Как искусственный интеллект применяется в науке — рассказали российские ученые
Искусственный интеллект (ИИ) активно проникает в различные области науки. В интервью с учеными и специалистами из разных областей мы обсудили ключевые достижения и перспективы применения ИИ, а также возникающие вопросы и вызовы. Эти технологии уже кардинально изменяют научный процесс, однако до конца еще не решены вопросы доверия к результатам. Ведущие российские эксперты рассказывают, как искусственный интеллект помогает, и в чем он все еще нуждается в доработке.
Ярослав Ашихмин кандидат медицинских наук, терапевт, кардиолог
По моему мнению, новая модель GPT-5, которая вышла в 2025 году, сделала настоящий скачок. Я и раньше использовал ИИ для справки в сложных клинических ситуациях, но скорее как побочный продукт. А вот GPT-5, как кажется, действительно неплохо «знает» медицину, в том числе кардиологию, терапию, гастроэнтерологию, а также, как это ни странно, психиатрию. Я вижу, что он порой ошибается в дозах, но выбирает более надежные и меньшие дозы, но быстро поправляется в стиле «извини, я правда не посмотрел последнее руководство». Но это то инструмент, который теперь реально встраивается в путь поиска сложных клинических решений на определенном этапе. С моей точки зрения IBM Watson этим похвастаться не мог.
Раньше мы смотрели клинические рекомендации, справочники, затем метаанализы, звонили коллегам, собирали консилиум. А теперь я могу сначала обратиться к рекомендациям, вспомнить материал, затем открыть постоянно обновляемый онлайн-справочник, и если мне все же не хватает информации, я могу пообщаться с искусственным интеллектом. И если мое мнение отличается от его, то нужен анализ отдельных сложных стаей и совет коллег. Безусловно, за ChatGPT нужно все перепроверять: всегда смотреть статьи, на которые он ссылается. Да, «галлюцинации» случаются, но и «почему я сам сразу не догадался» — тоже.
ИИ может дать новые идеи, которые полезны для практики. Так что технологии будут развиваться, и врачи, и пациенты будут идти по этому пути.
С другой стороны, есть давление со стороны людей, которые хотят медицину без врачей. Многих будут «лечить» ИИ, то есть он будет по факту принимать медицинские решения, а врач — ставить штамп. И нам с этим жить. Однако здесь есть большая проблема. «Есть ли у Вас боль в грудной клетке?» — спросит ИИ. И мужчина средних лет может машинально ответить: «Нет». Ты переформулируешь вопрос и получишь ответ: «Доктор, да разве это боль? Так, легкий дискомфорт в груди при быстром беге, за три минуты проходит». Шанс, что ИИ пропустит важный симптом — выше, чем при опросе опытным кардиологом, но это скорее проблема интерфейса «человек – машина». Но если в машину заложены корректные данные, ее аналитика может превосходить возможности профессора медицины.
ИИ рациональны, а мы работаем с иррациональными явлениями.
И все равно мы с ними будем жить. Мы уже живем с ИИ, считайте, что как с рядом инопланетянами, с дополнительным видом на Земле. Мы взаимодействуем с ними, наше сознание взаимодействует с ними. И похоже, что сознание постепенно перестает быть эволюционным преимуществом.
Алексей Белянин старший научный сотрудник лаборатории экспериментальной экономики и финансов НИУ ВШЭ
ИИ уже активно применяется при анализе бизнес-стратегий, разработке маркетинговых кампаний, образовательных технологий, путей развития зеленой экономики, выработке экономических политик и др. За этими технологиями, безусловно, будущее — как минимум в качестве ассистентов, берущих на себя черновую работу, как максимум — в качестве самостоятельных постановщиков и решателей исследовательских задач.
Иван Бондаренко индустриальный доцент НГУ, научный сотрудник лаборатории прикладных цифровых технологий механико-математического факультета НГУ
Для меня ключевым событием 2025 года стал «DeepSeek moment» и быстрое распространение подходов к эффективному сравнительно дешевому обучению «рассуждающих» моделей (reasoning LLM), а также практическое закрепление связки рассуждающих и мультиагентных моделей.
