OpenAI for Science vs Google DeepMind: стратегическая гонка за учёных и будущее AI в исследованиях

Почему OpenAI опоздала на научную вечеринку на пять лет

В ноябре 2025 года OpenAI анонсировала OpenAI for Science — новое подразделение, которое должно "ускорить научные открытия с помощью ИИ". Звучит впечатляюще, пока не понимаешь, что DeepMind занимается этим с 2020 года. И не просто занимается, а уже успел перевернуть структурную биологию с AlphaFold 3, запустить AlphaGeometry для математических доказательств и заключить государственные контракты на сотни миллионов.

Гонка за мозгами: кто кого переманивает

Открываешь LinkedIn — и видишь одно и то же. Биоинформатик из Стэнфорда, который пять лет работал над фолдингом белков, теперь в DeepMind. Физик-теоретик из MIT, специалист по квантовым вычислениям, — тоже в DeepMind. Математик из Кембриджа, который доказал несколько важных теорем, — снова DeepMind.

OpenAI пытается догнать, но работает по другой схеме. Вместо того чтобы нанимать учёных на постоянку, они создают "научные резидентуры" — временные программы на 6-12 месяцев. Учёный приходит, решает конкретную задачу с помощью GPT-5 или o1, публикует статью и уходит обратно в академию.

Инструменты против экосистемы

У OpenAI есть GPT-5 — самая мощная языковая модель на рынке. У них есть o1, которая решает математические задачи на уровне аспиранта MIT. У них даже есть DALL-E 4 для генерации научных иллюстраций. Но это всё инструменты. Отличные, мощные, но всё же инструменты.

У DeepMind есть экосистема. AlphaFold 3 не просто предсказывает структуру белка — она интегрирована в исследовательские пайплайны фармацевтических компаний. AlphaGeometry не просто решает задачи — она помогает математикам проверять доказательства. Их модели для климатических исследований работают с реальными данными от метеорологических служб.

Вот что происходит на практике. Биолог из Оксфорда получает доступ к AlphaFold через британскую государственную программу. Он загружает последовательность белка, получает структуру за секунды, публикует статью в Nature. Его коллега из Гарварда пытается сделать то же самое с GPT-5 — и тратит недели на промпт-инжиниринг, потому что модель не заточена под конкретную научную задачу.

Деньги, политика и доступ к данным

DeepMind играет в долгую игру с государствами. Их партнёрство с британским правительством — не просто PR. Это стратегический альянс, который даёт доступ к государственным данным, финансированию и, что важнее всего, легитимности. Когда твои инструменты используют в национальных исследовательских институтах, ты перестаёшь быть просто "технологической компанией". Ты становишься частью научной инфраструктуры страны.

OpenAI пока работает с отдельными лабораториями и университетами. Их модель — "давайте попробуем наш ИИ в вашем исследовании". Это хорошо для пилотных проектов, но плохо для масштабирования. Особенно когда конкуренты получают миллиардные контракты.

Проблема с открытостью (или её отсутствием)

DeepMind публикует свои научные работы. Иногда с задержкой, иногда не все детали, но публикует. AlphaFold 2 был открыт для исследователей. AlphaFold 3 — уже не совсем, но API доступен через партнёрские программы.

OpenAI for Science работает в своей традиционной парадигме: "мы покажем результаты, но не модель". Учёный получает доступ к GPT-5 через API, видит, что она решает его задачу, но не понимает, как именно. Для инженера это нормально. Для учёного — смертельно. Наука строится на воспроизводимости, а как воспроизвести результат, если не знаешь архитектуры модели?

Это создаёт интересный парадокс. DeepMind, часть Google — корпорации, известной своей закрытостью, — в науке ведёт себя более открыто, чем OpenAI, которая начинала как некоммерческая организация с миссией "открытого ИИ".

Геополитика научного ИИ

Пока OpenAI сосредоточена на США и Европе, DeepMind уже давно играет в глобальную игру. Их исследовательский центр в Сингапуре — не просто офис. Это стратегический плацдарм в Азии, где генерируется 60% мировых данных и учится 40% STEM-выпускников.

Азиатские учёные получают доступ к тем же инструментам, что и их западные коллеги, но с локальной адаптацией. Модели тренируются на азиатских данных, решают азиатские проблемы (от мониторинга загрязнения воздуха до прогнозирования муссонов), и самое главное — нанимают азиатских исследователей.

OpenAI только начинает задумываться об этом. Их японский офис открылся в 2024 году, но до полноценного научного хаба там ещё далеко. А время уходит — китайские компании вроде Moonshot AI уже строят свои научные команды.

Что будет дальше? Прогноз на 2026-2027

OpenAI for Science либо резко ускорится, либо станет маргинальным проектом. У них есть технологическое преимущество в виде GPT-5 и o1, но нет экосистемы. Решение? Партнёрство с крупным университетом уровня MIT или Стэнфорда. Не просто грант, а создание совместной лаборатории, где учёные и инженеры OpenAI будут работать бок о бок с академическими исследователями.

DeepMind продолжит расширять свою государственную программу. После успеха в Великобритании они пойдут в другие страны ЕС, возможно, в Канаду или Австралию. Их модель "ИИ как государственная услуга" оказалась чертовски эффективной.

Но есть и тёмная лошадка — открытые научные модели. Такие проекты, как Meta's OpenFold или независимые инициативы вроде EleutherAI, начинают догонять коммерческие решения. Если в 2027 году появится открытая модель уровня AlphaFold 2, но бесплатная и с полным кодом, игра изменится полностью.

Совет учёным в 2026 году: учитесь работать с обоими. GPT-5 — для генерации гипотез и анализа литературы. AlphaFold — для конкретных задач в биологии. И следите за открытыми проектами — там может быть будущее.