Идеи и вычисления становятся дешёвыми и быстрыми. Дефицит сместился на физические эксперименты и сбор данных.
Искусственный интеллект экономит учёным часы работы, но это ускорение обнажило проблему. Исследование MIT FutureTech, Google и Google DeepMind показало: 43,5% опрошенных учёных заметили, что главное узкое место в исследованиях переместилось к экспериментам и сбору данных за последние два года. У 40,5% выросла очередь непроверенных гипотез. ИИ научился генерировать идеи и компьютерные прогнозы быстрее, чем физические лаборатории успевают их подтверждать.
Анализ основан на трёх источниках данных: 15 млн анонимизированных запросов к Gemini, каталог свыше 2600 специализированных ИИ-моделей для научных областей и опрос 637 исследователей из США и Великобритании. Публикацию «AI in Science: Early Insights» выпустили 16 сентября. Это исследовательский отчёт, а не рецензируемая статья.
Из 15 млн взаимодействий с Gemini выделили около 360 тыс. запросов, связанных с наукой. Анализ включал Gemini App, AI Mode и Gemini API, но исключил корпоративные данные. Результаты нельзя автоматически применять ко всем ИИ-системам и всем исследователям.
ИИ уже глубоко вошёл в рабочий процесс учёных. Почти 47% участников используют такие инструменты ежедневно, ещё 31% — еженедельно. Большие языковые модели часто помогают с анализом, программированием и подготовкой текстов. Специализированные системы берут на себя прогнозирование, классификацию и генерацию научных данных.
Главный результат — экономия времени. Почти 74% участников сказали, что ИИ сокращает длительность работы, только 6% отметили потерю времени. Средняя экономия — 6,9 часа в неделю. Учёные используют высвободившееся время на лабораторные эксперименты, сбор данных и более сложные задачи.
Но разные части исследовательского процесса ускоряются неравномерно. Физические эксперименты и сбор данных уже стали главным ограничением для 24% участников, в физических и инженерных науках эта доля достигает 30%. На анализ данных как на узкое место указали 21%. За два года у 43,5% исследователей узкое место переместилось дальше в исследовательском конвейере, у 42,4% остаётся примерно на месте, у 13,8% сдвинулось к ранним этапам.
Параллельно растёт запас непроверенных идей. У 40,5% учёных очередь таких гипотез увеличилась за три года, у 33,8% практически не изменилась, у 24,8% сократилась. Авторы не утверждают, что виноват именно ИИ, но обнаружили сильную корреляцию между его применением, смещением узких мест и ростом непроверенных гипотез.
Добавляется ещё один тормоз — проверка ответов самой модели. Среди учёных, которым ИИ экономит время, 89,3% тратят больше десятой части выигранных часов на проверку, отладку и контроль ответов. Около 46% уходит на это больше четверти сэкономленного времени. В науках о жизни затраты на верификацию особенно высоки.
Картина оказывается сложнее, чем просто «ИИ ускоряет науку». По опросу, 68% исследователей получили лучший доступ к знаниям соседних дисциплин, 67% взялись за более амбициозные вопросы, 65% расширили исследовательскую программу. Одновременно 49% сообщили, что ИИ подталкивает их к более безопасным задачам, где данных достаточно и процедура проверки ясна. Более рискованные направления выбирают 28%.
Авторы отмечают ограничения исследования. Опрос охватил только учёных США и Великобритании, активные пользователи ИИ охотнее соглашались участвовать. Выборка из 637 человек недостаточна для надёжных выводов по отдельным дисциплинам. Данные Gemini не отражают использование других коммерческих и открытых моделей. Это ранний снимок происходящих изменений, не окончательная оценка воздействия ИИ на мировую науку.
Главное открытие отчёта: дефицит смещается не на способность машины предложить гипотезу. Когда анализ, программирование и генерация идей дешевеют и ускоряются, узким местом становятся пробирки, приборы, образцы, клинические исследования и человеческая проверка. ИИ способен в секунды предложить следующий эксперимент, но провести эксперимент по-прежнему можно только в физическом мире.