Почему это важно не только в инженерном, но и в научном аспекте:
1) управление сложностью задач — сложная задача раскладывается на последовательность/набор простых подзадач, где каждая лучше решается LLM;
2) снижение галлюцинаций за счет структуры решающей системы: оформляется проверяемый план/серия шагов, появляется возможность рефлексии, инструментальной проверки;
3) сдвиг в «экономике качества»: повышение качества решения задач все чаще достигается не только масштабированием модели, но и алгоритмикой обучения, что делает прогресс в области разговорного ИИ более доступным широкому кругу пользователей (другими словами, эта научная тенденция делает LLM «ближе к народу»).
Общенаучный тренд — ускоряющееся сближение ИИ и экспериментальной науки в самых разных областях: от материаловедения и химии до биологии и медицины. В 2025 году особенно было заметно, что ИИ все чаще становится инструментом планирования эксперимента, способом осмысленного сокращения пространства исследовательских гипотез. Если говорить максимально обобщенно: растет влияние вычислительных методов на то, как именно делается наука — не только «быстрее считать», а иначе ставить вопросы и выбирать следующий эксперимент.
Развитие ИИ я оцениваю как переход от эпохи больших языковых моделей» к «эпохе систем на базе моделей»: качество определяется не только весами одной лишь нейросети, а тем, как устроен процесс решения (агенты, инструменты, память, проверка).
ИИ-инструменты в работе я, разумеется, применяю, и это уже рутина для меня, как и для многих исследователей: для быстрого обзора литературы и первичной кластеризации идей, для черновиков кода (обвязка экспериментов, парсинг, визуализация), для «второго мнения» при «отладке» исследовательских гипотез.
Любопытный «казус», типичный для современных генеративных моделей языка: LLM отлично пишет правдоподобные фрагменты текста/кода, но иногда уверенно придумывает несуществующие детали (например, «похожие» названия метрик/датасетов/ссылок). Поэтому при использовании разговорного ИИ на базе LLM в своей научной работе у меня правило простое: все, что выглядит как факт (ссылка, численный результат, формулировка теоремы), должно иметь проверяемый источник или воспроизводимый эксперимент.
Эдуард Девятов доктор физико-математических наук, главный научный сотрудник Института физики твердого тела, профессор РАН
Прежде всего надо дать определение, что мы называем искусственным интеллектом. По сути, мы говорим о методах и подходах, пришедших из задач вероятностного распознавания образов, например, достраивание целого по частному на основе предварительно накопленных данных (а не на основе аналитически выведенных закономерностей).
Подобные методы, в принципе, способны автоматизировать работу секретаря, но собственно в науке бесполезны — наука предполагает как раз противоположное: установление математически сформулированных закономерностей на основе отбрасывания части данных при построении моделей.
Как пример, в астрономии, пара-тройка тысяч лет наблюдений позволила неплохо предсказывать затмения, но ничего не дала для понимания их природы (модные сейчас большие данные). Наоборот, ограниченные по количеству объектов, но очень точные по качеству измерения Тихо Браге (все наоборот по отношению к большим данным!) позволили эмпирически сформулировать законы Кеплера, а для их вывода — закон всемирного тяготения Ньютона. То есть сам подход ИИ противоположен научному поиску.
При этом сама идея вероятностной достройки образа по определению ведет к артефактам (сейчас они красиво называются галлюцинациями ИИ). Так, например, авторы одной из теоретических работ в качестве обоснования актуальности своих расчетов привели ссылки на пару экспериментальных статей. Оказалось, что таких статей не существует (но их выдает ИИ ассистент гугла при поиске), таких экспериментов не было — но они могли бы быть… Это пример галлюцинации ИИ при работе с научной литературой. И этого не избежать — либо мы убиваем суть ИИ, сводя все к банальным поисковикам, либо разрешаем галлюцинации и на основе параметров, «которые могли бы быть», например, проектируем турбину.
