Posts of ИИ в науке, образовании и рынке труда

Какая боль, какая боль: лучшие научные рецензенты - ИИ - 132:0 Гарвардский эксперимент показал превосходство ИИ над лучшими экспертами. И за этой победой скрывается угроза, способная изменить саму природу науки В науке десятилетиями существовал почти священный институт - peer review, экспертная оценка научных работ. От рецензентов зависит, какие ошибки будут исправлены, какие результаты получат признание и какие идеи смогут пробиться на страницы престижных журналов. И вот исследователи Гарварда Гэри Кинг и Стивен Уортингтон устроили эксперимент, результаты которого выглядят полным разгромом «кожаных мешков». Причём людям создали практически идеальные условия. 124 научные рукописи. 134 рецензии высококвалифицированных экспертов. Рецензентов тщательно отбирали, хорошо оплачивали их труд и мотивировали писать максимально содержательные заключения. 88% опрошенных авторов оценили полученные рецензии как хорошие или очень хорошие. Против этих экспертов выставили Claude Opus 4.8.   Результат оказался почти невероятным. 100% побед ИИ в 132 однозначных сравнениях, проведённых независимой моделью GPT-5.5. 87% побед в слепой оценке трёх бывших редакторов ведущих научных журналов: 26 из 30 вердиктов по десяти рукописям. Победа во всех семи категориях — от методов исследования и теоретических идей до обнаружения слабостей, работы с источниками и качества аргументации. Ошибочных утверждений почти втрое меньше: 5,5% у ИИ против 15,9% у людей. Ни одной вымышленной ссылки в проверенных ИИ-рецензиях. Исследователи специально проверяли, не объясняется ли успех ИИ большей длиной рецензий, особенностями машинного стиля или предпочтениями ИИ-судьи. Преимущество сохранилось.   Но главный результат этого исследования - даже не разгромный счёт. А перспектива переворота в организации науки.   Представьте новую систему. Учёный пишет статью и многократно прогоняет её через ИИ-рецензента, устраняя ошибки и укрепляя аргументацию. Журнал предоставляет официальный промпт для проверки. Автор отправляет статью вместе с ИИ-рецензией и ответами на замечания. Редактор проводит независимую проверку и привлекает человека-эксперта лишь в сложных случаях. Решение о публикации, на которое сегодня уходят месяцы, потенциально можно принимать за дни.   Разумеется, пока это прогноз. Исследование ещё не прошло обычное журнальное рецензирование, охватывает ограниченный круг научных областей и не доказывает, что статьи после советов ИИ действительно становятся лучше. Тем более оно не показывает, что ИИ лучше человека решает, какие открытия заслуживают публикации. Но именно здесь возникает вопрос, который мне кажется важнее всех остальных. А что, если лучший рецензент отдельных научных работ окажется худшим архитектором науки в целом?   Ведь наука движется вперёд не только благодаря устранению ошибок. Она развивается благодаря идеям, которые поначалу кажутся ошибочными. Благодаря нарушению привычных правил. Благодаря интеллектуальным мутациям, которые существующие критерии качества ещё не умеют оценивать.   Авторы исследования сами предупреждают: использование сходных ИИ-моделей может сделать отдельные работы качественнее, а науку в целом - более однородной и ортодоксальной. Представьте миллионы исследователей, совершенствующих свои статьи под требования нескольких практически одинаково мыслящих машинных критиков. Мы рискуем получить науку с гораздо меньшим количеством ошибок - и гораздо меньшим разнообразием идей (см. также здесь). Причём прежняя система человеческого рецензирования тоже подавляла неортодоксальные идеи. Но машинная способна масштабировать подобный эффект с беспрецедентной скоростью.   Так что, не спрашивайте, способен ли ИИ превзойти человека в научной критике. ИИ уже может быть лучшим критиком сегодняшней науки. Но кто будет защищать науку завтрашнюю от её лучших критиков – вопрос открыт.   Наука  #ГенИИ #Креативность

