В научном ИИ сейчас всё заметнее разделение на две линии: одни команды пытаются понять, когда таким системам вообще можно доверять, а другие уже встраивают их в реальные исследовательские процессы. В этой подборке как раз видны обе стороны: методологическая осторожность и первые практические результаты.

1. Почему физика требует проверять ИИ ещё до громких открытий

Авторы обзорной работы утверждают, что для физики, астрофизики и космологии главный вопрос уже не в том, насколько хорошо модель что-то предсказывает, а в том, можно ли на её выводы опираться при заявлении о новом открытии. Они разбирают, почему в научных задачах обычной точности мало: выбор предпосылок, редкость данных и ограничения экспериментов делают ошибку особенно дорогой.

Это важная постановка вопроса, потому что она переводит разговор об ИИ для науки из плоскости «модель стала сильнее» в плоскость научного метода. Если такие системы начнут влиять на выводы о новой физике, без строгих процедур проверки это быстро превратится в фабрику красивых, но ненадёжных результатов.

Источник: arXiv

2. Новый набор задач показывает, где большие языковые модели слабы в науке

Во второй работе исследователи предлагают набор задач для научного анализа данных, который проверяет не только описание наблюдений, но и прогнозирование, причинные связи и попытки объяснить механизм явления. Проверка охватывает биологию, химию, экологию, географию и физику.

Главный вывод трезвый: современные модели ещё справляются с более простым описательным анализом, но заметно проседают там, где нужно выбирать корректные допущения, учитывать скрытые процессы и делать осмысленные выводы о механизмах. Для рынка это полезный сигнал: яркие демонстрации научного ИИ всё ещё не равны инструменту, которому можно доверить серьёзную исследовательскую работу без человека в контуре.

Источник: arXiv

3. Агентная система провела геномное исследование гипертонии на данных 286 тысяч человек

Третья работа выглядит самой практической. Авторы описывают управляемую исследовательскую систему, которая помогла провести полногеномное исследование ассоциаций гипертонии на клинических и генетических данных 286 422 человек, не выводя защищённые данные за пределы инфраструктуры учреждения. Система не ограничилась пересказом литературы: она участвовала в планировании выборки, запуске анализа, контроле качества и выявлении ошибок в фенотипах для последующей проверки людьми.

Особенно важно, что в итоге были воспроизведены известные локусы, связанные с гипертонией, включая FGF5 и ATP2B1. Это не выглядит как универсальный «учёный-автомат», но уже похоже на рабочий контур, в котором ИИ помогает делать реальную биомедицинскую работу в условиях приватности, регуляторных ограничений и обязательной человеческой проверки.

Источник: arXiv

Если коротко, научный ИИ одновременно взрослеет и отрезвляется: одни команды учатся измерять его реальные пределы, другие уже встраивают его в сложные исследовательские процессы — но почти все серьёзные результаты по-прежнему упираются не в магию модели, а в качество проверки.