Искусственный интеллект уже экономит учёным часы работы, но ускорение создало новую проблему. В исследовании MIT FutureTech, Google и Google DeepMind 43,5% опрошенных учёных сообщили, что главное узкое место в работе за последние два года сместилось к более поздним этапам, включая эксперименты и сбор данных, а у 40,5% выросла очередь гипотез, которые ещё предстоит проверить. Авторы предполагают, что ИИ научился генерировать идеи и вычислительные прогнозы быстрее, чем физические лаборатории способны подтверждать их экспериментами.
Исследователи опубликовали работу «AI in Science: Early Insights» 16 сентября. Авторы объединили три массива данных: около 15 млн анонимизированных взаимодействий с Gemini, каталог более 2600 специализированных ИИ-моделей для разных научных дисциплин и опрос 637 исследователей из США и Великобритании. Работа представляет собой исследовательский отчёт, а не опубликованную в рецензируемом журнале экспериментальную статью.
Из 15 млн взаимодействий с Gemini исследователи после фильтрации выделили около 360 тыс. запросов, связанных непосредственно с научной работой. Анализ охватывал Gemini App, AI Mode и Gemini API. Корпоративные данные в выборку не вошли, поэтому результаты нельзя автоматически переносить на все ИИ-системы и всех исследователей.
Опрос показывает, насколько глубоко ИИ уже проник в рабочий процесс. Почти 47% участников сообщили, что пользуются ИИ ежедневно, ещё около 31% применяют такие инструменты еженедельно. Большие языковые модели чаще помогают с анализом, программированием и подготовкой текстов, а специализированные системы решают более узкие задачи, включая прогнозирование, классификацию и генерацию научных данных.
Главный выигрыш пока измеряется временем. Почти три четверти участников заявили, что ИИ сокращает продолжительность их работы, тогда как только 6% сообщили о чистой потере времени. Средняя экономия составила 6,9 часа в неделю. Учёные в основном вкладывают высвободившиеся часы обратно в исследования, лабораторные эксперименты, сбор данных и работу над более сложными задачами.
Но ускоряются разные части научного процесса с разной скоростью. Физические эксперименты и сбор данных уже назвали главным ограничением 24% участников опроса, а среди представителей физических и инженерных наук доля достигла 30%. Анализ данных занял второе место примерно с 21%. За два года у 43,5% исследователей узкое место сместилось дальше по исследовательскому конвейеру, у 42,4% осталось примерно там же и лишь у 13,8% переместилось к более ранним этапам работы.
Параллельно растёт запас идей, до которых не доходят руки. У 40,5% учёных очередь непроверенных гипотез увеличилась за три года, у 33,8% почти не изменилась, у 24,8% сократилась. Авторы не доказывают, что причиной стал именно ИИ, но обнаружили сильную положительную связь между интенсивностью его применения, смещением узких мест и ростом числа непроверенных гипотез.
Возникает и ещё один тормоз, проверка результатов самой модели. Среди учёных, которым ИИ экономит время, 89,3% тратят больше десятой части выигранных часов на проверку, отладку и фактчекинг ответов. Около 46% отдают такой проверке больше четверти сэкономленного времени. Особенно высокие затраты на верификацию авторы зафиксировали в науках о жизни.
Результаты показывают более сложную картину, чем простое «ИИ ускоряет науку». По данным опроса, 68% исследователей получили благодаря ИИ больше доступа к знаниям из соседних дисциплин, 67% стали браться за более амбициозные вопросы, а 65% расширили исследовательскую повестку. Одновременно 49% участников сообщили, что ИИ подталкивает их к более безопасным и постепенным задачам, где уже достаточно данных и понятна процедура проверки. Более рискованные направления стали выбирать 28%.
Авторы отдельно предупреждают об ограничениях работы. Опрос проводили среди исследователей США и Великобритании, причём активные пользователи ИИ могли охотнее соглашаться на участие. Выборка из 637 человек недостаточно велика для уверенных выводов по отдельным дисциплинам, а данные Gemini не отражают использование других коммерческих и открытых моделей. Поэтому исследование показывает ранний срез происходящих изменений, а не окончательную оценку влияния ИИ на мировую науку.
Главный вывод отчёта касается уже не способности машины предложить новую гипотезу. По мере того как анализ, программирование и генерация идей дешевеют и ускоряются, дефицит перемещается туда, где остаются пробирки, приборы, образцы, клинические исследования и человеческая проверка. ИИ способен за секунды предложить следующий эксперимент, но провести такой эксперимент по-прежнему приходится в физическом мире.
