Запретное знание, которое утекает из аудиторий Принстона
В старом здании Файн-холла, где когда-то Эйнштейн читал лекции, теперь собираются люди с ноутбуками и недоступными для публики презентациями. Они приезжают из MIT, Кембриджа, CERN и даже из закрытых подразделений Google DeepMind. Формально - это "неформальный семинар по вычислительным методам в фундаментальной физике". Неформально - одно из немногих мест, где можно услышать, как ИИ действительно меняет науку, а не ту версию, что показывают в пресс-релизах.
Правила простые: никаких записей, никаких твитов, презентации не покидают комнату. Зато можно говорить прямо. О том, как модели типа GPT-4.5 (последняя версия на февраль 2026 года) генерируют "научный бред", который выглядит убедительно даже для рецензентов Nature. Или о том, почему системы вроде AlphaFold для всех? Как британские учёные прорвутся к frontier AI через бэкдор DeepMind вызывают одновременно восторг и ужас у биологов.
На закрытой сессии в январе 2026 физик из ЦЕРНа показал, как ИИ "предсказал" аномалию в данных Большого адронного коллайдера. Потом признался: модель просто воспроизвела статистический шум, но оформленный в красивую физическую теорию. Проверка заняла три месяца работы десяти человек.
Когда алгоритмы находят то, чего не существует
Проблема не в том, что ИИ ошибается. Проблема в том, что он ошибается убедительно. На той же встрече обсуждали кейс, когда нейросеть "нашла" закономерности в квантовых флуктуациях, которые потом оказались артефактами алгоритма сжатия данных. Статья уже ушла в рецензирование в Physical Review Letters.
"Мы создали инструмент, который умеет генерировать науку, но не умеет отличать науку от наукообразного текста", - сказал один из участников. Это та самая "вайб-физика", о которой мы писали ранее. Только теперь она проникает в рецензируемые журналы.
Хуже того: последние версии мультимодальных моделей (Gemini 2.5 Ultra, GPT-4.5 Vision) научились "видеть" закономерности в визуализациях данных. И находят их там, где их нет. Потому что обучены на красивых, чистых графиках из учебников, а не на реальных экспериментальных данных с шумом, артефактами и пропусками.
ИИ, который ломает уравнения
Есть и обратная сторона. Тот самый случай, когда ИИ нашёл сингулярности, которые математики искали 200 лет. На закрытой сессии по вычислительной математике показывали, как нейросеть за три дня решила задачу, над которой бились десятилетиями.
Но вот что интересно: алгоритм не "решил" уравнение в классическом смысле. Он нашёл паттерн в данных, который указывал на существование сингулярности. Математики потом два месяца перепроверяли, доказывали теоретически. И оказалось - ИИ был прав.
Это меняет всё. Не потому, что машины умнее людей. А потому, что они мысят иначе. Они не строят логических цепочек. Они ищут корреляции в многомерных пространствах. И иногда находят то, что человеческий мозг просто не способен увидеть.
| Область | Что сделал ИИ | Время решения | Человеческий аналог |
|---|---|---|---|
| Гидродинамика | Нашёл сингулярности в уравнениях Навье-Стокса | 3 дня | 200+ лет поисков |
| Астрофизика | Предсказал структуру тёмной материи в галактике | 2 недели | 10+ лет наблюдений |
| Биология | Спроектировал белок с заданными свойствами | 1 месяц | Годы лабораторных проб |
Гонка за учёными и её последствия
На встрече в Принстоне обсуждали не только технологии. Обсуждали людей. Тот самый стратегический передел научного сообщества, который происходит прямо сейчас.
OpenAI for Science переманивает лучших аспирантов из Стэнфорда и MIT, предлагая зарплаты в 3-4 раза выше академических. Google DeepMind создаёт "научные штурмовые группы" из физиков, биологов и математиков. А британское правительство, как мы писали, пытается купить приоритет в гонке AI for Science через специальные гранты и доступ к вычислительным ресурсам.
Результат? Молодые учёные уходят из академии в корпорации. Публикуют статьи под брендами компаний. А доступ к самым продвинутым инструментам вроде AlphaFold становится привилегией избранных. Тот самый вопрос о том, как обычные исследователи получат доступ к frontier AI, становится центральным.
