Наука с машинным соавтором: изменение самого процесса открытия
Искусственный интеллект давно использовался в науке как средство расчёта и анализа данных. В 2010-х годах государственные программы и открытые базы начали объединять вычисления, эксперименты и стандартизированные данные. Затем системы машинного обучения стали строить полезные предсказания в белковой биологии и материаловедении. Следующий этап возник, когда алгоритмы начали не только предлагать кандидаты, но и направлять роботизированный синтез, анализировать неудачи и формировать проверяемые гипотезы. История показывает переход от машины как инструмента отдельного вычисления к системе, участвующей в цикле открытия, но сохраняющей зависимость от эксперимента, экспертной проверки и воспроизводимости.
01
Администрация США объявила Materials Genome Initiative — межведомственную программу, призванную ускорить открытие, разработку и внедрение новых материалов. Инициатива предусматривала развитие вычислительных инструментов, методов характеризации, открытых стандартов и баз данных. Её логика отличалась от традиционной последовательности «сначала эксперимент, затем расчёт»: теория, моделирование, данные и лабораторная проверка должны были работать как связанная инфраструктура. Программа не создала автономного исследователя, но сформировала институциональную основу для будущих систем, способных предлагать материалы и направлять эксперименты.
Что это значит
Открытие стало рассматриваться как управляемый данными цикл, а не только как серия изолированных лабораторных опытов. Эта модель подготовила среду, в которой алгоритмы можно включать в выбор кандидатов, планирование измерений и накопление знаний о неудачных экспериментах.
