Почему эта страница читается иначе
Большая часть этого руководства построена вокруг неопределённости, опасности и честных пробелов в том, что можно проверить. Эта страница другая: она собирает результаты научных достижений на основе ИИ, которые датированы, проверяемы и в одном случае уже отмечены Нобелевской премией — и всё же та же исследовательская программа, что дала этот удостоенный Нобелевской премии метод, произвела и формально исправленную статью в Nature, и диагностический инструмент, который отлично работал в лаборатории и споткнулся в реальной клинике. Удерживать оба факта одновременно — подлинное достижение и подлинное завышение заявлений, из одной и той же лаборатории, порой в один и тот же год — и есть смысл этой страницы, а не противоречие, которое нужно разрешить.
Всё, что описано ниже, касается узкого, специализированного под конкретную задачу машинного обучения, применённого к научной или медицинской проблеме, а не AGI. То, что некая будущая универсальная система ускорит всю науку разом, — это сценарий, рассмотренный на странице выгоды ИИ и издержки упущенных возможностей от промедления; эта же страница остаётся в рамках того, что уже выпущено, опубликовано или прошло экспертную рецензию.
Структуры белков решены: AlphaFold и Нобелевская премия 2024 года
Самый ясный случай — предсказание структуры белков. В октябре 2024 года Королевская шведская академия наук присудила Нобелевскую премию по химии совместно Демису Хассабису и Джону Джамперу из Google DeepMind «за предсказание структуры белков», а также Дэвиду Бейкеру из Университета Вашингтона — за компьютерное проектирование белков (NobelPrize.org, 9 октября 2024 года) — высшая награда в этой области, спустя четыре года после первых результатов AlphaFold2 в 2020 году, подтверждённая дисциплиной, которая все эти годы реально использовала инструмент: по сообщениям, более двух миллионов исследователей в 190 странах предсказали структуры практически для всех 200 миллионов известных белков с точностью, приближающейся к экспериментальным методам на сложных мишенях (Nature News, 9 октября 2024 года).
От структуры к лекарству: Isomorphic Labs, всё ещё в разработке
Работа DeepMind по сворачиванию белков породила Isomorphic Labs — компанию, созданную, чтобы перенести предсказание структур в область разработки лекарств. В январе 2024 года она заключила сделки с Eli Lilly и Novartis на общую сумму около 3 миллиардов долларов в потенциальных выплатах за достижение вех, нацеленные на «не поддающиеся лекарственному воздействию» мишени среди малых молекул (TechCrunch, 7 января 2024 года). К началу 2026 года во вторичных источниках сообщалось, что сотрудничество произвело несколько доклинических кандидатов — всё ещё за годы до клинических испытаний, не говоря уже об одобренном лекарстве. На момент написания этого текста ни одно лекарство из этого партнёрства не вошло в испытания на людях.
AlphaFold ускорил один этап в длинной цепочке; не было показано, что он ускоряет результат всей цепочки, измеряемый в одобренных терапиях, а не в выплатах за вехи. Страница выгоды ИИ и издержки упущенных возможностей от промедления проводит границу между измеренной выгодой и прогнозируемой — этот случай прямо относится к прогнозируемым.
Открытие материалов — и исправление, которое доказывает, что система работает
Самый поучительный случай здесь — материаловедение, именно потому, что история не осталась безупречной историей успеха. В ноябре 2023 года DeepMind опубликовала в Nature систему GNoME: она предсказала 2,2 миллиона кандидатных кристаллических структур, из которых около 381 000 были предсказаны как стабильные — примерно в 45 раз больше стабильных, но пока не реализованных соединений, чем весь предшествующий исторический рекорд вместе взятый (Merchant et al., Nature, 29 ноября 2023 года). Сопроводительная статья описывала автономную роботизированную лабораторию «A-Lab», которая использовала эти предсказания, чтобы синтезировать десятки новых материалов без участия человека — за семнадцать дней.
В 2024 году три независимых химика — Роберт Пэлгрейв (Университетский колледж Лондона), Лесли Шоп (Принстон) и Сьюзан Латтёрнер (Университет штата Флорида) — обнаружили, что примерно две трети «новых» соединений A-Lab на самом деле были уже известными структурами, ошибочно идентифицированными потому, что анализ рентгеновской дифракции в системе использовал сопоставление образцов на уровне новичка, а не тщательное уточнение по методу Ритвельда, которое применил бы обученный кристаллограф; многие из них уже значились в Неорганической базе данных кристаллических структур. 19 января 2026 года Nature опубликовала официальное авторское исправление, признающее, что заявления о новизне «подверглись неверной интерпретации» — новыми они были для собственного каталога платформы, но не обязательно новыми для науки.
Это не история о провале ИИ. Предсказания структур GNoME не оказались той частью, что была ошибочной; завышение заявления заключалось в том, как далее по цепочке определили слово «новый» — и это было выявлено и формально исправлено через обычную экспертную рецензию, спустя два года. Именно так система и должна работать: публикация в Nature — весомое доказательство, но не защищённое от исправления, а реальный статус утверждения — это то, что выдерживает проверку, а не то, что говорилось в пресс-релизе в неделю запуска.
