1. Компьютеры не способны распознавать изображения
В начале 2010-х годов компьютер мог только обработать фотографию по заданным правилам, но не определить изображение. Переломным стал 2012 год, когда нейросеть AlexNet показала более высокую точность в классификации фотографий из базы ImageNet.
Система была обучена примерно на 1,3 млн изображений и продемонстрировала, что глубокие нейронные сети способны самостоятельно выделять сложные визуальные признаки.
Этот результат стал одним из важных этапов развития современного компьютерного зрения. Позже похожие технологии начали использовать для распознавания лиц, медицинских изображений и объектов на видео.
2. Компьютеры не способны решать сложные математические задачи
ПК давно выполняют вычисления, подставляют значения в формулы и проверяют условия. Однако для сложных олимпиадных задач этого недостаточно. Они предполагают выбор подхода к решению, выстраивание цепочки рассуждений и поиск доказательства. Долгое время ни одна компьютерная система не могла справиться с такими действиями.
В 2024 году исследователи Google DeepMind представили AlphaGeometry — систему, способную самостоятельно находить решения сложных геометрических задач. Она строит последовательность логических шагов, необходимую для доказательства. В тесте из 30 задач Международной математической олимпиады нейросеть решила 25 за отведенное время. Это сравнимо со средними результатами золотых медалистов — 25,9 задачи.
3. Размер листьев растений всегда зависит от климата
В биологии существует хорошо известная закономерность: в теплых и влажных условиях растения чаще имеют крупные листья, а в холодном или сухом климате — более мелкие. Долгое время она рассматривалась как важный пример адаптации растений к окружающей среде.
В 2023 году ученые Австралийского института ботаники и Университета Нового Южного Уэльса использовали нейросети для анализа оцифрованных гербарных образцов. Алгоритмы автоматически находили листья и измеряли их площадь, после чего исследователи сопоставляли результаты с климатическими условиями.
Выяснилось, что правило работает не для всех растений одинаково. Наблюдение подтвердило связь размера листьев с температурой и количеством осадков, но внутри отдельных видов эта зависимость оказалась значительно слабее. Например, у клена остролистного размер листьев оказался сильнее связан с обменом генами между популяциями, чем непосредственно с расстоянием от экватора.
Так ИИ помог быстро обработать несколько тысяч образцов и обнаружить закономерность, которую было трудно увидеть при изучении отдельных видов.
4. После массового вымирания видов разнообразие жизни быстро восстанавливается
В 2020 году исследователи использовали машинное обучение для анализа более миллиона описаний окаменелостей, относящихся примерно к 170 тыс. видов. Полученные данные поставили под сомнение прямую связь между массовым вымиранием и последующим всплеском появления новых видов. А значит, после исчезновения большого числа организмов восстановление биоразнообразия может происходить не по единому сценарию.
В этом случае ИИ помог проверить распространенное предположение на масштабе, который сложно обработать вручную.
5. Отпечатки пальцев одного человека не похожи
Уникальность отпечатков пальцев считается одним из основополагающих принципов биометрии и криминалистики. Данные используются для идентификации людей, и вероятность совпадения двух отпечатков крайне мала. Однако это не означает, что отпечатки пальцев одного человека никак не связаны между собой.
Исследователи из Колумбийского университета обучили модель на десятках тысяч реальных образцов и обнаружили, что отпечатки разных пальцев одного человека имеют общие особенности. Традиционные методы сравнения в основном учитывали отдельные элементы рисунка, например, окончания и разветвления линий. Алгоритм же обнаружил другой признак: особенности кривизны и наклона завитков.
6. Структуру белка нельзя надежно определить по его последовательности
Последовательность аминокислот содержит информацию о том, как белок свернется. Но раньше вычислить итоговую пространственную форму было чрезвычайно трудно.
Система AlphaFold изменила представление о масштабах этой задачи. Она научилась с высокой точностью предсказывать структуры многих белков по их аминокислотным последовательностям. Разработчики AlphaFold Демис Хассабис и Джон Джампер в 2024 году получили Нобелевскую премию по химии за эту работу.
При этом AlphaFold не заменяет лабораторные эксперименты: предсказание остается моделью, а для многих задач необходимо практическое подтверждение. Однако технология показала, что вычислительные методы способны решать биологические задачи, которые долгое время считались недоступными для массового компьютерного анализа.
Как ИИ помогает научным исследованиям
Быстрее обрабатывает большие массивы данных. Алгоритмы могут за короткое время проанализировать миллионы изображений, описаний, измерений или научных публикаций.
Находит закономерности, которые трудно заметить человеку. Машинное обучение способно выявлять связи между множеством переменных, в том числе и неочевидные при традиционных методах анализа.
Помогает формулировать новые гипотезы. ИИ может обнаружить необычную зависимость и предложить направление для дальнейшего исследования.
Переносит часть работы из лаборатории в вычислительную среду. Вычислительные модели помогают науке еще до проведения новых экспериментов.
ИИ становится инструментом ускорения исследований, но окончательные выводы по-прежнему требуют проверки и интерпретации специалистов.