AI в науке сейчас развивается сразу в двух направлениях. С одной стороны, появляются всё более прикладные системы для фармы, медицины, проверки публикаций и подготовки данных. С другой — новые работы всё жёстче показывают, где у моделей заканчивается красивый интерфейс и начинается реальная научная сложность.

Фазовые диаграммы материалов стали жёстким тестом на научное понимание, а не на распознавание картинки

Авторы нового бенчмарка по фазовым диаграммам материалов собрали задачу вокруг одного из самых насыщенных научным смыслом типов изображений в материаловедении. Важный вывод неприятен, но полезен: современные мультимодальные модели пока в основном цепляются за поверхностные визуальные признаки и заметно уступают экспертам там, где нужно понимать термодинамику, переходы фаз и научный контекст.

Практический смысл в том, что для AI в материаловедении узкое место — уже не просто доступ к картинкам, а настоящее физическое рассуждение. Если модель не умеет уверенно читать такие диаграммы, то до полноценного помощника для поиска новых материалов ей ещё далеко.

Большие модели для ЭКГ не решили проблему редких сердечных заболеваний автоматически

Исследователи проверили девять крупных моделей для ЭКГ на синдроме Бругада — редком и клинически важном заболевании — и получили отрезвляющий результат. Предобучение помогает моделям лучше сходиться и даёт плюс на очень малом количестве данных, но не превращает их в надёжный инструмент для уверенного переноса знаний между клиниками: в режиме переноса без дополнительной подстройки качество местами оказалось близким к случайному.

Это важная новость для медицинского AI, потому что рынок любит обещание «большая модель уже всё знает». Работа показывает обратное: для редких диагнозов внешняя проверка, локальная настройка и осторожность с переносом между площадками остаются обязательными.

Переработка известных лекарств под меньшие побочные эффекты становится отдельной задачей для AI-соучёного

В этой работе AI предлагают не просто придумывать новые молекулы, а более приземлённо и полезно улучшать уже известные препараты так, чтобы ослабить конкретный побочный эффект и сохранить основное лечебное действие. Система опирается на биомедицинские графы знаний, связи между препаратами и побочными эффектами и примеры безопасной оптимизации, а человеческая проверка встроена в контур с самого начала.

Почему это интересно: в фарме особенно ценны не самые эффектные генерации, а решения, которые легче проверить и встроить в реальную разработку. Такой сдвиг от «изобрести всё заново» к «аккуратно улучшить уже понятное» может оказаться для отрасли практичнее и ближе к применению.

Подготовка научных данных к работе с AI начинает превращаться в масштабируемую инфраструктуру

Работа про автоматическую готовность данных описывает открытый конвейер, который переводит большие научные наборы данных из сырого состояния в формат, пригодный для моделей, с отслеживанием происхождения, оценкой готовности и автоматизацией публикации. Авторы показывают это на климатических, протеомных, материаловедческих и термоядерных данных, а для климатического случая отдельно демонстрируют почти идеальное масштабирование до 100 узлов суперкомпьютера Frontier.

Это важно потому, что в науке узким местом часто оказывается не сама модель, а месяцы ручной подготовки данных. Если такие этапы действительно удастся превратить в воспроизводимую инфраструктуру, то ускорение науки будет идти не только от новых моделей, но и от уменьшения огромной скрытой подготовительной работы.

Проверка научных результатов тоже становится задачей для агентных систем

Авторы системы для воспроизводимости предлагают контур, который извлекает ключевые утверждения из статьи, пытается повторить код и методику, исправляет возникающие проблемы и возвращает итоговую оценку воспроизводимости вместе с журналом всех вмешательств. Это особенно своевременно на фоне роста числа AI-ускоренных публикаций, где скорость создания результатов часто растёт быстрее, чем способность сообщества их перепроверять.

Если такие инструменты станут надёжнее, они могут быть полезны не только редакциям и рецензентам, но и самим лабораториям как внутренний слой контроля качества. Для науки это один из самых практичных сценариев AI: не только помогать делать новые результаты, но и жёстче проверять уже заявленные открытия.

В целом этот набор работ хорошо показывает текущее состояние AI в науке. Самые содержательные прорывы сейчас происходят там, где исследователи честно измеряют ограничения моделей, встраивают человека в контур и строят воспроизводимую инфраструктуру вокруг данных, проверки и прикладных научных задач.