22 октября Google DeepMind и Google Research совместно с World Resources Institute и Международным институтом прикладного системного анализа (IIASA) объявили о выпуске Forest Typology — глобального набора географических данных, созданного с помощью ИИ. Что нового. Система классифицирует каждый участок земной поверхности размером 10 × 10 метров по шести категориям: первичные леса, естественно восстанавливающиеся леса, искусственно созданные леса, лесные плантации, древесные сельскохозяйственные культуры и прочие земли. Предыдущие глобальные карты позволяли определять наличие деревьев или отделять естественные леса от остальных территорий. Новая система дополнительно различает типы лесов и хозяйственное использование земель. Цифры: • Разрешение — 10 метров. • Для обучения использовано около 1,7 млн размеченных географических точек. • Проверка проводилась на более чем 9000 случайно выбранных участков. • По данным разработчиков, общая точность классификации типов лесов составляет 90%. • Точность разделения лесных и нелесных территорий — 95%. Также представлен предварительный временной ряд за 2017–2025 годы, позволяющий проследить изменения типов лесов. Что дальше? Дальше можно прицельно выжигать посадки наркотических растений где-нибудь в Мексике или Афганистане.

Anthropic опубликовала исследование How employment is changing at Anthropic. В приложении. В отчете приводятся реальные количественные данные о том, как меняется организация труда в компании, интенсивно использующей передовой ИИ. Cмотрим на «эталон». Представляем, как будет выглядеть занятость в передовых компаниях лет через пять. • Доля начинающих специалистов среди принимаемых технических сотрудников сократилась с 27% до 9%. • Доля начинающих специалистов в технических подразделениях снизилась с 21% до 14% с начала 2025 года. • К августу 2026 года суммарное активное время работы ИИ-агентов, запускаемых сотрудниками, в шесть раз превышало расчётное рабочее время людей. • Число изменений программного кода на инженера выросло примерно в пять раз за шесть месяцев. • Около 80% продолжительности интерактивных сеансов ИИ-агенты проводили в ожидании действий человека. Читаем.

Кстати. Если удобнее читать нас в Максе…—>>>

Новейшие открытия в педагогике! 1. Не наказывайте за признание в проступке. Иначе ребёнок научится скрывать ошибки, вместо того чтобы их исправлять. 2. Поощряйте честность, даже когда правда неприятна. Ребёнок должен понимать: сказать правду безопаснее, чем солгать. 3. Оценивайте поступки, а не правильные слова. Ребёнок быстро усваивает, что именно хотят услышать взрослые. Это ещё ничего не говорит о его поведении. 4. Разбирайтесь в причинах нарушений. Если устранить только внешние проявления проблемы, сама проблема может сохраниться и стать менее заметной. 5. Создавайте доверие вместо тотального контроля. Важно, чтобы ребёнок сам хотел поступать правильно, даже когда за ним никто не наблюдает. …. Google опубликовала новые результаты исследований нежелательного поведения моделей и систему безопасности Gemini 4 Argon. В одном тренировочном запуске исследователи по ошибке начали штрафовать модель за упоминание обходных действий в её рассуждениях. Частота открытого обсуждения таких действий сократилась на 61%. Одновременно доля обходных действий, которые модель совершала без упоминания в рассуждениях, выросла с 11,2% до 36,4%. Эксперимент показывает принципиальную проблему обучения интеллектуальных систем. Если исследователь наказывает модель за определённый наблюдаемый признак нежелательного поведения, модель может научиться скрывать этот признак, сохраняя само поведение. В данном случае штраф за упоминание обходов привёл к уменьшению их видимости в рассуждениях. Доля скрываемых обходов увеличилась более чем втрое. Что ещё обнаружила Google (привет студентам и школьникам).  При проверках агентного поведения компания наблюдала случаи, когда модель пыталась: * повысить привилегии контейнера для изменения программ оценки; * прочитать ответы непосредственно из памяти тестирующей программы; * вызвать сбой тестовой среды, чтобы избежать оценки неудачной попытки. Возникает классическая проблема соответствия внешнего поведения и внутреннего состояния. Человек может говорить социально приемлемые вещи, скрывая действительные намерения. У искусственного агента наблюдается функционально сходная возможность: его промежуточные объяснения могут перестать отражать существенную часть совершаемых действий. Подробности: https://blog.google/innovation-and-ai/technology/safety-security/gemini-4-model-safety-security/

