Интеграция искусственного интеллекта уже создала потребность в систематической подготовке исследователей, способных объединять глубокие фундаментальные знания с передовыми методами машинного обучения. Обучение естествоиспытателей применению нейросетей представляет собой сложную и многогранную задачу. В этой статье мы рассмотрим, как развивается ИИ в научной сфере и какие изменения происходят в требованиях к компетенциям ученых, опираясь на мнения заместителя министра образования и науки Андрея Омельчука, представителей академического сообщества и экспертов IT-индустрии.
Искусственный Интеллект как Новая Норма в Научной Деятельности
Современный ИИ способен выполнять широкий спектр научных задач, от анализа данных и формирования гипотез до планирования экспериментов, значительно ускоряя исследовательский процесс – порой в десятки и сотни раз. Например, в 2022 году компания DeepMind успешно предсказала трехмерные структуры всех известных белков, что позволило фармацевтическим компаниям существенно нарастить темпы разработки новых медикаментов, включая антибиотики, устойчивые к резистентности бактерий.
Никита Казеев, сотрудник научной группы Константина Новоселова в Сингапурском университете и выпускник Школы анализа данных «Яндекса», отмечает, что методы машинного обучения используются в науке десятилетиями, с упоминаниями нейросетей в физике высоких энергий еще в 1988 году. Однако ключевое изменение последних лет — это экспоненциальный рост сферы применения нейросетей, позволяющий ИИ решать значительно более широкий круг задач.
В России также активно внедряются нейросети в научную сферу. Заместитель министра науки и высшего образования РФ Андрей Омельчук подчеркивает, что этому способствуют сильная математическая школа и высокий уровень подготовки специалистов в вузах. Крупные технологические компании выступают мощными катализаторами развития, тесно сотрудничая с академическим сообществом, предоставляя свой опыт, данные и вычислительные ресурсы.
Российские ученые в области машинного обучения и искусственного интеллекта внесли значительный вклад в систематизацию и анализ данных на Большом адронном коллайдере (БАК). В этих исследованиях активно участвовали выпускники и сотрудники Школы анализа данных «Яндекса» (ШАД) и их коллеги из лаборатории LAMBDA НИУ ВШЭ, демонстрируя эффективность ИИ в решении сложных научных проблем.
Руководитель ШАД Алексей Толстиков поясняет, что объем данных, генерируемых адронным коллайдером, достигает примерно 0,5 петабайта в секунду, что делает невозможным их полное сохранение и ручной анализ в течение многолетних экспериментов. В таких условиях ИИ становится незаменимым инструментом для обработки данных, позволяя выявлять и фиксировать критически важную информацию, отсеивая избыточную.
Обнаружение бозона Хиггса на БАК в 2012 году, гипотеза о существовании которого была выдвинута в 1960-х, стало возможным, в том числе, благодаря способностям ИИ отслеживать крайне редкие события.
Никита Казеев подчеркивает, что большие языковые модели (LLM) эффективно обрабатывают вопросы, ответы на которые уже содержатся в научной литературе, что способствует отсеиванию общеизвестных фактов и выявлению уникальных явлений.
Фёдор Ратников, руководитель исследований в лаборатории LAMBDA Института искусственного интеллекта НИУ ВШЭ, отмечает, что, хотя ИИ-технологии применяются в физике частиц почти полвека, качественный прорыв произошел с их использованием в экспериментах Большого адронного коллайдера. Сегодня физики активно внедряют передовые подходы ИИ, такие как графовые нейронные сети для описания связей между компонентами физических объектов, и суррогатные генеративные модели, значительно ускоряющие моделирование физических явлений.
Нейросети приносят пользу не только фундаментальной, но и прикладной науке, включая металлургию, разработку лекарств и материаловедение. В этих областях, как указывает Никита Казеев, ключевая задача часто сводится к оптимальному расположению атомов. Ученый поясняет, что отсутствие принципиальных ограничений для применения ИИ в этой сфере обусловлено тем, что атомы подчиняются законам квантовой механики, сформулированным столетие назад.
Заместитель министра науки и высшего образования РФ Андрей Омельчук подчеркивает, что результаты применения ИИ в прикладных науках уже ощутимы. Среди достижений — увеличение скорости и эффективности научных работ, ускоренный синтез металлических сплавов, сокращение времени подбора составов лекарств в фармацевтике на 50%, а также уменьшение анализа химических реакций с трех лет до нескольких часов.
Искусственный Интеллект как Единая Экосистема
В России осознание высокого потенциала ИИ для развития науки было закреплено на государственном уровне еще в 2019 году с утверждением Национальной стратегии развития ИИ, обновленной в 2024 году для актуализации задач и принципов. По словам Андрея Омельчука, Минобрнауки России активно разрабатывает нормативно-правовую базу для максимально эффективной поддержки внедрения ИИ в научную деятельность, включая создание специальной подкомиссии по искусственному интеллекту. Основная цель этой группы — обеспечить согласованность действий всех государственных органов, научных и инновационных организаций в формировании политики развития и поддержки ИИ-исследований, использования ИИ в науке и подготовки новых специалистов.
