В исследованиях на стыке науки и ИИ сегодня заметны две разные линии: одна показывает, где модели уже ускоряют реальные открытия, а другая напоминает, где ожидания пока опережают возможности. Ниже — две работы, которые хорошо это иллюстрируют.

Как ИИ помогает биологии и медицине выйти из тупика ручной разметки

Авторы обзорной работы разбирают одну из самых болезненных проблем биомедицинского ИИ: качественные данные есть, но для обучения моделей по-прежнему слишком часто нужна дорогая ручная разметка от специалистов. В статье показано, как методы обучения без готовых ответов и с минимальной разметкой начинают обходить это ограничение: модели учатся извлекать сигналы из снимков, изображений тканей и генетических последовательностей, чтобы находить новые признаки болезней, связывать внешний вид тканей с генетикой и замечать патологии без полного набора размеченных примеров.

Почему это важно: если такой подход будет устойчиво работать, медицина сможет быстрее использовать огромные массивы реальных данных, не упираясь каждый раз в дефицит экспертов и долгую подготовку наборов для обучения. Это один из самых практичных путей к тому, чтобы ИИ не просто анализировал уже хорошо описанные случаи, а помогал находить новое в плохо размеченной клинической реальности.

Насколько ИИ вообще способен предсказывать будущие научные открытия

Во второй работе исследователи задают более неудобный вопрос: может ли современный ИИ не только помогать с идеями, но и реально предсказывать, какие научные прорывы произойдут дальше и когда именно. Для этого они собрали набор из 4 760 научных событий и проверили, насколько убедительно модели умеют предлагать направления развития науки и угадывать сроки появления новых результатов. Вывод сдержанный: системы могут подсказывать правдоподобные идеи, но заметно ошибаются в прогнозах по времени и в целом плохо справляются с предсказанием того, какие открытия действительно случатся, особенно за пределами самой области ИИ.

Почему это важно: работа отрезвляет разговоры о том, что большие языковые модели скоро станут надежными навигаторами научной стратегии. Пока они скорее полезны как инструмент для выдвижения гипотез и обсуждения вариантов, чем как опора для серьезных ставок на направления исследований или сроки результатов.

Обе работы вместе дают полезную картину: ИИ уже может заметно помогать на прикладных участках научного процесса, особенно там, где нужно извлечь структуру из сложных данных, но доверять ему роль уверенного предсказателя будущих открытий пока рано.