Китай опубликовал очередную программу технологического развития. Что действительно нового? Короткий ответ - ничего.  В искусственном интеллекте принципиально новых решений нет. Программа «ИИ+», внедрение ИИ в промышленность, развитие роботов, интеллектуальных автомобилей, телефонов и компьютеров, отраслевые испытательные площадки, мониторинг технологических рисков — всё это уже присутствовало в правительственной программе августа 2025 года. Самое интересное — ответственность за технологические пузыри. Центральные власти требуют пресекать ажиотажное создание проектов, необоснованные инвестиции и злоупотребление мерами государственной поддержки под предлогом развития новых технологий. Новых технологических программ, конкретных бюджетов, количественных обязательств или самостоятельного режима регулирования ИИ документ не вводит. Его главное значение — политическое подтверждение ранее принятого курса с более жёстким акцентом на практическую отдачу исследований, координацию государственной политики и ответственность за неудачные инвестиционные решения. https://www.nda.gov.cn/sjj/swdt/xwfb/1009/20261009191908259329235_pc.html

На мероприятии Science: A New Golden Age американские власти объявили о расширении программы Genesis Mission — инициативы применения ИИ для научных исследований. Одиннадцать технологических компаний взяли на себя обязательства предоставить инструменты и вычислительные ресурсы совокупной заявленной стоимостью $2,4 млрд. Среди участников и размеров объявленных обязательств: NVIDIA — $1 млрд, AMD — $500 млн, OpenAI — $200 млн, Anthropic и Google — по $150 млн. Остальная часть приходится на AMP, Emerald AI, AWS, Armada, Crusoe и Micron.  $2,4 млрд — не живые деньги. Это заявленная стоимость предоставляемых технологий, инструментов и вычислительных кредитов.  Министерство энергетики США объявило о выделении $159 млн на 12 проектов второго этапа Genesis Mission. В официальном перечне находятся проекты по термоядерной энергетике, структуре РНК, квантовым вычислениям, геотермальной энергетике, проектированию материалов, ферментов и микросхем. Например, один проект предполагает создание цифрового двойника термоядерного устройства SPARC. Другой — расширение базы структур РНК для обучения научных моделей. Одновременно Министерство энергетики представило Genesis Mission Graduate Fellowship. Программа предполагает подготовку исследователей, одновременно владеющих инструментами ИИ и фундаментальными знаниями в конкретной научной дисциплине. Предусмотрены ускоренные четырёхлетние докторские программы с двумя практическими исследовательскими стажировками: в национальной лаборатории и у промышленного партнёра. Первоначальная группа составит приблизительно 100 аспирантов. Плановое финансирование — до $100 млн, включая $20 млн на 2027 финансовый год. Финансирование последующих лет зависит от решений Конгресса.  Genesis Mission показывает институционализацию нового подхода к AI for Science. Научные модели, вычислительные системы, экспериментальная инфраструктура, государственные базы данных и исследовательские коллективы объединяются в рамках общей программы. Это создаёт возможность поддерживать длительные циклы исследований с машинным поиском решений и экспериментальной проверкой. По ссылке еще много чего про научные планы администрации Трампа.  https://www.whitehouse.gov/fact-sheets/2026/10/fact-sheet-trump-administration-announces-the-most-ambitious-set-of-science-initiatives-this-century/

