Когда ИИ перестает быть ассистентом и становится исследователем

Пока массовый рынок обсуждает искусственный интеллект в логике «напишет ли он письмо», «соберет ли презентацию» и «заменит ли часть офисных функций», самый важный сдвиг происходит в другом месте. ИИ также входит в роль исследовательского инструмента, который умеет не просто обрабатывать запрос, а сокращать пространство научного поиска, предлагать гипотезы и ускорять путь от идеи до эксперимента. Это уже видно и в международной фарме, и в материаловедении, и в инженерных задачах.

Именно здесь возникает по-настоящему большой экономический эффект. Если офисный ИИ в основном экономит часы, то исследовательский ИИ способен экономить месяцы и годы. Он не отменяет ученого, инженера или врача, а меняет структуру их работы: меньше времени уходит на перебор вариантов, больше — на проверку наиболее перспективных гипотез. В этом смысле самый интересный сценарий развития ИИ — не «машина вместо человека», а «машина как ускоритель научного и инженерного цикла».

Самый показательный международный кейс — Insilico Medicine. Компания стала одним из наиболее заметных примеров того, как генеративный ИИ может работать внутри поиска лекарств не как маркетинговая оболочка, а как часть реального контура исследований и разработок. По данным самой компании, в ее программе по идиопатическому легочному фиброзу путь от начала поиска новой мишени и молекулы до номинации доклинического кандидата занял чуть менее 18 месяцев, а старт первой фазы клинических исследований произошел менее чем через 30 месяцев от начала программы. В более широком портфеле 2021–2024 годов компания сообщала о среднем сроке 12–18 месяцев от старта программы до номинации доклинического кандидата, тогда как традиционный ранний этап поиска лекарств обычно занимает заметно больше времени.

Ключевое здесь даже не ускорение само по себе, а то, что этот подход дошел до клинической проверки. 3 июня 2025 года в журнале Nature Medicine была опубликована работа по rentosertib — ингибитору TNIK для идиопатического легочного фиброза, созданному с помощью ИИ. В статье описано рандомизированное исследование IIa фазы; авторы называют препарат первым в своем классе низкомолекулярным ингибитором, созданным с помощью генеративного ИИ, а мишень — первой в своем классе, обнаруженной с использованием генеративного ИИ. Для отрасли это важный рубеж: речь уже не о красивой демонстрации, а о клинически значимом подтверждении работоспособности подхода.

Для России главный вопрос не в том, чтобы повторять этот кейс буквально, а в том, чтобы увидеть собственную зону роста. И здесь, на мой взгляд, самая недооцененная тема — ИИ как исследователь в науке и инженерии, а не как универсальный офисный сервис. Причем сильные российские примеры уже есть, но они пока чаще рождаются в научно-университетской среде, чем в громких корпоративных историях.

Один из российских кейсов — работа Сколтеха, AIRI, Томского политеха и Сбера в области новых материалов. В статье в журнале npj Computational Materials команда показала подход, в котором гибрид графовых нейросетей и DFT-расчетов позволил предсказывать свойства в очень большом пространстве химических модификаций. Авторы прямо пишут, что смогли оценить термодинамические свойства массива примерно из 375 тысяч структурных конфигураций, используя результаты DFT-расчетов примерно для 200 структур. Затем наиболее перспективные варианты были проверены экспериментально; для Ta-допированного вольфрамового борида измеренная твердость оказалась выше, чем у контрольного образца. Это и есть роль ИИ-исследователя: резко сузить поисковое пространство и вывести эксперимент к более сильной гипотезе.

Есть и другой важный российский контур — ускоренный поиск материалов под управлением ИИ. Минобрнауки еще в 2021 году описывало проект Южного федерального университета, где ИИ используется в контуре создания новых материалов, а сами исследователи прямо говорили, что такие технологии меняют процесс открытия материалов и позволяют идти к результату за меньшее число шагов. Уже в более поздних материалах ЮФУ эта линия продолжается как стратегический проект полного цикла разработки функциональных материалов под контролем искусственного интеллекта.