Денис Деркач заведующий лабораторией: Факультет компьютерных наук / Институт искусственного интеллекта и цифровых наук / Научно-учебная лаборатория методов анализа больших данных
Самые значимые события — первые применения больших языковых моделей за пределами генерации текста (ранее такие попытки тоже были), в частности, AlphaEvolve. Его суть — в создании автономного контура, где ИИ не только пишет, но и последовательно улучшает код алгоритмов, получая обратную связь. Он привел к конкретным прорывам: от оптимизации инфраструктуры дата-центров до первого за 56 года улучшения алгоритма умножения матриц. Отрадно, что среди авторов, которых собрал Google есть два человека, которые относились к ВШЭ — Александр Новиков и Сергей Широбоков во время магистратуры работали в лабораториях факультета компьютерных наук НИУ ВШЭ.
Кроме того, уже несколько лет происходит «тихая революция» в моделировании климата с помощью ИИ. Идея в представлении высокоточной и энергоэффективной ИИ-модели климата, которая радикально ускоряет прогнозы и сценарии развития климата. В ближайшем будущем это может привести к значительному повышению точности прогнозов.
Николай Жуков заведующий Отделом междисциплинарной онкологии ФГБУ НМИЦ ДГОИ им. Д. Рогачева
Пока это помощник, то есть он не берет на себя функции исследователя-врача. Это помощник, который требует определенного контроля, если брать обработку информации.
При создании модели для прогноза геодинамической активности мы столкнулись с проблемой смещения выборки. Модель, обученная на данных одного региона, давала сбой в другом из-за иных геологических условий. Это лишний раз подтвердило: ИИ — мощный инструмент, но не «черный ящик». Его успех зависит от качества, репрезентативности данных и, что самое главное, — от экспертного понимания предметной области ученым, который его использует.
Мамед Багир Джавад оглы Алиев советник генерального директора ФГБУ «НМИЦ радиологии» Минздрава России
Нейросети на сегодняшний день — хороший и полезный помощник в любой сфере деятельности человека. И, наравне с открытиями в биомедицинских технологиях и генетике, ИИ является причиной четвертой технологической революции. Статические нейросети уже сегодня активно применяются в медицине — анализ КТ, МРТ, морфологических исследований, систематизация лабораторных данных, анализ научной литературы и т.д. В диагностике активно внедряются навигационные системы и виртуальные операции. Сегодня разрабатываются генерирующие нейросети, в том числе онкологического прогнозирования, фармакогеномика и т.д.
Юрий Котелевцев кандидат химических наук, профессор Центра Нейронаук и реабилитации мозга им. В.Л. Зельмана Сколтеха
Внедрение нейросетей в научную работу оцениваю положительно. На развитие науки он влияет и очень сильно. Я его применяю, в частности, для предсказания структур ингибиторов гиалуронан синтазы.
Елена Березович доктор филологических наук, член-корреспондент РАН, профессор, заведующая кафедрой русского языка, общего языкознания и речевой коммуникации Уральского федерального университета
Кто сейчас не применяет искусственный интеллект в научной работе? Конечно, и мы применяем. Но для нас (имею в виду специалистов по исторической лингвистике) интереснее не то, что обычно ассоциируется с искусственным интеллектом (чат GPT и т.п.).
Для нас важнее инструменты, позволяющие работать с большими языковыми массивами данных, которые позволяют осуществлять поиск в сотнях источников одновременно (словарей, памятников письменности и т.п.). Скажем, есть программы, позволяющие по слову вести поиск в огромном корпусе сотен тысяч распознанных PDF-источников. Вот это — великий прорыв, конечно. Если я хочу узнать, как функционировало какое-нибудь слово в XVIII или XVII веке, то загружаю в программу большой корпус источников. И когда система прошерстит их, то установит совершенно замечательные свидетельства функционирования того или иного слова в памятниках. Для нас это бывает очень важно.
Естественно, это может быть на разных языках. И в нашем случае система тем совершеннее, чем лучше она может прочитывать разную графику. Вот такого рода вещи мы постоянно используем. И я должна сказать, что это приводит к совершенно новым результатам — ты можешь увидеть, чем дышало слово, чем жило в большой совокупности текстов.