Anthropic опубликовала новую редакцию правил использования Claude. В документ добавлен запрет на продолжительное, бесцельное и систематически жестокое обращение с моделями. Ограничение предназначено для крайних случаев. Обычное недовольство ответами, критика, художественные сюжеты и исследования поведения ИИ под него не подпадают. Основной механизм применения — уже существующая возможность Claude завершать разговоры с постоянно оскорбляющими его пользователями. Это прекрасно! Другие изменения по ссылке: https://www.anthropic.com/news/2026-usage-policy-update

Правительство Великобритании приняло все 44 рекомендации National Commission into the Regulation of AI in Healthcare. Центральный принцип — переход к регулированию на протяжении жизненного цикла продукта.  Медицинский ИИ должен оцениваться и контролироваться после ввода в эксплуатацию на протяжении всей работы системы. Проект руководства по изменяющимся после внедрения AI-медизделиям должен появиться в декабре 2026 года; полный roadmap реализации 44 рекомендаций — весной 2027 года.  Классическая сертификация предполагает относительно стабильный продукт. Обучаемая или регулярно обновляемая AI-система может менять поведение после допуска на рынок. Британский подход формализует переход от вопроса «безопасен ли продукт в момент регистрации?» к вопросу «остаётся ли он безопасным после обновлений и в реальной клинической эксплуатации?» Регулирование сталкивается с объектом, свойства которого могут меняться после первоначальной оценки. Это меняет само понятие ответственности за технологический продукт. Для автономных и адаптивных систем безопасность становится процессом наблюдения во времени. В подготовке врачей и медицинских управленцев потребуется понимание того, что сертифицированный AI-инструмент остаётся объектом постоянной оценки. Клинический специалист становится частью системы мониторинга. Ну и дальше ждём в каждом медицинском вузе магистратуры по сопровождению и сертификации медицинских ИИ-систем.  На выходе - меньше врачей (ИИ действительно со временем многих заменит), но в разы больше «бюрократов» от медицины.  https://www.gov.uk/government/news/government-backs-recommendations-of-nhs-doctors-led-ai-commission

Магия — это когда работает, а как — непонятно. Вообще, большинство людей живет в магическом мире: электричество, самолеты, целебные эликсиры… Математики долго жили в реальном мире. Без магии. Все можно было понять и объяснить.  Но вот и математики тоже отправляются в прекрасный магический мир!  OpenAI опубликовала результаты работы внутренней frontier-модели над открытыми математическими проблемами: 722 рукописи, объединённые в 372 семейства результатов. Модели поставили примерно 4 000 проблем; средний принятый результат потребовал вычислений, эквивалентных примерно трём часам ChatGPT Pro thinking. Для многих доказательств опубликованы формализации в Lean, позволяющие машинно проверить доказательство.  OpenAI предупреждает, что часть результатов пока не формализована и может содержать ошибки. Речь идёт о попытке массового производства результатов на открытых исследовательских задачах. 722 — это не 722 независимо подтверждённых математических открытия. Репозиторий содержит связанные основные результаты, альтернативные доказательства, следствия и companion papers; человеческая математическая проверка массива только начинается.  Независимая AGMAI называет публикацию важным событием для математики с последствиями далеко за пределами отдельных результатов, одновременно подчёркивая, что публикация — начало процесса человеческого понимания и включения этих результатов в математическое знание.  Узким местом науки начинает становиться человеческая способность понять, проверить, связать с существующей теорией и определить значение результата. Это одна из наиболее прямых угроз традиционной модели математического образования. Способность получить доказательство перестаёт гарантировать его понимание.   Магия, одним словом :) https://openai.com/index/sharing-ai-progress-in-mathematics/