Не менее показателен и биомедицинский трек. Минобрнауки сообщало о работе Института цитологии РАН и НМИЦ имени Алмазова, где исследователи разработали подход для поиска соединений, способных восстанавливать нарушения в генных регуляторных сетях при приобретенных пороках сердца. В сообщении министерства отдельно отмечалось, что доклинические испытания соединения XCT790 на мышах показали эффективность против кальцификации аортального клапана без существенных побочных эффектов. Это снова не про «цифрового ассистента для врача», а про ИИ как инструмент генерации и отбора биомедицинских гипотез на самой дорогой части цепочки.

На Западе заметно больше и публичных инженерных примеров. NASA прямо показывает использование проектирования с применением ИИ при создании аппаратных компонентов космических миссий. В материале агентства говорится, что такие эволюционно сгенерированные конструкции могут разрабатываться за час-два, давать экономию массы до двух третей по сравнению с традиционными компонентами и быстрее проходить путь до прототипа. Это не означает, что инженер исчезает; наоборот, это означает, что инженер получает новый класс инструмента — систему, которая перебирает формы и конфигурации быстрее, чем это делает человек вручную.

Именно поэтому я бы сформулировал главный тезис так: наименее освоенная территория для ИИ в России — научные и инженерные циклы, где нужно не отвечать, а искать. В открытом поле уже видны сильные примеры в материалах и биомедицине, но все еще сравнительно мало масштабных публичных кейсов из тяжелой инженерии, промышленного конструирования, двигателестроения, авиационно-космических исследований и разработок. И это скорее возможность, чем проблема.

Есть и более приземленный эффект, который уже ощущают пользователи и бизнес, — рост цен на оперативную память. По данным TrendForce, рынок DRAM в 2026 году вошел в так называемый «суперцикл»: спрос со стороны центров обработки данных для ИИ растет быстрее, чем производители успевают наращивать мощности. В результате значительная часть производства уходит под серверные решения и высокомаржинальную память вроде HBM, а выпуск обычной DRAM для ПК и потребительской электроники сокращается.

Это напрямую бьет по цене. Контракты на DRAM растут двузначными темпами, а в отдельных периодах рост доходит до резких скачков, потому что производители отдают приоритет крупным корпоративным заказчикам. В итоге для обычного рынка это выглядит просто: память дорожает не потому, что ее стало сложнее делать, а потому что ее стало банально не хватать — и в первую очередь из-за нагрузки со стороны ИИ-инфраструктуры.

На этом фоне особенно важны прорывы, которые сокращают требования к памяти. 24 марта 2026 года Google Research представил TurboQuant. Компания пишет, что технология позволяет уменьшить размер памяти типа «ключ—значение» как минимум в 6 раз на ряде задач с длинным контекстом и дает до 8 раз ускорения вычисления логитов механизма внимания в определенных сценариях на H100. Но здесь важна трезвая трактовка: речь идет не о «конце дорогой памяти вообще», а о существенной оптимизации одного из самых дорогих узких мест вывода модели.

Неудивительно, что рынок нервно отреагировал на такие заявления. Деловые медиа фиксировали распродажу акций компаний — производителей памяти после анонса TurboQuant, потому что инвесторы попытались переоценить будущий спрос на память для нагрузок, связанных с ИИ. Но даже это скорее показывает масштаб влияния темы, чем ее завершенность: одни алгоритмические улучшения не отменяют фундаментальный рост вычислений, а значит, не отменяют и инфраструктурную гонку.

Для российского бизнеса и технологической политики отсюда следует довольно простой вывод. Если смотреть на ИИ только как на инструмент снижения офисных издержек, можно получить локальный эффект, но пропустить стратегический. А стратегический эффект возникает там, где ИИ становится машиной исследовательского отбора — в фарме, химии, материалах, энергетике, медицине и дальше в инженерных системах. Именно там один удачный алгоритм экономит не час рабочего времени, а месяцы экспериментов, годы поиска и десятки миллионов на бесперспективных направлениях.

Поэтому следующий большой разговор об ИИ в России, на мой взгляд, должен идти не вокруг того, «заменит ли он офис». Куда интереснее смотреть на ИИ как на инструмент научного развития — как на систему, которая меняет сам процесс получения знаний. Потому что именно в этот момент искусственный интеллект перестает быть модным интерфейсом и становится частью производительных сил экономики.