Ученые из Тюбингена показали, как искусственный интеллект автоматизирует построение моделей, но честно предупреждают: до настоящих открытий пока далеко.
Компания Anthropic продолжает доказывать, что большие языковые модели — это не просто болтушки для переписки, а вполне себе рабочий инструмент для науки. На этот раз исследователи из Института ELLIS в Тюбингене и местного университета опубликовали в блоге Anthropic материал о том, как искусственный интеллект постепенно захватывает процесс построения научных моделей. Звучит как сценарий фантастического фильма, но на деле все куда прозаичнее и интереснее.
Три кита научного моделирования
Авторы выделяют три ключевых этапа, без которых не обходится ни одно серьезное исследование: создание модели, подбор параметров и интерпретация результатов. Раньше на каждом из этих шагов требовалось непосредственное участие человека в белом халате и с уставшим взглядом. Теперь же ИИ-системы методично осваивают все три направления, и быстрее всего прогрессируют именно в настройке моделей по экспериментальным данным.
Чтобы было понятнее, авторы приводят наглядный пример — модель Ходжкина — Хаксли, созданную в 1951 году для описания электрических импульсов нервных клеток. История вообще-то детективная: после того как в Кембриджском университете сломался компьютер, Эндрю Хаксли больше трех недель вручную считал уравнения на механическом калькуляторе. Представляете этот ад? Зато именно тогда ученые выяснили, что одна из переменных должна входить в уравнение в четвертой степени. Это привело их к гениальному предположению: для открытия ионного канала нужно перемещение нескольких заряженных частиц. Спустя десятилетия оказалось, что они были правы — калиевый канал действительно состоит из четырех одинаковых белковых частей.
От трех недель до нескольких часов
Сегодня Claude by Anthropic или любая другая продвинутая нейросеть потенциально способна выполнить аналогичную работу за несколько часов. Для подбора параметров сложных моделей используются нейросети и метод simulation-based inference — статистический вывод на основе симуляций. Алгоритм запускает модель с разными параметрами тысячи раз, собирает результаты и учит нейросеть определять, какие настройки могли привести к наблюдаемым данным.
Правда, аппетиты у таких вычислений зверские: для модели Ходжкина — Хаксли может понадобиться около 100 тысяч симуляций, а для систем посложнее — миллионы. Но после обучения нейросеть оценивает параметры новых экспериментов буквально за секунды. И вот тут начинается самое вкусное: подход позволяет получить не один набор параметров, а целое распределение вероятных вариантов. Это принципиально важно, ведь разные настройки могут одинаково хорошо воспроизводить данные, но давать совершенно разные предсказания.
Аналогичный принцип предлагают применять и при создании самих моделей. ИИ-агент получает описание системы и данные экспериментов, самостоятельно предлагает уравнения, пишет код, запускает симуляции и корректирует модели. При этом сложные объяснения с кучей дополнительных параметров получают меньшее предпочтение, чем простые и хорошо согласующиеся с данными. Красота, да и только.
Скепсис и неопределенность
Но не спешите радоваться и хоронить профессию ученого. За последние два года вышло несколько работ, где большие языковые модели самостоятельно проектировали научные модели, однако проверяли их в основном на задачах с уже известным ответом. Доказательств того, что ИИ способен находить объяснения принципиально новых явлений, пока недостаточно. А самое сложное — интерпретация результатов. Точное воспроизведение наблюдений не гарантирует, что модель правильно описывает реальный механизм процесса.
Исследователи предлагают элегантный выход: создавать не одну модель, а набор объяснений, согласующихся с данными. Если разные модели предсказывают одинаковое поведение системы после внешнего воздействия — такое предсказание заслуживает доверия. Если результаты расходятся — значит, нужны новые эксперименты. В качестве примера авторы рассматривают моделирование мозга плодовой мушки: схема связей включает более 100 000 нейронов, и на ее основе уже создаются модели активности зрительной системы.
По мере усложнения таких систем найти единственное правильное описание становится все труднее. Поэтому задача ИИ в науке — не просто быстро выдать уравнение, подходящее под данные, а показать, какие объяснения выдерживают проверку, где сохраняется неопределенность и какие эксперименты помогут ее устранить. Звучит как план по захвату мира, но на деле — вполне себе рабочий подход к научным исследованиям.
Что касается практической стороны вопроса — Anthropic не просто публикует теоретические изыскания. Компания активно развивает направление Claude Science, которое уже сейчас позволяет ученым работать с данными, запускать симуляции и даже редактировать код через простой чат-интерфейс. А через Anthropic API исследователи из университетов и биотех-компаний получают доступ к моделям для решения конкретных задач.
Так что, возможно, лет через десять мы будем читать новости о том, что очередную Нобелевскую премию получил алгоритм. И знаете, я бы не удивился.