Фото Qi Yang / Getty Images

С легкой руки великого математика, физика и астронома Карла Гаусса, математику уже почти два века называют царицей наук. В последние месяцы быстро нарастает беспокойство и самой царицы, и во всем научном царстве. Как это нынче принято, виной всему искусственный интеллект, который начал претендовать не только на роль помощника ученого, но и на роль источника (а то и автора) фундаментальных результатов. В итоге неожиданным критическим дефицитом новой науки (а в итоге и нового бизнеса) может оказаться способность людей проверить и понять полученные результаты, рассуждает директор по стратегическому маркетингу «Яндекса» Андрей Себрант

26 октября OpenAI объявила сразу о трех результатах, каждый из которых при подтверждении стал бы крупным научным событием. В области математического анализа были доказаны нескольких связанных гипотез, в теоретической информатике было предложено опровержение гипотезы экспоненциального времени ETH (важного предположения о пределах скорости решения вычислительных задач), а в теоретической физике было предоставлено математически строгое доказательство существования некоторых взаимодействующих квантовых теорий поля в четырех измерениях. Через несколько часов появился независимый результат Anthropic, тоже претендующий на опровержение гипотезы экспоненциального времени. Новейшие мощные модели ИИ добрались до оснований математики и физики — но к этому они последовательно шли весь год, вызывая волны возмущения (в первую очередь — математиков).

Однако осенью реакция научного сообщества ученых оказалась гораздо интереснее привычного спора между энтузиастами, полагающими, что ИИ обеспечит резкое ускорение прогресса многих наук, и скептиками, не верящими в то, что ИИ в принципе способен создавать воистину новое знание. Одни и те же исследователи признают масштаб достижений и одновременно возмущаются способом их публикации. Модели, похоже, научились производить результаты быстрее, чем научное сообщество успевает превращать их в знания. И именно этот факт, а не очередная сенсационная публикация, обозначает начало новой эпохи для науки.

Когда доказательство еще не означает понимания

Для человека, вплотную наукой не занимавшегося, фраза в подзаголовке звучит странно: как можно что-то надежно доказать, предварительно не поняв до конца? Утверждение «доказательство не означает понимания» действительно звучит парадоксально, если считать, что доказательство — это просто формальная логическая цепочка шагов. Но для ученых существует принципиальная разница между объективной корректностью доказательства и субъективным осознанием того, почему результат верен и что он означает для науки вокруг. Смысл и контекст важнее самого голого факта доказательства. Именно поэтому реакция научного сообщества выглядит как удивительная, но объяснимая смесь восторга и раздражения.

Нечеловеческая производительность ИИ породила новый для науки конфликт. После массовой (370 доказательств пачкой за раз без малейших объяснений или интерпретаций) публикации OpenAI математических результатов в начале октября один из ведущих математиков современности Теренс Тао раскритиковал ситуацию, в которой инициаторы ИИ-решения, публикующие полученное доказательство, сами не способны ни содержательно обсуждать полученный текст, ни объяснять его и уж тем более встраивать в развитие научной области. Тао не требовал запрета ИИ, как некоторые его радикальные коллеги, но настаивал на сохранении традиционной ценности научной работы: настоящее значение имеет понятное людям объяснение, развитие направлений и создание исследовательских сообществ, а не просто закрытие очередной задачи.

Такая постановка вопроса неявным образом предполагает торможение научного прогресса до той скорости, с которой его в состоянии осознавать и встраивать в картину мира люди-ученые. Это порождает интересные коллизии, которые хорошо иллюстрирует, например, состояние дел в метеорологии. Доказанная на практике эффективность ИИ-моделей в прогнозировании (в особенности — опасных природных явлений, типа тайфунов) создает необычную ситуацию: прогноз погоды — больше не дискутируемая строгая научная модель атмосферных процессов, а «черный ящик» в реально работающих процессах подготовки к чрезвычайным ситуациям, который нельзя пересмотреть или обсудить в рамках сугубо научной дискуссии.

Это новое для науки состояние: результат в некоторых ситуациях перестает быть полностью интерпретируемым, но при этом становится операционным. Это выгодно для практических применений, но ломает привычный механизм самокоррекции наукоемких внедрений. Споры вокруг ИИ сместились от обсуждения допустимости инструмента к формулировке новых правил науки, внутри которой этот инструмент буквально за год превратился во влиятельного участника.

Мы привыкли считать главным ограничением науки трудность получить ответ. Последние месяцы показывают другое возможное ограничение: ответов становится больше, чем мы умеем и успеваем осмыслять. И научным прорывом теперь может оказаться не только решение задачи, но и способ сделать это решение понятным, проверяемым и доступным всем.

Почему это важно для бизнеса и всех нас

Наш мир и бизнес в нем полны одновременно и продуктов на основе цифровых технологий, и наукоемких процессов в производстве. Именно в 2026 году ИИ радикально изменил как написание кода цифровых продуктов, так и метод получения новых научных результатов. За этот год наука и программный продукт сошлись в одной нетривиальной операционной точке: и то и другое производится машинами в разы быстрее, чем может быть проверено людьми. И в науке, и в разработке программных продуктов это привело к тому, что узкое место сместилось с создания нового к верификации получаемых результатов. В дефиците оказываются умения отличить работающее от правдоподобного и готовность брать ответственность за результат.

Происходящее, если внимательно к нему приглядеться, дает очень внятную и своевременную подсказку бизнесу (да и всем нам) — куда и как надо меняться, к чему готовиться и на что обратить внимание. Приведу три наиболее очевидных вывода.

• Дорогим становится понимание. Как следствие, меняется стоимость исследовательских операций и структура соответствующих подразделений — значит, меняются смысл и политика инвестиций в научные команды. Дефицит именно человеческого понимания начнет перестраивать бизнес-процессы и в других подразделениях.
• Операционное внедрение ИИ-научных результатов обгоняет регуляторную рамку и принципы ответственности. Регуляторы пока не описали, например, что должен доказать производитель созданного ИИ препарата, нет протоколов аудита ИИ-прогнозов и т.д. Компании, которые первыми выстроят внутренние контуры доверия, аудита и обратимости, получат премию за надежность, остальные — штрафы и отзывы.
• Ценность необратимо смещается от «производящих» ролей к кураторским: читать, проверять, отбирать, собирать смысл. Бизнес, который конкурирует объемом ИИ-продукции без собственного понятного контура смысла, в ближайшем будущем будет в выигрыше — но и терять начнет чем дальше, тем быстрее: рынок уже учится отличать массовую генерацию от надежного результата, и этот фильтр будет работать все сильнее.

Впрочем, все самое интересное и зачастую самое важное не лежит на поверхности. Поэтому не удивлюсь, если еще через год ставка на понимание как главное в работе с ИИ не сработает, ибо тоже окажется узким местом. Поэтому в по-настоящему продвинутой разработке ИИ уже передали и ревью кода, а не только его написание. И тогда на первые роли выйдет не способность понять, а умение и готовность повседневно работать с непостижимым и брать на себя ответственность за результаты такой работы.