Разбираемся, почему университетские исследователи ИИ оказались между молотом и наковальней: компании владеют лучшими моделями, денег на GPU не хватает, а ИИ-математика уже дышит в спину.
Каждую осень программа Schmidt Sciences AI2050 собирает в Калифорнии самых ярких звезд ИИ-исследований. Там можно случайно наткнуться на нобелевского лауреата, обменяться парой фраз с автором прорывной статьи, а за обедом услышать, как профессор сравнивает себя с биологом, у которого отобрали CRISPR. Это, пожалуй, самое точное описание того, что сейчас происходит с академической наукой об ИИ.
Frontier-лаборатории сосредоточили в своих руках и вычислительные ресурсы, и право решать, что можно изучать. Университеты остались за бортом самого амбициозного этапа — обучения больших моделей. И все же исследователи не сдаются: они ищут обходные пути, формулируют вопросы, которые не интересны бизнесу, и спорят о том, что ждет их дисциплину дальше. В этом материале — о том, с какими вызовами столкнулись академические ИИ-ученые и почему у них все же есть повод для оптимизма.
Академия против frontier-лабораторий: GPU, закрытые модели и поиск независимых тем
Прошлая неделя выдалась странной: я сбежала из душного Сан-Франциско в Маунтин-Вью, где в конференц-зале отеля собрались лучшие умы в области ИИ. Это была встреча программы Schmidt Sciences AI2050 — инициативы Эрика и Уэнди Шмидт, которая поддерживает академических исследователей. Скажу честно, в кулуарах меня знали: в 2024 году я получила от этой организации премию за научную коммуникацию, так что заходить в гости было почти не страшно. Но атмосфера царила та ещё.
Академический ИИ сегодня напоминает игру, в которой ты смотришь на витрину, но внутрь магазина тебя не пускают. Передний край исследований окончательно съехал из университетов в частные компании — и дело даже не в талантах, а в железе. Вузы элементарно не могут позволить себе GPU, нужные для обучения и запуска frontier-моделей. Те самые GPU, на которых тренируются все модные нейросетки, стоят безбожно дорого, а университетские бюджеты на науку по сравнению с ними выглядят как карманные расходы какой-нибудь Anthropic. И даже если бы деньги вдруг нашлись, толку было бы немного: OpenAI и Anthropic держат свои модели под колпаком. Исследователи со стороны могут только стучаться в закрытую дверь и изучать поведение ChatGPT и Claude, но не их дизайн или обучение.
Ника Хахталаб из Беркли сформулировала это так: академический ИИ-учёный сегодня — как биолог, у которого частные компании отобрали контроль над CRISPR. Вроде бы можно наблюдать за результатами, но вмешаться в процесс, повлиять на то, как устроены инструменты, уже не получится. В такой ситуации поневоле начнёшь искать свои пути.
Программа AI2050 хоть немного спасает положение: стипендиаты могут потратить грант на покупку GPU, и многие из тех, с кем я успела поговорить, назвали это главным бонусом участия. Но всё равно денег не хватает, особенно после того, как в США режут федеральное научное финансирование. Даже тем, кто свои фермы не строит, приходится несладко: чтобы строго изучить коммерческие модели, нужно гонять их запросами, а каждый запрос к OpenAI, Anthropic или Google стоит копеечку. Если таких запросов много, сумма становится запретительной.
Отсюда — естественная стратегия: искать темы, которые технологическим гигантам просто не нужны. Анджали Филд из Университета Джонса Хопкинса говорит прямо: «Я стараюсь не работать над проблемами, которые, как мне кажется, решит технологическая компания». Они думают о прибыли, а не о науке ради науки. Филд недавно выяснила, что языковые модели дают более примитивные ответы на запросы, сформулированные в стиле, который чаще встречается у женщин. Очень сомневаюсь, что такой отчёт вышел бы из недр OpenAI или Anthropic. Зато для академической лаборатории — самая благодатная почва.
Не-LLM-исследователи и кадровый отток в индустрию
Пока одни академики бьются за право потрогать внутренности ChatGPT, другие вообще плевали на большие языковые модели. Речь о не-LLM ИИ — куда более скромном и практичном. Ученые строят специализированные нейросети, которые анализируют данные, предсказывают урожайность или симулируют физические процессы. Эти ребята не конкурируют с frontier-лабораториями — у них другие задачи и другие боли.
Нобелевский AlphaFold сдулся
Взять хотя бы Google DeepMind AlphaFold. Команда, которая с помощью ИИ научилась предсказывать структуру белков и получила за это Нобелевскую премию, в прошлом месяце была расформирована. Просто взяли и распустили. Видимо, в Google решили, что нобелевка — недостаточный повод, чтобы держать людей вместе.
А теперь представьте исследователя, который собирает специализированный ИИ для борьбы с изменением климата. Ему приходится оправдываться перед каждым, кто думает, что «ИИ» — это исключительно энергожрущие чат-боты. Пока по телевизору говорят о дата-центрах, которые сжирают электричество, бедняга пытается доказать, что его модель не усугубляет, а спасает планету. С таким пиаром не позавидуешь.
Индустрия высасывает кадры
Все это постепенно меняет академический ландшафт. Известные профессора один за другим берут отпуска и уходят в frontier-лаборатории. Другие — совмещают. Многие стипендиаты программы AI2050, например, уже висят на полставки где-нибудь в Anthropic или OpenAI. Академическая карьера превращается в подработку, а университеты теряют мозги.
ИИ-математики, медленная эмпирика и надежда на эффективность
Пока одни спорят о GPU и закрытых моделях, на горизонте возникла новая, куда более экзистенциальная угроза. За последние полгода модели OpenAI справились с несколькими настоящими исследовательскими задачами в математике — впору говорить о том, что ИИ-математика из экзотики превращается в реальность. И некоторые эксперты всерьез задумались: а останется ли человеку место в чистой математике? Одна из стипендиаток AI2050 призналась, что переживает за психическое здоровье коллег-математиков. Наблюдать, как алгоритмы штампуют доказательства, которые раньше требовали месяцев раздумий, — то еще испытание.
Впрочем, паниковать рано. Эмпирическая наука, в отличие от математики, вряд ли поддастся полной автоматизации: сбор данных — процесс принципиально медленный. Пока ИИ будет ждать, когда биолог вырастит клетки или физик дождется результатов эксперимента, у людей останется фору.
Тим Деттмерс из Carnegie Mellon, который как раз работает над повышением эффективности ИИ, вообще не видит в ИИ-ученых конкурентов. Наоборот, они могут сделать исследователей гораздо продуктивнее. Мечта Деттмерса — чтобы у него и коллег появилась возможность наконец реализовать все те дикие и вдохновляющие идеи, до которых вечно не доходили руки.
И здесь в игру вступает парадокс. Именно ограниченные ресурсы, мешающие университетам обучать frontier-модели, одновременно подталкивают ученых к разработке более компактных и эффективных алгоритмов, к поиску принципиально новых архитектур. Так что не стоит удивляться, если следующий большой прорыв в ИИ случится не в стенах техногиганта, а в скромной академической лаборатории. Я бы, например, нисколько не удивилась.
Было бы наивно ждать, что все проблемы решатся сами собой. Но встречи вроде AI2050 показывают: даже в самых сложных условиях находятся люди, способные думать нестандартно и находить возможности там, где другие видят только стены. Возможно, именно эта способность и станет главным конкурентным преимуществом академической науки.