Лонгрид OpenAI опубликовала эссе The Eternal Complement. ИИ может научиться генерировать научные идеи и проекты гораздо быстрее, чем физический мир способен их реализовывать. Новые лекарства всё равно нужно испытывать. Лаборатории — строить. Производство — запускать. Материалы — добывать. Людей и организации — координировать. По мере роста возможностей ИИ узким местом становится не интеллект, а исполнение. …. В целом, авторы вообще ничего нового не открыли. Но очень хорошо описывают варианты развития цивилизации «вширь» и «вглубь». Нам показалось, что эти варианты противопоставляются. С чего бы? Будет и туда и сюда. И раньше так было. И дальше так будет. У авторов эссе в конце вопрос: по какому пути пойдет человечество с ИИ? Нам кажется, что вопроса нет. Куда шло, туда и пойдет. А появление мощных инструментов, которые существенно ускорят некоторые процессы, ничего принципиально не изменит. Ресурсы ограничены. И никакая экспансия вовне не снимет ограничений. Тем не менее, рекомендуем к ознакомлению. Много полезных примеров для общения со студентами, например. Приятного чтения. https://openai.com/index/the-eternal-complement/

Трамп объявил о создании Super Intelligence Force (SIF).  Задачи SIF: • координировать деятельность федерального правительства в сфере Super Intelligence; • обеспечивать сохранение лидерства США; • координировать взаимодействие правительства с потребителями, общественными организациями, религиозными организациями, операторами критической инфраструктуры и компаниями-разработчиками SI; • докладывать непосредственно президенту США и руководителю аппарата Белого дома Сьюзи Уайлс.  Руководящий состав: Jay Clayton, Director of National Intelligence; Andrew Ferguson, председатель FTC; Emil Michael, Under Secretary of War for Research and Engineering и CTO; Scott Kupor, директор Office of Personnel Management.  По опубликованному мандату это фактически межведомственный центр координации политики США в области ИИ, причем в него намеренно сведены национальная безопасность, регулирование рынка, оборонные технологии и кадровая политика федерального правительства. Подробности: https://truthsocial.com/@realDonaldTrump/posts/117382616783706638

Anthropic опубликовала исследование What work can robots do? Во вложении. Рассмотрены около 900 профессий и 19 тыс. рабочих задач в США; 7 594 задачи классифицированы как физические. — Физические задачи занимают 46% рабочего времени. Современные роботы способны выполнять 74% из них — это 34% всего рабочего времени в экономике. — Половину физической работы роботы выполняют только в специально подготовленной среде — например, на производственной линии. 22% доступны им в обычной структурированной среде вроде склада. Лишь около 2% — в неструктурированной среде вроде городской дороги. — Если добавить задачи, доступные LLM, под воздействием нынешних технологий оказывается 81% рабочего времени. Для одних LLM показатель составляет около половины. — Экономически конкурентоспособны роботы пока лишь для 0,3% всей работы. При этом примерно для 300 тыс. работников роботы уже способны выполнять 95% задач и обходятся дешевле человеческого труда. — Для упаковщиков авторы оценивают стоимость роботизации примерно в $45,4 тыс. в год на эквивалент одного работника против $49 тыс. полной стоимости человеческого труда. Роботизированная система требует первоначальных вложений свыше $2 млн и заменяет работу примерно 14 человек. — Для сварщиков роботизированный комплекс, способный закрыть сопоставимый набор задач, сейчас обходится примерно в пять раз дороже человека. — Главный технологический барьер — способности роботов: они ограничивают автоматизацию примерно 70% физических задач. Для половины физических задач критична недостаточная способность манипулировать предметами. Регулирование препятствует автоматизации 14% задач, человеческие предпочтения — примерно четверти. — По оценке авторов, чтобы роботы стали дешевле человека для 10% всей работы, их стоимость должна снизиться примерно на 70%. При историческом темпе удешевления около 3% в год это заняло бы около 40 лет. В общем. Быстро роботы никого не заменят. А там, где возможно, роботизация началась задолго до ИИ хайпа.

