Разрыв между теорией и практикой
Сегодня я загрузил в искусственный интеллект всю свою исследовательскую библиотеку. 6576 научных статей. Я задал вопрос, который мучительно обдумывал годами.
Отражают ли официальные словари, предназначенные для кодирования терминов моей области, то, как на самом деле думают практикующие специалисты?
Я занимаюсь зоонозным перескоком инфекций — тем, как болезни переходят от животных к человеку. Как и в большинстве научных дисциплин, у нас есть формальные онтологии — курируемые каталоги понятий, призванные навести порядок. Я подозревал, что они слишком поверхностны.
Поэтому я перестал спорить и решил провести тест.
Система проанализировала 490 из этих статей, посвященных именно перескоку и возникновению новых патогенов. Она извлекла причинно-следственные утверждения из текста, собрала словарный запас «снизу вверх» и сравнила его с официальным стандартом.
Разрыв оказался огромным.
Из 915 связей, многократно упоминаемых в литературе, у 864 не было аналогов в референсной схеме. 1200 концептуальных категорий присутствовали в моей небольшой выборке, но отсутствовали в формальных схемах. В основном это касалось экологических драйверов и экологии. Фактический рабочий язык лишь небольшой части моей области в четыре раза богаче официального.
Этот эксперимент обошелся мне в $26 с копейками.
Инструмент, а не модель
Это был пробный заезд Claude Science, который Anthropic запустила сегодня. Их цель? Сделать для лабораторных исследований то же, что Claude Code сделал для разработчиков программного обеспечения.
Это смелая ставка. Шесть месяцев назад Зубайр Джандали утверждал, что ИИ может помогать с цифровыми задачами в области наук о жизни. Сегодня фокус изменился: ИИ может выполнять саму работу.
Вот подвох. Claude Science — это не новая модель.
Anthropic открыто заявляет об этом. Система работает на базе Claude Opus 4. Тот же «двигатель», который арендуют все остальные. Никаких секретных весов. Никакого специального доступа. Интеллект идентичен.
То, что меняется, — это интерфейс (или «узды»).
В терминах ИИ интерфейс — это каркас. Он превращает универсальную модель в инструмент. Подключения к данным, выполнение кода, память, проверки безопасности. «Голый» модель может рассуждать о белке. Оснащенная интерфейсом модель получает структурные данные, сворачивает вариант белка на GPU-кластере, визуализирует результат и логирует каждый шаг для обеспечения воспроизводимости.
Claude Science представляет собой серьезный интерфейс.
- Она подключена к более чем шестидесяти научным базам данных.
- Встроены готовые навыки для геномики, химии и структурной биологии.
- Управление задачами происходит как на вашем ноутбуке, так и на арендованных облачных GPU.
- Каждый вывод сопровождается полным указанием происхождения: код, среда и история разговора упакованы для последующей регенерации результатов.
Делает ли это модель умнее?
Нет. Это делает её полезной. Что гораздо ценнее.
Вычислительный биолог мог бы собрать половину этого функционала самостоятельно, используя Claude Code и GitHub, потратив пару недель. Но это предполагает, что у каждой лаборатории есть ресурсы, чтобы создавать свой инструмент с нуля. Anthropic ставит на то, что кураторство важнее дублирования усилий. Превращение сырой вычислительной мощности в надежную науку.
Фармацевтика — первыми, остальное — позже
В демо-версии акцент был сделан на открытии новых лекарств.
По одному предложению в виде запроса Claude спланировала кампанию по стабилизации фермента, связанного с фенилкетонурией. Она просканировала 2200 молекул на 80 GPU. Сократила список до четырех кандидатов. Составила меморандум с рекомендацией «да/нет».
Затем она провела тот же процесс для 100 редких заболеваний одновременно.
«Зачем останавливаться на этом?» — спросил спикер. «Можно обработать 10 000».
Впечатляет? Да.
Молекулярно ограничено? Абсолютно.
Каждая база данных и партнерская модель ориентированы на фармацевтическую науку. Гены, белки, небольшие структуры. Там, где находятся деньги. OpenAI и Google целенаправленно работают в том же направлении.
Но остальная часть науки остается открытой.
Науки о Земле. Атмосферные данные. Экология. Социальные науки. Значительная часть эпидемиологии.
Ни одно из этих направлений не настроено на этапе запуска. Данные, на которых эти области опираются — записи о биоразнообразии из GBIF, климатический реанализ, данные переписи, дистанционное зондирование, — отсутствуют в начальных шестидесяти базах данных. «Сухая» лабораторная работа в полевой экологии и динамике популяций остается неиспользованной территорией.
Легко представить, как это могло бы работать.
Представьте интерфейс, направленный на изучение зоонозов. Он извлекает данные о встречаемости видов. Накладывает климатический реанализ. Подбирает модель распределения. Отмечает округа, где трансмиссивный патоген (переносящийся клещами) с высокой вероятностью начнет распространяться в следующем сезоне.
Составляет отчет для эпидемиологического надзора. Генерирует графики.
Сжимает недели рутинной сборки данных в один afternoon для департамента общественного здоровья. Интеллектуальный потенциал для этого уже существует. Не хватает только «проводки». Соединителей. Мой эксперимент за $26 — это небольшое доказательство концепции.
Суд, а не генерация
Технологии движутся быстро. Они ускорят все процессы.
Но они также четко показывают, где незаменимы человеческие ученые.
Когда генерация становится дешевой, суждение становится узким местом. Аудит, валидация, исправление. Это лимитирующие факторы для любой работы, проходящей через экран.
Это просто хорошая, добросовестная наука.
Claude Science поставляется с агентом «рецензентом», который-flagит плохие цитаты и несоответствующие цифры. На данный момент это та же модель, проверяющая свой собственный вывод, а не независимый оракул. Но направление кажется верным.
Реальная опасность — регресс к посредственности.
Модели, обученные на существующей литературе, отлично отражают эту литературу. Они «разговаривают сами с собой».
Но тот же инструмент, который отображает консенсус, может отображать и пробелы. Связи, которые никто не проверял. Концепции, которые используются повсюду, но нигде не определены.
Я потратил $26 на поиск границ уже написанного. А найти то, что еще не было воображено? Это задача посложнее.
И она выглядит единственной оставшейся проблемой, которую нужно решить.
