Искусственный интеллект в науке: ожидания, барьеры и мировые тренды

Несмотря на то что более 90% российских ученых признают пользу генеративного искусственного интеллекта, его внедрение в науку сдерживают институциональные и личные барьеры. По данным Института статистических исследований и экономики знаний НИУ ВШЭ, главные препятствия — страх недостоверных результатов (45% организаций), нехватка кадров (36%) и дефицит вычислительных мощностей (33%). При этом глубина проникновения технологий сильно зависит от конкретной научной дисциплины, а подходы к преодолению этих барьеров в России и мире заметно отличаются.

Главные барьеры на уровне организаций

-—

Руководители институтов и университетов часто занимают выжидательную позицию. Исследования ВШЭ выделяют несколько ключевых причин такого торможения:

• Страх ошибок: 45% организаций, не использующих ИИ, боятся получить искаженные или неверные научные результаты.

• Кадровый голод: 36% руководителей заявляют о нехватке специалистов, которые умеют работать с умными алгоритмами.

• Технический дефицит: 33% говорят о нехватке мощных компьютеров и серверов, а 31% — о высоких финансовых затратах на внедрение.

Что мешает самим ученым?

-—

У исследователей, которые хотят использовать ИИ на практике, список трудностей выглядит иначе. Здесь на первый план выходят личные и операционные ограничения:

• Нехватка навыков: 57% исследователей отмечают дефицит специальных знаний.

• Дефицит времени: 50% ученых просто не успевают осваивать новые сложные инструменты параллельно с основными обязанностями.

• Проблемы с данными: качество, объем и высокая стоимость сбора нужных для обучения моделей данных сдерживают каждого пятого ученого.

Где умные алгоритмы нужнее всего: ИИ в разрезе дисциплин

-—

Исследования показывают, что ИИ проникает в науку неравномерно. Легче и быстрее всего алгоритмы приживаются там, где ученые работают со строгими, структурированными данными и цифровыми моделями.

Точные и технические науки

-—

• Математика и IT: компьютерные науки лидируют по разработке и внедрению алгоритмов. ИИ здесь применяется для автоматического доказательства теорем, оптимизации вычислений и написания программного кода.

• Физика и астрономия: ученые используют нейросети для симуляции физических процессов и анализа колоссальных объемов данных с телескопов и ускорителей частиц.

Естественные науки и медицина

-—

• Биоинформатика и генетика: алгоритмы совершают революцию в прогнозировании трехмерной структуры белков и расшифровке геномов.

• Фармакология: ИИ радикально сокращает время на поиск новых лекарственных соединений и скрининг химических библиотек.

• Медицина: алгоритмы компьютерного зрения активно применяются для анализа медицинских изображений (КТ, МРТ, рентген) и ранней диагностики заболеваний.

Гуманитарные и социальные науки

-—

• Лингвистика и история: в этих сферах ученые чаще используют ИИ как «умного помощника». Нейросети помогают распознавать архивные рукописи, переводить редкие языки и проводить контент-анализ тысяч исторических документов.

• Социология: алгоритмы применяются для разметки больших массивов качественных данных (например, текстов интервью или постов в соцсетях).

Как это делают у них: мировые практики интеграции ИИ

-—

Аналитики ИСИЭЗ НИУ ВШЭ внимательно изучают международный опыт, который показывает: ведущие научные державы давно ушли от стихийного использования нейросетей учеными-энтузиастами. Вместо этого они строят масштабные государственные стратегии по внедрению ИИ в академическую среду (концепция AI for Science), решая те самые проблемы с инфраструктурой, доверием и кадрами, с которыми столкнулась Россия.

США: Доступ к мощностям через национальную платформу

-—

Главный барьер для ученых — это дефицит «железа» и дороговизна вычислительных мощностей. Чтобы решить эту проблему, в США создали пилотный проект Национального ресурса для исследований в области ИИ (NAIRR). Это единая государственная экосистема, которая предоставляет академическим исследователям и стартапам бесплатный доступ к передовым суперкомпьютерам, коммерческим облачным сервисам и верифицированным базам данных. Государство берет на себя роль инфраструктурного инвестора, чтобы ученые не зависели от бюджетов коммерческих ИТ-гигантов.

Европейский союз: Безопасность и этические стандарты

-—

В Европе ключевой проблемой считают страх перед «галлюцинациями» ИИ и утечкой конфиденциальных данных. Стратегия ЕС строится вокруг жесткого регулирования и формирования доверия. Принятый «Акт об ИИ» жестко классифицирует риски применения алгоритмов. Для ученых создаются специальные регуляторные «песочницы» — безопасные цифровые зоны, где можно тестировать медицинские или социологические модели без риска нарушить закон. Основной упор здесь делают на концепцию «объяснимого ИИ» (XAI), когда ученый понимает, как именно алгоритм пришел к конкретному выводу.

Китай: Вертикальная интеграция и госплан

-—

Китайский подход отличается жесткой централизацией и объединением усилий науки и бизнеса. Задачи развития «ИИ для науки» официально зафиксированы в государственных планах. Правительство КНР стимулирует создание сквозных консорциумов: ведущие ИТ-корпорации (такие как Baidu, Tencent или Alibaba) предоставляют свои готовые большие модели и инженеров академическим институтам. В результате физики, химики и биологи получают готовые кастомизированные инструменты ИИ, разработанные специально под их дисциплины.

Великобритания: Новые междисциплинарные хабы

-—

Британцы сделали ставку на преодоление кадрового голода и нехватки цифровых компетенций у исследователей. Главным оператором этой стратегии выступает Институт Алана Тьюринга. В стране развернута сеть междисциплинарных исследовательских центров, где специалисты по Data Science работают бок о бок с медиками, историками и географами. Программы переподготовки и целевые гранты позволяют ученым нетехнических специальностей быстро осваивать ИИ-инструменты без отрыва от своей основной научной деятельности.

Выводы для России

Опыт зарубежных стран показывает: чтобы преодолеть кадровый и технический тупик, недостаточно просто рекомендовать ученым пользоваться нейросетями. Необходим переход от стихийного использования к системной поддержке. России предстоит решить две стратегические задачи: создать доступную ученым национальную инфраструктуру суперкомпьютеров (по примеру американской NAIRR) и массово внедрить курсы по ИИ на нетехнических факультетах вузов (по примеру британских программ).

Телеграм: t.me/ainewsline

Источник: vk.com

Комментарии: