В новых работах по ИИ для науки хорошо видно, куда движется поле: от автоматизации отдельных шагов к системам, которые пытаются вести себя ближе к настоящему исследователю — держать гипотезы, обновлять их по мере новых данных и выбирать, какой следующий эксперимент действительно стоит затрат. Ниже — пять свежих примеров.

Агенты для физики, которые умеют пересматривать собственные объяснения

Работа про так называемых сократических агентов предлагает не просто прогонять заранее заданный исследовательский конвейер, а спорить с текущими объяснениями и менять их, когда появляются новые данные. Для физики сложных многомерных систем это особенно важно: там мало просто подогнать параметры, гораздо важнее понять, когда исходная картина мира уже не выдерживает новых наблюдений.

Практический смысл в том, что такие системы становятся ближе не к оптимизатору, а к исследовательскому помощнику, который может обнаружить, что прежняя гипотеза была слишком грубой или вообще неверной. Если подход сработает за пределами демонстраций, ИИ в науке станет полезнее именно там, где физика запутанная и объяснение важнее красивой метрики.

BayesEvolve: явные состояния убеждений для автономных научных открытий

Авторы BayesEvolve предлагают, чтобы агент для научных открытий не просто помнил прошлые попытки, а вёл явное представление о том, какие гипотезы сейчас выглядят правдоподобнее, а какие — слабее. Это делает поведение системы менее хаотичным: она не просто перебирает варианты, а обновляет картину неопределённости после каждого нового шага.

Для науки это сильная идея, потому что реальные эксперименты дороги, а ошибочный следующий шаг стоит времени, денег и иногда доступа к редкому оборудованию. Если агент умеет лучше понимать, что именно он уже знает и в чём ещё сомневается, у него больше шансов тратить ресурсы на действительно полезные проверки.

Самостоятельное открытие теорем в формальной аксиоматической системе

Эта работа проверяет, может ли ИИ не только доказывать уже поставленные человеком задачи, но и самостоятельно находить новые содержательные теоремы внутри формальной математической системы. Это гораздо более строгая проверка научной и математической продуктивности, чем привычные тесты на решение заранее подготовленных задач.

Почему это важно: формальная математика даёт редкую среду, где новизну и корректность можно проверять очень жёстко. Если система действительно начинает открывать нетривиальные результаты сама, это уже сигнал не о хорошем натаскивании на бенчмарках, а о движении в сторону настоящей исследовательской полезности.

Автоматизированный когнитивный учёный для поиска психологических теорий

Авторы описывают систему, которая пытается не только подгонять модели под старые данные, но и предлагать новые психологические теории, а затем проектировать эксперименты для их проверки. Это переводит ИИ из роли инструмента для анализа архива в роль участника научного цикла, который помогает формулировать более удачные объяснения поведения.

Для психологии это особенно интересно, потому что здесь трудно отделить красивую историю от реально проверяемой теории. Если такие системы научатся предлагать гипотезы, которые выдерживают эксперимент, это может ускорить не только обработку данных, но и сам переход от наблюдений к более сильным объяснительным моделям.

Проверка клинических ИИ-систем на реальных вопросах врачей у постели пациента

В этой работе клинические ИИ-инструменты проверяют не только на учебных медицинских вопросах, но и на 620 реальных запросах, которые врачи задавали прямо в процессе оказания помощи, плюс на отдельном наборе более стандартных задач. Такой дизайн заметно полезнее привычных академических тестов, потому что лучше отражает реальную среду принятия решений.

Практическая ценность здесь очевидна: одно дело — высокий балл на условном экзамене, и совсем другое — помощь врачу в момент, когда нужно быстро понять риск, интерпретацию данных или следующий шаг. Если модель уверенно работает именно на таких запросах, это гораздо сильнее приближает ИИ к настоящему клиническому инструменту, а не к демонстрации для презентаций.

Источник по всем пунктам: arXiv