Математика: AlphaProof на олимпиаде, вне зачёта
В июле 2024 года DeepMind объявила, что AlphaProof и AlphaGeometry 2 решили четыре из шести задач той годовой Международной математической олимпиады, набрав 28 из 42 баллов — уровень серебряной медали, впервые достигнутый системой ИИ (DeepMind, 25 июля 2024 года). Сама DeepMind раскрыла, что одна задача была решена за считаные минуты, а на другие ушло до трёх дней вычислений — стоит отметить, поскольку участники-люди решают те же шесть задач за две сессии по 4,5 часа. Это не было подано и не оценивалось как настоящая заявка на IMO и не прошло независимую экспертную рецензию как соревновательный результат; это тест, проведённый и честно подписанный самой компанией, а не заявление о том, что ИИ соперничает с математиками-олимпийцами в тех условиях, с которыми они реально сталкиваются.
Прогноз погоды: случай, который экспертная рецензия уже закрыла
Прогнозирование погоды — удобный контраст, потому что фактическая истина поступает ежедневно и её невозможно задним числом подогнать под нужный результат. GraphCast от DeepMind, опубликованная в Science в ноябре 2023 года, превзошла операционную модель HRES европейского метеорологического агентства по подавляющему большинству из тысяч оценённых комбинаций переменной и заблаговременности прогноза и выдаёт десятидневный глобальный прогноз менее чем за минуту на одном TPU (DeepMind, 14 ноября 2023 года). Прогнозы оцениваются против реальной погоды каждый день, так что это одна из самых сложных областей для завышения заявлений, и спустя годы результат не поблёк.
Медицина в регуляторном масштабе: допуски FDA множатся
Клинический ИИ перешёл из разряда новинки в рутинную регуляторную практику. В апреле 2018 года IDx-DR (ныне LumineticsCore) стала первой полностью автономной диагностической системой на основе ИИ, допущенной FDA в медицине, — разрешённой выявлять диабетическую ретинопатию без интерпретации врача, по итогам испытания на 900 пациентах, показавшего чувствительность 87,2% и специфичность 90,7% относительно оценки экспертов (npj Digital Medicine, 2018 год). Такие допуски теперь рутинны: число разрешений FDA на устройства с ИИ выросло примерно с 758 к концу 2024 года до 1039 к декабрю 2025 года, темп поднялся примерно с 21 до примерно 30 в месяц, лидируют GE HealthCare, Siemens Healthineers, Philips и Canon (The Imaging Wire, 11 марта 2026 года). Допуск — это реальный, проверяемый факт, но это не то же самое утверждение, что «этот инструмент хорошо работает в вашей больнице», а с этого момента начинается следующий раздел.
Разрыв между лабораторией и клиникой: что происходит, когда модель встречает реального пациента
Самый ясный документированный случай разрыва между подтверждённой точностью и реальностью развёртывания — система Google Health для диагностики диабетической ретинопатии, превысившая 90% чувствительности и специфичности в испытаниях. Развёрнутая в 11 клиниках Таиланда с ноября 2018 по август 2019 года, она отклонила примерно 21% из примерно 1940 изображений, поданных медсёстрами, как «не поддающиеся оценке» — по большей части из-за условий освещения, которые человек-читатель принял бы без второй мысли, — что нарушило рабочий процесс и удлинило визиты пациентов, часто проехавших часы пути ради обследования. Эта находка прошла экспертную рецензию на CHI 2020, ведущей конференции по взаимодействию человека и компьютера, и в своё время была освещена MIT Technology Review (MIT Technology Review, 27 апреля 2020 года). Более поздние обзоры ИИ в радиологии описывают это как повторяющийся паттерн: реальная производительность зависит от местного оборудования и рабочего процесса, а не только от показателя точности модели.
Другой допущенный FDA инструмент для диагностики инсульта, Viz.ai, демонстрирует этот разрыв иначе: систематический обзор и метаанализ, объединивший примерно дюжину исследований и более 15 000 пациентов, ускорил больничный рабочий процесс, но не дал статистически значимого улучшения тех клинических исходов, ради которых эти рабочие процессы существуют. Быстрее — не значит автоматически лучше.
Что этот паттерн говорит об остальной части сайта
Каждый случай выше произвёл один и тот же небольшой набор передовых лабораторий, который это руководство обсуждает и в других местах, — прежде всего Google DeepMind, чья исследовательская культура рассмотрена на странице чем отличаются подходы передовых лабораторий ИИ, а концентрация научного потенциала в горстке организаций — отдельная тема на странице концентрация власти: почему важны несколько лабораторий. Эта концентрация работает в обе стороны: именно поэтому одна программа может за два года накопить и Нобелевскую премию, и результат серебряной медали олимпиады, и исправленную статью в Nature, и именно поэтому подача этих заявлений сначала проходит через собственную пиар-службу лаборатории и лишь затем — через экспертную рецензию, которая ей не подотчётна.
Ничто из этого не довод в пользу того, чтобы отмахнуться от результатов. Нобелевская премия — не шумиха; десятидневный прогноз, выданный менее чем за минуту, — не шумиха. Но утверждение «ИИ ускоряет науку» верно так же, как верно большинство долговечных утверждений об этой технологии: неравномерно, с самыми ясными успехами в задачах, где есть чистая, проверяемая фактическая истина — свёрнутый белок, завтрашняя погода, измеренная стабильность кристалла, — и с устойчивым разрывом везде, где последний отрезок пути проходит через хаотичную клинику или непроверенный пресс-релиз. Дисциплина, которая выявила ошибку GNoME спустя два года, — это та самая дисциплина, которую эта страница просит читателей применять повсюду на остальной части сайта.