Одной из компаний, возглавляющих движение к научному сверхинтеллекту, является Lila Sciences (откровенно говоря, я инвестор), основанная Flagship Pioneering, той же венчурной фирмой, которая создала Moderna. Возглавляемая генеральным директором Джеффри фон Мальцаном, Lila строит то, что они называют «научными фабриками ИИ»: полностью автономные лаборатории, где системы ИИ генерируют гипотезы, разрабатывают эксперименты, управляют лабораторным оборудованием, анализируют результаты и итерируют со скоростью машины с минимальным вмешательством человека.
Что делает Lila уникальной, так это масштаб. Их ИИ накопил более 10 триллионов токенов данных научного мышления, сгенерированных исключительно моделями ИИ, которые рассуждают с помощью научного метода на основе экспериментальных результатов. Для сравнения, пригодное для обучения моделей LLM пространство в интернете составляет примерно 15 триллионов токенов. К концу 2026 года набор данных научного мышления Lila превысит в два раза размер интернета, используемого для обучения передовых моделей LLM. Все это – оригинальные научные идеи. И что особенно важно, Lila обучается одновременно во всех научных областях: биологических науках, химии, материаловедении, энергетике. Это имеет значение, потому что многие из величайших исторических открытий стали результатом междисциплинарных исследований. Пенициллин был открыт биологом, заметившим нечто странное в плесени. CRISPR был открыт микробиологами, изучавшими бактериальные иммунные системы. Транзистор появился благодаря применению квантовой физики в материаловедении.
Системы искусственного интеллекта, обучающиеся одновременно во всех областях науки, могут находить эти междисциплинарные закономерности в масштабе и с такой скоростью, с которыми не может сравниться ни одна команда людей. Lila называет эти открытия «моментами прорыва 37», — и сообщает, что они происходят во всех областях с конца 2025 года.
ИИ Lila, обучающийся всего на 2% доступных научных данных, уже превосходит ведущие модели ИИ (включая новейшие модели Claude Opus и GPT-5) в материаловедении, химии и биологических науках.
Результаты уже невероятны!
Первые демонстрации научного сверхинтеллекта дают результаты, которые еще два года назад казались невозможными…
В области мРНК-терапии ИИ Lila использовал подход самообучения (по сути, играя миллион партий в разработку мРНК против самого себя, подобно тому, как AlphaGo играл миллионы партий в Го), и достиг производительности, вдвое превышающей эффективность современных мРНК-технологий ведущих фармацевтических компаний. Экспрессия длится 15 дней против 1,5 дней, достигаемых традиционными подходами.
Улучшение в 10 раз.
А в области CAR-T-клеточной терапии, одного из самых многообещающих направлений в лечении рака, программа, управляемая ИИ, инвестировала 3 миллиона долларов и шесть месяцев в разработку терапии, которая превзошла конкурирующий подход, недавно приобретенный за 2,1 миллиарда долларов, основанный на традиционных методах. Система ИИ исследовала 300 000 вариантов дизайна. Традиционный подход протестировал 13.
Прочитайте это еще раз. Три миллиона долларов (Lila) против двух миллиардов (все остальные). Триста тысяч вариантов (Лила) против тринадцати (все остальные). И победил более дешевый.
Вот что происходит, когда научный метод развивается со скоростью машины.
Горький урок, примененный к науке
В исследованиях ИИ существует известная концепция, называемая «горьким уроком», сформулированная Ричем Саттоном в 2019 году. Урок заключается в следующем: на протяжении всей истории искусственного интеллекта побеждают не те подходы, которые пытаются внедрить человеческие знания, а те, которые используют масштабные вычисления и обучение.
Каждый раз, когда исследователи пытались вручную закодировать человеческий опыт в системы ИИ, их в конечном итоге превосходили системы, которые просто учились на огромных массивах данных. Шахматы, го, сворачивание белков, язык… закономерность всегда одна и та же. Побеждает масштаб.