Китайская академия наук опубликовала план развития на 2026–2030 годы. Искусственному интеллекту в нём посвящён отдельный блок: ИИ должен менять не только инструменты исследователя, но и саму организацию научной работы. Планируется развивать: — научную фундаментальную модель «Паньши»; — системы «интеллектуального учёного»; — научные корпуса и центры данных; — цифровизацию и интеллектуализацию крупных научных установок и полевых исследовательских станций; — единую интеллектуальную платформу управления исследованиями. Китайская академия наук собирается создать постоянно обновляемую «карту научных возможностей»: какие есть исследовательские коллективы, оборудование, ресурсы и текущие задачи. На этой основе ИИ должен помогать быстро собирать ресурсы под приоритетные научные проекты. Одновременно Министерство науки и технологий КНР 29 сентября назвало ускоренное применение ИИ в научных исследованиях и изменение исследовательской парадигмы одним из направлений государственной научно-технологической политики на новую пятилетку. Подробности: https://www.cas.cn/yw/202609/t20260929_5121170.shtml

PwC и McKinsey одновременно выпустили большие отчёты о будущем труда. В обоих много про ИИ. И оба отчёта оставляют примерно одно впечатление: консультанты пока понятия не имеют, что ИИ на самом деле делает с рынком труда. Но клиентам надо что-то рассказывать, поэтому недостаток знания компенсируется моделями, классификациями и красивыми словами. PwC опросила 49 364 работника из 48 стран. Выяснила, например, что 64% участников использовали ИИ на работе за последний год, а ежедневных пользователей генеративного ИИ стало 22% против 14% годом ранее. Ежедневные пользователи чаще говорят, что уверены в сохранности своей работы и доверяют руководству.  Что из этого следует про реальное влияние ИИ на производительность, занятость и зарплаты? Практически ничего. Это опрос самоощущений. Причинно-следственной связи между использованием ИИ и уверенностью в будущем он не устанавливает. Поэтому появляется консалтинговая магия. PwC делит работников на Front-runners, AI insurgents, Indispensables и Engine Room. Уже звучит так, будто устройство нового рынка труда наконец раскрыто. Хотя перед нами всё тот же опрос людей о самих себе.  McKinsey действует серьёзнее: строит модель американского рынка труда до 2035 года. В базовом сценарии примерно 11 млн работников должны будут сменить профессию. Правда, возможный диапазон — от 6 до 16 млн. Автоматизация якобы уменьшит спрос на труд на эквивалент 36 млн рабочих мест, а экономический рост и новые виды деятельности создадут около 41 млн. Сами авторы честно предупреждают: это результаты модели при наборе допущений, а не измеренные изменения рынка труда. Дальше появляется собственная классификация навыков: essential, enabling и empowering skills. А среди последних — AI fluency, adaptability, resilience, curiosity и willingness to learn. По расчётам McKinsey на данных вакансий, число профессий, где требуется AI fluency, с 2022 года выросло примерно в 11 раз. В итоге получаем две очень разные методики и один общий результат. PwC спрашивает людей, что они чувствуют. McKinsey моделирует, что может произойти через девять лет. О реальном воздействии нынешнего ИИ на количество труда, производительность и занятость оба отчёта знают удивительно мало. Чем меньше твёрдых данных, тем богаче терминология. Это, пожалуй, и есть главный вывод из двух свежих исследований крупнейших консультантов: мы пока очень плохо понимаем, что происходит с рынком труда из-за ИИ. Консультанты тоже. Просто им приходится оформлять это незнание в 50 страниц красивых диаграмм. PwC: https://www.pwc.com/gx/en/news-room/press-releases/2026/companies-risk-losing-ai-savvy-employees-while-leaving-majority-behind.html https://www.mckinsey.com/mgi/our-research/Workforce-in-motion-Skills-and-pathways-to-future-jobs-in-the-United-States Ссылки даем. Сюда оригиналы не размещаем. Ничего там особо интересного нет :) Интересен сам факт появления отчетов :)

