Почему подход AlphaFold не станет универсальным решением, а агентный ИИ может изменить науку.
Нобелевская премия по химии за нейросеть? Ещё недавно такое показалось бы фантастикой. Но в 2024 году AlphaFold от Google DeepMind действительно получил одну из самых престижных научных наград, заставив многих поверить: ИИ вот-вот поставит науку на конвейер открытий. Однако авторы колонки в MIT Technology Review предлагают не торопиться с выводами. Успех AlphaFold — не универсальный рецепт, а скорее исключение, которое требует особых условий. Настоящая революция, по их мнению, произойдёт там, где заработают не просто модели, а полноценные ИИ-агенты, способные рассуждать и действовать как учёные.
Триумф AlphaFold: Нобелевская премия за предсказание белков
Каждые пару десятилетий науке назначают дату смерти. В 1903-м физик Альберт Майкельсон рапортовал, что все факты физической науки давно открыты. В 1980-х Стивен Хокинг обещал скорый конец теоретической физики. Сейчас апокалипсическую эстафету принял искусственный интеллект, и в 2024-м у него нашёлся громкий триумфатор: Демис Хассабис и Джон Джампер из Google DeepMind забрали часть Нобелевской премии по химии за сверхточную нейросеть AlphaFold.
Вопрос, что предсказал AlphaFold от DeepMind, звучит будто из фантастического романа, но на деле это рутинная биоинформатика. Нейросеть выдаёт трёхмерные структуры белков, обучаясь на тысячах экспериментально измеренных форм. Коварная загадка, которую системные атаки штурмовали около пяти десятилетий, пала практически в один заход. В команде назвали свой проект «шаблоном для того, как ИИ может ускорить всю науку до цифровой скорости». Нескромно, зато какой маркетинг!
Рынок отреагировал с космической скоростью. Волна стартапов, строящих фундаментальные модели для биологии, химии и материаловедения, привлекла миллиарды долларов инвестиций — всё на гребне успеха AlphaFold. А сам прорыв доказал простую как дрожжевая клетка вещь: связка ИИ и достаточного объёма данных может давать гениальные результаты, даже когда учёные без понятия, откуда взялись эти результаты и что фигня творится в скрытых слоях сети.
Пределы подхода AlphaFold: почему данных недостаточно
Цена успеха AlphaFold: полвека и $21 млрд
Пока все аплодировали триумфу AlphaFold DeepMind, хорошо бы вспомнить, на каком фундаменте стоит этот успех. Ключевым условием стала база Protein Data Bank — коллекция из примерно 170 000 экспериментально подтверждённых структур белков, на которой обучалась нейросеть. Только вот этот банк данных не собрался по щелчку пальцев.
На его создание ушло 53 года международного научного сотрудничества и, по недавним оценкам, около $21 млрд экспериментальной работы. Это не просто абстрактные цифры: за ними полвека согласований, бесконечных грантовых заявок и труда тысяч учёных. Усилия такого масштаба финансировать, координировать и выполнять — почти нереально. А потому большинство подобных проектов разбиваются о суровую реальность.
Почему остальным наукам такой трюк не светит
Но даже если деньги, дисциплина и координация находятся, всплывает другой, куда более коварный барьер: научная нестабильность. В большинстве экспериментальных дисциплин результаты пляшут как хотят. Клеточные линии дрейфуют, в реагентах прячутся следовые примеси, влажность в лаборатории меняется день ото дня. Ни о какой точности и воспроизводимости, необходимых для обучения современной нейросети, речи не идёт.
Кристаллография белков — счастливое исключение. Метод настолько надёжен и воспроизводим, что на него опирались более чем 25 Нобелевских премий. Но в биологии и почти всей химии подобного инструмента нет. Чтобы получить данные, пригодные для AlphaFold-стиля прорывов, нужны новые стандартизированные подходы к измерениям, и в ближайшее время они не появятся.
Исключения, где условия уже совпали, легко пересчитать по пальцам: прогноз погоды, значительная часть геномики, отдельные уголки химии. Там прорывы в духе AlphaFold вполне реальны. Государственная поддержка таких скоординированных датасетов критически важна — это подчёркивает и Национальная комиссия США по развивающимся биотехнологиям. Но для большинства открытых научных вопросов ставка на гигантские базы данных проигрышна.
Ответ — не в бесконечном накоплении данных, а в смене парадигмы. На сцену выходят AI-агенты, которые умеют рассуждать и работать в условиях неопределённости.