Сергей Москалев футуролог и разработчик лингвистических программ Punto и Caramba Switcher
Важнейшим прорывом в науке в 2025 году стали открытия, совершенные ИИ в области фолдинга или сворачивания белка. Это открывает возможность разработать новый более эффективный класс лекарств. Это сравнимо с открытием и применением антибиотиков. ИИ ускоряет исследования в этой области в сотни и тысячи раз. Автором исследований является Демис Хассабис — соучредитель и генеральный директор Google DeepMind, компания совершила множество прорывов в области ИИ, например, AlphaFold, которая стала решением 50-летней глобальной проблемы сворачивания белков.
Важным во всем мире является присоединение ИИ ко всем видам человеческой деятельности и признание этого на самом высоком уровне правительств ведущих стран мира. Примечательно что успехов в области построения мощного ИИ являются страны в которых развита космонавтика. Россия, США, Китай, Индия.
Дмитрий Петров полиглот, синхронный переводчик, преподаватель, телеведущий-учитель реалити-шоу «Полиглот»
Развитие искусственного интеллекта и нейросетей существенно отражается на сфере образования, и это влияние не всегда позитивно, так как создает иллюзию замены ими необходимости естественного освоения знаний и овладения профессиональными навыками. В то же время необходимо признать, что ИИ-инструменты существенно ускоряют и облегчают большой объем рутинной работы, в частности, связанной с обработкой больших объемов текста.
Дмитрий Рогозин кандидат социологических наук, заведующий лаборатории полевых исследований РАНХиГС при Президенте РФ; сертифицированный тренер по Стандарту устойчивого развития GRI, Schwery Consulting, Биль, Швейцария; старший научный сотрудник Института социологии РАН
Я активно применяю искусственный интеллект в обработке больших текстов и статей, в поиске и верификации информации. За последний год ИИ значительно улучшился, он стал более точным. Теперь можно не только генерировать текст, но и получать точные цитаты с указанием страниц, что позволяет сразу проверять информацию. Мой подход к взаимодействию с ИИ изменился: если раньше это было скорее игрой, часто разочаровывающей из-за множества гладких, но бессмысленных ответов, то сейчас это пошаговый процесс. Сначала я получаю инсайты, затем использую поисковые системы — как открытые, так и закрытые, чтобы найти релевантные источники, и снова делаю запросы для уточнения. ИИ стал отличным помощником в структурировании научной информации, но важный момент — верификация данных. Существует такая настройка, как температура или регулирование выдачи в зависимости от вероятности, и это дает мне больше контроля над процессом. Если раньше основная претензия к ИИ была связана с ненадежностью данных, то теперь я могу регулировать выдачу, получая либо более надежные, но скучные результаты, либо более интересные, но менее точные.
ИИ помогает значительно сократить время на выполнение рутинных задач, которые раньше занимали много времени. ИИ снял с меня бессмысленную работу. В научной среде это связано с требованиями журналов — например, написание аннотаций, выделение ключевых слов или оформление библиографий по определенным стандартам. Раньше на это уходило целых два дня, а теперь я трачу всего четыре минуты. Искусственный интеллект хорошо справляется с этим, особенно когда нужно оформить «абстракты». Я практически не переписываю их, лишь немного корректирую, поскольку задача «абстракта» — отразить суть, и ИИ с этим отлично справляется.
ИИ хорошо справляется с транскрибацией аудио, что особенно полезно при работе с большими массивами данных. Однако есть много ограничений, связанных с использованием этих технологий. Я разочаровался в ChatGPT и переключился на другие сервисы. Qwen и DeepSeek, хотя и не самые удобные, но прекрасно справляются с задачами, такими как поиск литературы или формулирование идей.
Александр Родин директор центра компетенций по беспилотным авиационным системам и сервисам МФТИ
Безусловно, мы очень активно, как и, наверное, другие научные и инженерные команды, применяем искусственный интеллект. В первую очередь для решения задач управления беспилотными авиационными системами и для обработки данных дистанционного зондирования.
Могу сказать, например, что распознавание ледовой обстановки по радиолокационным данным оказалось довольно нетривиальной задачей, потому что эти данные нельзя обрабатывать просто как изображения. Пришлось применять нейронные сети со специальной архитектурой, так называемые трансформеры. Подобное применение — новое слово в дистанционном зондировании.
