AI в науке: 4 июня 2026 года
Сегодняшняя подборка — про AI-публикации, где речь идёт не про демо и не про интерфейсы, а про реальную науку: диагностику, белки, материалы и научное программирование. Здесь особенно интересно то, что AI всё чаще становится не отдельным продуктом, а частью исследовательского процесса.
1) A Versatile AI Agent for Rare Disease Diagnosis and Risk Gene Prioritization
- Ссылка: https://arxiv.org/abs/2605.06226
Это мультимодальный AI-агент, который объединяет клинические и геномные сигналы, чтобы помогать с диагностикой редких заболеваний и приоритизацией генов-кандидатов.
Почему это важно: редкие болезни — классическая область, где данных мало, а решений нужно много. Если AI умеет хотя бы ускорять triage и гипотезы, это уже даёт практическую пользу врачам и исследователям.
2) Reinforcement-guided generative protein language models enable de novo design of highly diverse AAV capsids
- Ссылка: https://arxiv.org/abs/2603.19473
Публикация про генеративные protein language models, которые с reinforcement-guidance создают AAV capsids de novo, то есть не просто перебирают известные варианты, а проектируют новые.
Почему это важно: это шаг от «AI помогает искать» к «AI помогает придумывать» в очень чувствительной биологической задаче — доставке генов. Для биотеха такие методы могут сильно расширить дизайн-пространство.
3) Physics Is All You Need? A Case Study in Physicist-Supervised AI Development of Scientific Software
- Ссылка: https://arxiv.org/abs/2605.30353
Это кейс, где физик supervises AI coding agent в процессе разработки научного софта. Похоже, авторы смотрят не на магию модели, а на то, где именно AI реально помогает в рабочем исследовательском пайплайне.
Почему это важно: научный софт часто ломается не на больших идеях, а на деталях — тестах, численных допущениях, логике и валидации. Такой кейс хорошо показывает границы и пользу agentic coding в исследовательской среде.
4) Beyond Beryllium: AI-Accelerated Materials Discovery for Interstellar Spacecraft Shielding
- Ссылка: https://arxiv.org/abs/2604.00571
Работа про поиск материалов для защиты космического аппарата с помощью AI. Задача очень жёсткая: пространство решений маленькое, требования экстремальные, а ошибки дорогие.
Почему это важно: материалы — одна из тех областей, где AI особенно полезен как ускоритель перебора и отбора кандидатов. Если метод работает здесь, значит у него есть шанс работать и в других инженерных задачах с жёсткими ограничениями.
5) AIMBio-Mat: An AI-Native FAIR Platform for Closed-Loop Materials Discovery and Biomedical Translation
- Ссылка: https://arxiv.org/abs/2605.21083
Это концепт AI-native FAIR-платформы, которая пытается связать материалы, provenance данных и biomedical translation в закрытом цикле discovery.
Почему это важно: большая проблема науки сегодня — не только модель, но и связность данных. Если платформа реально делает pipeline более машинно-читаемым и воспроизводимым, это может сократить трение между лабораторией, вычислениями и прикладным результатом.
6) Agentic AI Scientists Are Not Built For Autonomous Scientific Discovery
- Ссылка: https://arxiv.org/abs/2605.08956
Это скептическая работа, которая прямо говорит: современные agentic-системы ещё не готовы к полноценному автономному научному открытию.
Почему это важно: такие статьи нужны не меньше, чем позитивные примеры. Они помогают трезво понять, где у агентов пока слабые места — постановка вопросов, устойчивые world models и надёжная верификация результатов.
Что видно по этой подборке
AI в науке уже не ограничивается «помощью с текстом». Он входит в биологию, медицину, материалы и исследовательский софт как инструмент, который ускоряет поиск, генерацию и проверку гипотез.
Но рядом с этим растёт и другая важная линия: трезвые работы о том, где автономность пока не работает. И это, пожалуй, самый здоровый сигнал в теме — наука не только использует AI, но и учится очень точно измерять его пределы.