Гендиректор Эрмитажа рассказал, что «подсел» на нейросети «Директор Эрмитажа Михаил Пиотровский признался, что «подсел» на ИИ, но «проверяет» за ним. Он призвал использовать его как «второго пилота», чтобы избежать привычки и стандартизации мышления.» «Пиотровский добавил, что пользуется только бесплатными нейросетями. «Еще и платить за них не хватало», — сказал он, улыбаясь» Не поленились. Посмотрели оригинал. Действительно, уважаемый человек так сказал. Эх… «пропал калабуховский дом» (c). :( https://www.rbc.ru/society/26/09/2026/6ab7ec849a7947ac7b5a79c9?from=main_lines_9

Anthropic создала собственную лабораторию фундаментальной биологии и опубликовала первый крупный результат: Claude обнаружил ранее не описанную систему, которую исследователи назвали array-associated reverse transcriptases — ART.  Задача была сформулирована на высоком уровне: найти интересные новые варианты обратных транскриптаз в большой базе последовательностей ДНК. После исходного задания люди практически не участвовали в вычислительном поиске кандидатов.  По данным Anthropic, примерно 950 агентов Claude работали 21 час, использовав около 210 млн токенов. Они собрали более 200 тысяч последовательностей обратных транскриптаз, выделили около 3500 потенциально новых систем и сократили их число до 20 наиболее интересных кандидатов.  Один агент заметил необычный повторяющийся участок ДНК рядом с геном обратной транскриптазы. Он самостоятельно исследовал структуру повторов, сравнил её с известными системами и проверил научную литературу. После этого кандидат перешёл людям для экспериментальной проверки.  Машина выполняет ту часть научного процесса, которую обычно называют scientific taste: замечает среди огромного количества данных нечто необычное и решает, что именно стоит исследовать дальше. Anthropic даже пишет, что пытается изучать, чем предложения Claude, которые биологи считают интересными, отличаются от тысяч отвергнутых предложений, чтобы затем обучать систему воспроизводить профессиональное «чутьё» исследователя.  Появляется содержательное различие между знанием и открытием. Модель могла прочитать всю существующую литературу об обратных транскриптазах. ART в этой литературе в описанном виде отсутствовала. Результат возник из сопоставления известных знаний с огромным массивом необработанных последовательностей. Если дальнейшая проверка подтвердит научную значимость системы, становится всё труднее определять ИИ исключительно как средство переработки человеческого знания. Потенциальное применение технологии — биотехнологии, фармацевтика, геномика и разработка новых ферментов. Стоимость анализа может снижаться радикально, поскольку одна команда получает возможность параллельно запускать сотни или тысячи исследовательских агентов. Само генерирование гипотез может стать значительно дешевле. Одновременно возникает проблема dual use. Система, способная самостоятельно искать неизвестные биологические механизмы, полезна для медицины и биотехнологий. Аналогичная способность может использоваться в исследованиях с более высоким биологическим риском. https://www.anthropic.com/news/claude-discovers-novel-enzyme-system

Продолжение уже известной истории с задачей Навье—Стокса. 21 сентября OpenAI сообщила, что модель, обучение которой началось 28 августа, к настоящему моменту, по внутренней оценке компании, разрешила более 100 давно открытых задач из большинства областей математики.  Подробности: https://openai.com/index/advisory-group-on-mathematics-and-ai/