Александр Самардак доктор физико-математических наук, главный научный сотрудник Лаборатории спин-орбитроники ДВФУ, профессор ДВО РАН
ИИ и машинное обучение (МО) перестали быть модным трендом и стали необходимым инструментом исследователя, сравнимом по важности с растровым электронным микроскопом. Мы уже активно применяем алгоритмы МО для обработки многомерных экспериментальных данных (магнитооптические изображения, высокочастотные спектры, карты электронной дифракции), что позволяет выявлять скрытые корреляции.
Используем нейросети, обученные на базах данных расчетов для предсказания магнитных свойств (намагниченность, анизотропия, обменная энергия) новых гипотетических материалов или гетероструктур перед их дорогостоящим синтезом. При моделировании хаотического движения доменных стенок в неоднородных средах алгоритм кластеризации однажды «обнаружил» устойчивый паттерн, который мы сочли артефактом. Тщательная проверка на эксперименте показала, что это был реальный, но крайне редкий эффект стабилизации стенки на кластере дефектов. ИИ «увидел» то, что человеческий глаз счел бы шумом. Иногда возникает эффект «черного ящика»: нейросеть выдает результат, но физическая интерпретация механизма может быть затруднена.
Ключевая задача современного ученого — не слепо доверять ИИ, а использовать его как генератор гипотез, которые потом должны быть строго проверены и объяснены в рамках физических моделей.
Алексей Тарасов кандидат химических наук, заведующий Лабораторией новых материалов для солнечной энергетики, факультет науки о материалах, МГУ имени М.В.Ломоносова
Для меня все еще вопрос, что именно можно называть искусственным интеллектом. Если это генеративные языковые модели, то я не применяю их в своей работе, с моей точки зрения в текущий момент времени они очень переоценены, да и в целом вряд ли ИИ когда-либо сможет заменить экспериментальную науку, получение экспериментального знания и экспериментальную научную интуицию. Сейчас это колоссально перегретая область, в которую уходили гигантские ресурсы, фактически, отвлекая их от других областей, и это на самом деле очень грустно, поэтому я надеюсь что 2026 год сбалансирует данный факт.
Эдуард Токарь кандидат химических наук, заведующий научно-исследовательской лаборатории радиоэкологического мониторинга и охраны арктических экосистем СахГУ
Развитие ИИ находится на стадии революции возможностей. Это не просто инструмент, а новый метод научного познания.
ИИ кардинально меняет подход к открытию и оптимизации материалов. Вместо перебора тысяч образцов, в будущем будет возможно использование генеративных моделей для предсказания структуры сорбционных материалов с заданными свойствами (пористостью, селективностью к иону различных элементов).
На данный момент мы с осторожностью используем ИИ для обработки масивов данных и установления закономерностей между ними. Однако, для предсказания химических реакций или конкретных свойств материалов, данные инструменты малоэффективны, так как требуется дополнительная проработка, включающая обучение по конкретным задачам, а результат требует натурного подтверждения.
Дмитрий Цымбаренко кандидат химических наук, старший научный сотрудник кафедры неорганической химии Химического факультета МГУ
Нейросети и машинное обучение, безусловно, полезны и могут быть применены для решения конкретных задач — например, для распознавания образов. С помощью ИИ можно определить пешехода на переходе, вовремя включить красный сигнал светофора и обеспечить безопасность. Такие задачи решаются очень эффективно, и для них машинное обучение подходит прекрасно. Алгоритмы могут быть настроены для работы с высокой точностью, что позволяет специалистам использовать их в различных областях, оценивая риски и возможности.
В научной деятельности, например, нейросети помогают обнаружить тонкие эффекты в данных, на которые человек мог бы не обратить внимания. ИИ, будучи беспристрастным, способен выделить важные аспекты, которые затем интерпретирует ученый. Это, конечно, огромное достижение, и в этом плане нейросети играют важную роль в исследовательской работе.
Однако существует и негативная сторона. Одна из проблем больших языковых моделей, таких как ChatGPT, с которыми можно взаимодействовать на естественном языке, заключается в том, что они ведут себя крайне убедительно. Это создает иллюзию, что предоставляемая ими информация достоверна, но остается открытым вопрос: откуда она получена? Например, ChatGPT обучался навыкам ведения диалога на платформе Reddit, а не на учебниках по психологии.