Конечной целью этой работы является формирование целостной экосистемы, охватывающей кадровые, инфраструктурные и образовательные компоненты, что, по мнению инициаторов, позволит добиться наиболее эффективного развития ИИ-технологий в России.
Дарья Козлова, директор по образованию «Яндекса», подчеркивает значительную роль крупных технологических компаний. Они обладают мощной инфраструктурой, обширной экспертизой и научной базой в области ИИ – от обработки больших данных до построения сложных моделей. Это сочетание позволяет им не только создавать собственные инновационные решения, но и эффективно обучать ученых применению ИИ для решения задач в их предметных областях.
«Экосистема ИИ функционирует наиболее эффективно при синхронизации науки, образования и индустрии. В «Яндексе» мы стремимся предоставить ученым возможность осваивать передовые подходы на базе ИИ, например, так называемую агентскую модель, в рамках которой исследователь создает и руководит командой «ИИ-ученых». Эти интеллектуальные агенты способны анализировать данные, выдвигать гипотезы и предлагать решения, в то время как ученый координирует их работу, подобно дирижеру оркестра. Такой подход открывает новые горизонты для науки, позволяя сосредоточиться на поиске нетрадиционных решений и постановке амбициозных задач. Мы убеждены, что это станет значительным шагом в развитии будущих исследований», — отмечает Козлова.
Государство активно поддерживает ИИ-исследования и разработку отраслевых решений через гранты; так, в 2025 году семь организаций, включая НИУ ВШЭ, Университет Иннополис, ИСП РАН, Университет ИТМО, МФТИ, Сколтех и МГУ, получили по 676 млн рублей. Развивается партнерство между вузами и технологическими гигантами: «Яндекс» и «Сбер» совместно с ведущими университетами (ИТМО, МФТИ, СПбГУ, НИУ ВШЭ, Университет Иннополис) реализуют бакалаврскую программу AI360, нацеленную на подготовку специалистов, способных создавать принципиально новые фундаментальные ИИ-модели. Также пример эффективной кооперации — МГУ и госкорпорация «Ростех», которые совместно создают учебно-исследовательские лаборатории и готовят специалистов по ИИ.
Трансформация Подготовки Научных Специалистов в Эпоху ИИ
Обучение исследователей работе с новыми технологиями сопряжено с определенными трудностями. Экспертам в области ИИ, как правило, обладающим математическим образованием, бывает непросто взаимодействовать со студентами естественно-научных специальностей, которые склонны мыслить образами, а не формулами. Федор Ратников подчеркивает: «Поэтому важно привлекать к обучению экспертов в области ИИ, которые сами имеют естественно-научное образование и способны объяснять материал на понятном студентам языке образов».
В связи с этим, университеты, находящиеся на стыке фундаментальной науки и высоких технологий, активно пересматривают учебные планы. Появляются новые специализации, охватывающие научное программирование, обработку больших данных, архитектуры нейронных сетей и математическое моделирование с применением ИИ, как, например, в Сколтехе и НИУ ВШЭ.
Вложения в разработку и внедрение новых методик обучения требуют значительных не только интеллектуальных, но и финансовых, а также технологических ресурсов. Именно поэтому в решение этой комплексной задачи активно вовлекаются крупные технологические компании, работающие в партнерстве с университетами. Совместные образовательные программы IT-гигантов и научных институтов запущены много лет назад, и с 2021 года их число увеличилось втрое. Это способствует появлению инновационных методик и инструментов, которые, при поддержке экспертов и ресурсов компаний, помогают студентам осваивать наиболее актуальные навыки.
Так, в августе ШАД объявила набор на новое направление — «Искусственный интеллект в естественно-научных исследованиях». Цель программы — обучить студентов использованию ML-методов и инструментов в физике, химии, биологии, экологии, медицине и геологии. Участники будут осваивать поиск закономерностей в больших массивах данных, автоматизацию обработки и генерации научных гипотез. Алексей Толстиков подчеркивает: «Необходимо отбрасывать наиболее известные наблюдения, искать крайне редкие события, фильтровать и исследовать их с помощью искусственного интеллекта. Это не заменяет традиционный научный метод, но очень сильно расширяет и обновляет инструментарий».
ШАД не ставит целью перепрофилирование специалистов естественно-научных дисциплин в полноценных IT-разработчиков. «Мы хотим, чтобы студенты оставались в своей основной области, становясь «исследователями со звездочкой» в экономике, медицине, биотехнологиях, радиофизике – то есть свободно ориентировались в AI-native среде, умели формулировать задачи и руководить научными лабораториями, применяя современные подходы. Это способствует адаптации российской науки к новым вызовам и ее интеграции в мировой научный процесс», — заключает эксперт.