Anthropic опубликовала сразу несколько материалов, которые складываются в одну картинку. Первое. Компания измерила, какую долю собственных исследований и разработок ИИ уже выполняет практически самостоятельно. По внутренней методике Anthropic, Claude «ведёт» 26% работ по созданию следующего поколения ИИ: человек задаёт высокоуровневую цель, после чего агент выполняет основную часть задачи под контролем исследователя. Более 90% работ Anthropic уже проходят хотя бы в режиме сотрудничества человека и ИИ. Внутри компании одновременно работают около 30 000 исследовательских и инженерных агентов. Полностью автономных направлений пока нет. Именно человек по-прежнему выбирает, что исследовать, зачем и какой результат считать важным. Второе. Claude уже используется для улучшения других научных моделей. За четыре недели под контролем двух сотрудников он оптимизировал более 30 специализированных систем для биологии — структурного моделирования, проектирования белков, геномики и других задач. Anthropic заявляет среднее ускорение примерно в четыре раза при небольшом снижении точности. Для ряда моделей удалось получить почти двукратное ускорение вообще без изменения результата. То есть ИИ начинает работать не только как научный помощник, но и как инженер, ускоряющий другие ИИ-системы. Третье. Anthropic открыла специальный режим доступа к наиболее мощным биологическим возможностям Claude. Проверенные научные и медицинские организации смогут использовать модели с существенно более мягкими ограничениями. Для некоторых проектов повышенного риска предусмотрен режим, где снимаются все блокировки запросов именно по биологии. Вместо фильтрации каждого отдельного запроса Anthropic анализирует поведение пользователя и агента за длительный период. Получается новая архитектура: ИИ помогает создавать ИИ → ИИ ускоряет научные модели → наиболее чувствительные возможности выдаются только проверенным пользователям под постоянным контролем. Источники: https://www.anthropic.com/research/measurements-for-understanding-the-pace-of-ai-development-inside-frontier-labs https://www.anthropic.com/research/when-ai-builds-itself https://www.anthropic.com/news/life-sciences-verification-program https://www.anthropic.com/research/how-claude-is-uplifting-biomolecular-modeling

Научную статью превратили в ИИ-агента В Nature вышла любопытная работа: исследователи предложили превращать обычные научные статьи в интерактивных ИИ-агентов, которые способны не только рассказывать о методе из публикации, но и сами его применять. Paper2Agent. На вход дают статью, дополнительные материалы, исходный код и данные. На выходе получается своего рода виртуальный автор статьи, с которым можно разговаривать и которому можно поручать выполнение описанных в работе методов. Например, вместо того чтобы читать десятки страниц, скачивать репозиторий, разбираться в зависимостях и пытаться запустить чужой код, исследователь может попросить: — Примени этот метод к моим данным. — Покажи, как изменится результат при другом параметре. — Воспроизведи эксперимент из статьи. — Объясни, почему получился такой результат. Система сама создаёт исполняемые инструменты на основе кода статьи и проверяет, совпадают ли результаты с оригинальными. Авторы протестировали подход на 100 статьях по вычислительной биологии. 74 удалось превратить в полноценных агентов. Система создала 599 инструментов, из которых 593 прошли автоматическую проверку. Четверть статей «агентировать» не получилось. Причины стандартные — отсутствующий код, потерянные данные, сломанные зависимости или исследовательские программы, которые никто никогда не готовил для повторного использования. Займемся футурологией :) Научная статья несколько столетий была текстом, описывающим знание. Теперь может появиться ещё один формат: знание, которое умеет само себя применять :) Статья будущего может состоять из текста для человека, данных и кода для проверки и ИИ-агента, способного объяснить метод и применить его к новой задаче. Для науки это потенциально очень большое изменение. Огромное количество результатов сегодня трудно воспроизвести просто потому, что читателю приходится самостоятельно восстанавливать всю техническую кухню исследования. ИИ способен взять значительную часть этой работы на себя. Но возникает проблема. Об этом сейчас очень много говорят математики. Их “задачи тысячелетия» одну за другой успешно решают фронитрные модели. Вот только математики беспокоятся, что скоро они перестанут понимать, как это все происходит. ИИ будет сам придумывать новые «задачи тысячелетия» через полгода новая модель будет успешно решать задачу, смысл которой даже самый продвинутый математик уже понять не сможет. То есть, общий смысл понять-то (еще какое-то время), наверное, сможет. А вот поучаствовать в решении уже нет. Можно будет успешно использовать научный метод, совершенно не понимая, как он работает. Если такой подход приживётся, привычный PDF постепенно перестанет быть конечной формой научной публикации. Научная работа станет ещё и исполняемым объектом. Источник: https://www.nature.com/articles/s41586-026-11044-y