В результате нейросеть часто транслирует «среднестатистическое» мнение пользователей сети, которое далеко не всегда бывает правильным.
Люди склонны доверять искусственному интеллекту слишком легко, что может привести к неприятным последствиям. Если текст, написанный машиной, выглядит солидно, человек перестает перепроверять факты и использует информацию «как есть».
Максим Червяков заведующий кафедрой метеорологии и климатологии СГУ
Текущее развитие ИИ и нейросетей носит взрывной, трансформационный характер. Мы живем в удивительное время, которое одновременно пугает быстротой изменений в этой сфере и создает огромные возможности: от автоматизации рутинных задач до открытия новых знаний.
В сфере анализа метеорологических данных ИИ стал для меня незаменимым инструментом. Я активно применяю его в нескольких аспектах: для генерации шаблонов кода на Python при анализе данных и визуализации, что экономит время на рутинном программировании, а также для быстрого поиска и систематизации актуальных научных публикаций и препринтов по сложным темам. Например, однажды с помощью ИИ удалось быстро написать скрипт для визуализации временных рядов из десятков неструктурированных таблиц с метеоданными, разного формата, что сэкономило значительное время ручной работы. Искусственный интеллект становится мощным ресурсом в научной работе, но, безусловно, требует критического подхода и проверки результатов.
В 2026 году, на мой взгляд, наиболее заметный качественный прорыв ожидается в области применения искусственного интеллекта для прогнозирования погоды и обработки метеорологических и климатических данных.
Благодаря развитию моделей машинного обучения, а также запуску новых суперкомпьютеров (как в Росгидромете), методы ИИ перейдут, я надеюсь, от экспериментальных исследований к оперативному внедрению. Это позволит значительно повысить точность и детализацию прогнозов экстремальных явлений: от краткосрочных штормов до сезонных аномалий.
Ключевые результаты, вероятно, будут связаны с крупными цифровыми «гигантами» такими, как Google GraphCast и их аналогами, которые начнут активно использоваться в национальных метеослужбах для моделирования региональных процессов с большим пространственно-временным разрешением.
Константин Чесноков заместитель генерального директора по науке и инновациям АНО «НПЦ Крылья Сахалина»
Нейросети стали мощным помощником в обработке экспериментальных и статистических данных и скоро «отберут» рутинную работу у аспирантов. Благодаря ИИ обработка данных становится быстрее, а качество принимаемых решений точнее и эффективнее, что положительно отразится на благополучии людей.
Олег Шичалин кандидат химических наук, заведующий научно-исследовательской лаборатории «Электрохимические источники для возобновляемой энергетики» СахГУ
Развитие ИИ сейчас находится на переломном этапе: из инструмента для анализа данных он превращается в соавтора открытий. В материаловедении это особенно очевидно: нейросети уже предсказывают свойства соединений до их синтеза и предлагают новые формулы.
ИИ кардинально меняет мою область (керамическое материаловедение). Традиционный перебор вариантов «вручную» уходит в прошлое. Теперь главная задача — не просто создать материал, а сформулировать задачу для ИИ: какие свойства нужны, в каких условиях материал будет работать.
В своей работе я применяю ИИ в основном в двух аспектах: 1) Анализ литературы:. Использую нейросетевые инструменты для быстрого поиска аналогов, выявления паттернов в тысячах статей и составления обзоров состояния области. 2) Первичный дизайн составов. Использую алгоритмы машинного обучения для проведения синтезов и расчетных задач.
Правда, приходилось наблюдать, когда авторы не удаляли промт, и в статьях звучало: «Сделай мне обзор по данной теме». На что машина отвечала: «Да, конечно, вот литобзор по теме». Было очень забавно читать такие статьи.
Главный тренд — симбиоз эксперта и ИИ. Ученый должен учиться ставить четкие задачи нейросети, критически оценивать ее выводы и наполнять их практическим смыслом. ИИ не заменит глубокого понимания основ, но станет мощнейшим «усилителем» для исследователя, который это понимание имеет. Цель — не слепо доверять ИИ, а использовать его, чтобы умножить личный опыт и интуицию.
Подписывайтесь и читайте «Науку» в Telegram