AI-агенты: новая модель научного открытия
Что такое агент и почему он работает без гигантских датасетов
Агент — это ИИ-движок рассуждений, которому дали доступ к цифровым или физическим инструментам и способность ими пользоваться. Последние несколько лет архитектурный сдвиг в ИИ на базе больших языковых моделей резко сократил потребность в специально подготовленных научных датасетах. В отличие от той же AlphaFold, которая блестяще решает одну узкую задачу, агенты — универсальные солдаты. Они не открывают новый способ заниматься наукой; они оцифровывают сам человеческий процесс открытия — со всей его итеративностью, случайными озарениями и правкой курса на лету.
Кейс: Google AI Co-Scientist и загадка устойчивости к антибиотикам
Показательный пример — Google AI Co-Scientist, анонсированный в мае. Исследователи выдали ему одностраничное техническое задание: разобраться, как устойчивость к антибиотикам распространяется между бактериальными видами. Система запустила целый штат субагентов. Один генерировал гипотезы из научной литературы. Второй безжалостно их препарировал, как злобный рецензент. Третий проводил турниры, чтобы ранжировать самые сильные варианты. Четвёртый доводил до ума победившую идею.
Вывод оказался точным: гены устойчивости путешествуют на бактериофагах — вирусах, которые перевозят их в нового хозяина. Звучит просто, но команда Имперского колледжа Лондона потратила на это десятилетие изнурительной лабораторной работы. Их статья к тому моменту ещё даже не вышла из рецензирования — Co-Scientist просто не мог её видеть и всё равно пришёл к тому же ответу.
Болезни роста и скрытые суперсилы
Не будем идеализировать. Нынешние агенты склонны галлюцинировать, их суждения нестабильны, а память и время автономной работы ограничены. Но эти технические барьеры падут — и вот тогда начнётся самое интересное.
Во-первых, агенты автоматически фиксируют каждое своё действие. Это структурное решение застарелого кризиса воспроизводимости: больше не нужно умолять учёных выкладывать сырые данные и код — точная запись метода возникает сама собой.
Во-вторых, у лаборатории появляется централизованное хранилище знаний. Весь накопленный опыт фиксируется в стандартизированном виде, а не в хаотичных бумажных журналах, которые десятилетиями разбирают аспиранты.
А главное — скорость. За час агент способен прочитать тысячу статей, спроектировать пятьсот молекул и к утру извлечь уроки из собственных неудачных тестов. Когда проверка идеи занимает меньше времени, чем спор о ней на летучке, люди перестают закатывать глаза — они просто запускают эксперимент. Снижение стоимости проб и ошибок дарит исследователям роскошь задавать смелые, странные вопросы, на которые раньше никто не решился бы тратить годы.
Переход к агентному ИИ — это не очередной апдейт вроде новой версии AlphaFold. Это инструмент, который накрывает всю науку сразу. Так было с исчислением, статистическим выводом, спектроскопией и компьютером. Каждый из них открывал миры задач, о которых никто даже не думал формулировать. Судя по всему, мы только что получили следующий такой инструмент.
Кто стоит за материалом: авторы и эксперты
Перед вами — авторская колонка, опубликованная MIT Technology Review. В таких материалах голос автора значит не меньше, чем факты, и в этом случае за текстом стоят люди с уникальной оптикой: одни управляли крупнейшей интернет-компанией мира, другие — строят ИИ для поиска новых материалов.
Эрик Шмидт: десять лет у руля Google
Эрик Шмидт занимал пост генерального директора Google с 2001 по 2011 год. После ухода он не отошёл от дел, а переключился на филантропию: в 2024 году вместе с женой Венди он соучредил Schmidt Sciences — фонд, который финансирует нестандартные и смелые исследования в науке и технологиях.
Сухас Махеш: отвечает за ИИ для материалов
Направление AI for Science в AI Center of Schmidt Sciences возглавляет Сухас Махеш. Это не просто административная роль: его специализация — применение искусственного интеллекта к поиску и проектированию новых материалов, одна из самых горячих точек на стыке ИИ и науки.
Майя Левин: научный мозг проекта
В подготовке текста также участвовала Майя Левин, ассоциированный сотрудник и научный лид в офисе Эрика Шмидта. Так что за статьёй стоит не один эксперт, а целая команда, которая пытается понять, как искусственный интеллект переформатирует научный процесс в ближайшие десятилетия.
Агентный ИИ не обещает мгновенных чудес. Он работает тише, зато берёт масштабом: не одну задачу, а весь процесс научного поиска. Если темпы развития сохранятся, через несколько лет мы, возможно, будем вспоминать AlphaFold как первый, но довольно грубый набросок того, на что способны машины. А пока — наблюдаем за тем, как наука учится спорить с собой.