Один профессор из Кембриджа на закрытой сессии сказал: "Мы создаём новую кастовую систему в науке. Есть те, у кого есть доступ к GPT-5 (когда он выйдет) и кластерам на 10 000 GPU. И есть все остальные".
Практические последствия, которые уже видны
Вот что действительно обсуждают в кулуарах, когда камеры выключены:
- Скорость публикаций выросла в 5-10 раз. Но качество... Тут мнения расходятся. Одни говорят, что ИИ помогает отсеивать мусор. Другие - что генерирует его ещё больше.
- Эксперименты становятся "умнее". ИИ планирует серии опытов, оптимизирует параметры в реальном времени. Как в том кейсе, где AlphaFold помог создать жароустойчивые культуры за месяцы вместо лет.
- Междисциплинарность стала нормой. Физики пишут код для биологов. Математики тренируют модели для химиков. И наоборот.
- Но есть и тёмная сторона: фундаментальная нестабильность ИИ-систем. Один и тот же алгоритм в разные дни даёт разные результаты. А в науке воспроизводимость - священная корова.
Будущее, которое уже наступило (но распределено неравномерно)
Самое интересное обсуждение было о долгосрочных последствиях. Не через 50 лет. Через 5.
Вот прогнозы из закрытой дискуссии:
- К 2028 году 80% статей по теоретической физике будут содержать результаты, полученные или проверенные ИИ. Не как инструмент - как соавтор.
- Появятся "ИИ-первооткрыватели" - системы, которые самостоятельно формулируют гипотезы, проверяют их на симуляциях и предлагают человеческим учёным для экспериментальной проверки.
- Научные журналы введут обязательную маркировку: "с использованием ИИ", "проверено ИИ", "сгенерировано ИИ". Будет скандал. Потом станет нормой.
- Возникнет новая этическая проблема: кто автор открытия, если гипотезу предложил ИИ, эксперимент спланировал ИИ, а человек только нажал кнопку "запуск"?
И самый спорный момент: что если ИИ начнёт делать открытия, которые люди не могут понять? Не технически не могут проверить. А принципиально не могут осмыслить. Как квантовая механика для кошки.
Что делать обычному исследователю в 2026 году
Советы из кулуарных разговоров (неофициальных, разумеется):
Не бойтесь ИИ. Но и не доверяйте слепо. Каждый результат, полученный с помощью нейросетей, проверяйте старыми добрыми методами. Да, это медленнее. Зато надёжнее.
Учитесь не столько программировать, сколько "разговаривать" с ИИ. Prompt engineering для учёных - это не про написание статей. Это про формулировку научных задач так, чтобы алгоритм понял, что от него хотят.
Следите за инструментами. Не за модными, а за теми, что реально работают. AlphaFold для белков. ИИ для анализа астрономических данных. Системы для предсказания свойств материалов. Но помните: каждый инструмент имеет свои ограничения. Как в том случае, когда AlphaFold разгадал 50-летнюю загадку белка - но только после того, как биологи правильно поставили задачу.
И главное: не пытайтесь конкурировать с ИИ в том, что он делает лучше. Ищите симбиоз. Ваша ценность не в том, чтобы быстрее всех перебрать миллион комбинаций. А в том, чтобы задать правильный вопрос. Потому что даже самая умная нейросеть не знает, чего она не знает.
А если хотите понять, куда это всё движется - посмотрите на биологический подход к изучению ИИ. Мы начинаем относиться к алгоритмам как к живым системам. Со своей экологией, эволюцией, патологиями. И это, возможно, самый важный сдвиг в мышлении.
Научный метод не умирает. Он эволюционирует. Просто теперь у нас появился новый инструмент. Очень мощный. Очень опасный. И очень красивый в своей сложности. Как микроскоп. Как телескоп. Как ускоритель частиц. Просто масштаб другой.
И да - следующий семинар в Принстоне будет в апреле. Приглашения разошлют избранным. Презентации останутся в комнате. Но идеи... Идеи уже вышли наружу. И меняют науку прямо сейчас.