Горький урок теперь применяется к самой науке. Узкоспециализированные системы ИИ, обученные в одной области, уступают широким системам, которые обучаются одновременно во всех научных областях. Подход Лилы (обучение единого интеллекта в биологии, химии, материаловедении и других областях) доказывает, что горький урок справедлив не только для цифрового, но и для физического мира.
Момент Клода Кода для всей науки
Если вы следите за развитием ИИ, вы видели, что произошло, когда помощники в программировании, такие как Клод Код, Cursor и GitHub Copilot, преобразили разработку программного обеспечения. Внезапно один разработчик с помощью ИИ-помощника смог выполнять работу целой команды. Производительность не просто повысилась, она изменилась на порядок.
Мы вот-вот станем свидетелями такой же трансформации во всей науке.
У каждого ученого скоро появится ИИ-сотрудник, который сможет за считанные секунды искать информацию во всей научной литературе, генерировать новые гипотезы, разрабатывать эксперименты, моделировать результаты и итеративно совершенствовать свои исследования. И все это до того, как ученый-человек допьет свой утренний кофе. Вопрос будет не в том, «Может ли ИИ помочь в исследованиях?», а в том, «Как мы вообще проводили исследования без него?».
И, как и в случае с программной революцией, это не заменит ученых. Это усилит их. Ученые, которые научатся сотрудничать с ИИ, будут совершать прорывы с такой скоростью, которая еще несколько лет назад казалась бы невозможной. Те, кто откажется адаптироваться, окажутся в ситуации, когда им придётся работать в темпе, который перестанет быть конкурентоспособным.
Почему это важно для всех нас
Это не просто история о самой науке. Это история обо всем, к чему прикасается наука, а это абсолютно все.
Медицина: Разработка лекарств, которая в настоящее время занимает десятилетие и стоит 2,4 миллиарда долларов за одобренный препарат, может быть сокращена до нескольких месяцев за гораздо меньшую стоимость. Болезни, которые мы сегодня считаем неизлечимыми, столкнутся с натиском разработанных с помощью ИИ методов лечения, тестируемых в масштабах, ранее невообразимых.
Энергетика: Новые материалы для солнечных батарей, аккумуляторов и термоядерного синтеза открываются с помощью автономных экспериментов в десять раз быстрее, чем традиционные исследования.
Материалы: Разработанные с помощью ИИ материалы со свойствами, которых мы никогда раньше не видели (более прочные, легкие, более проводящие), преобразят производство, строительство, аэрокосмическую отрасль и электронику.
Сельское хозяйство: Оптимизированные с помощью ИИ сорта сельскохозяйственных культур и сельскохозяйственные процессы увеличат урожайность, одновременно снижая воздействие на окружающую среду.
Итак, в чем же ключевой момент?
Мы стоим на пороге решения всех проблем, именно так, как мы с Алексом Висснер-Гроссом писали в нашей статье www.SolveEverything.org.
Сложные проценты знаний
Чарли Мангер однажды сказал: «Первое правило сложных процентов — никогда не прерывайте их без необходимости».
Научный метод сам по себе является явлением сложных процентов. Каждое открытие основывается на предыдущих. Каждый эксперимент генерирует данные, которые улучшают следующий эксперимент. Знания накапливаются.
До сих пор скорость накопления ограничивалась скоростью человека: тем, как быстро мы можем читать статьи, разрабатывать эксперименты, проводить тесты и анализировать результаты. Искусственный интеллект устраняет это узкое место. Когда научный метод работает со скоростью машины и с масштабом, сопоставимым с машинным, накопление ускоряется на порядки.
В ближайшие 5 лет мы увидим больше научного прогресса, чем за предыдущий век. Не потому, что ученые внезапно стали умнее, а потому, что инструмент, который они используют для научных исследований, стал сверхинтеллектуальным.
Deep Blue победил чемпиона по шахматам. AlphaGo сделал ход, который никогда не придумал ни один человек. AlphaFold получил Нобелевскую премию. И теперь, в 2026 году, ИИ делает свой ход 37 во всех областях науки одновременно.
Настал решающий момент для всей науки.
За будущее изобилия!
Питер
Комментариев нет:
Отправить комментарий