Данный материал — прямой ответ скептикам, считающим новости о роли ИИ в науке лишь маркетинговым шумом. Без конкретных примеров подобные заявления действительно могут напоминать слепую веру, но реальность оказывается куда содержательнее.
В феврале 2026 года компания Google опубликовала на портале arXiv масштабный препринт объемом 151 страницу. Над документом под названием «Accelerating Scientific Research with Gemini: Case Studies and Common Techniques» работали пятьдесят ученых из Гарварда, Массачусетского технологического института (MIT), EPFL и других ведущих мировых центров. Под скромным заголовком скрывается фундаментальный анализ того, как ИИ меняет методологию открытий.
В отличие от привычных бенчмарков, где модели соревнуются за доли процента точности, здесь исследователи описывают реальный опыт: как Gemini Deep Think находила решения задач, над которыми ученые бились месяцами, или указывала на теоремы из смежных областей, ранее не рассматривавшихся в контексте проблемы. Рассмотрим наиболее впечатляющие эпизоды.
Криптография: обнаружение фундаментальных изъянов
Одной из ключевых задач современной криптографии является построение SNARG (лаконичных неинтерактивных аргументов) на основе стандартных предположений. SNARG — это технология, позволяющая доказать корректность вычислений с минимальными затратами ресурсов на проверку. Без её аналогов (zk-SNARKs) масштабирование Ethereum и развитие Zero-Knowledge rollups было бы невозможным.
Большинство существующих решений опираются на «нефальсифицируемые» допущения, что напоминает строительство на песке. Поэтому препринт 2025 года от Гуаня и Йогева, обещавший построение SNARG исключительно на основе LWE (обучение с ошибками — фундамент постквантовой безопасности), вызвал настоящий фурор. Это было сродни обретению философского камня.
Специалисты Google решили проверить работу с помощью Gemini, используя протокол adversarial self-correction (состязательная самокоррекция). Вместо простого анализа текста модель прошла через пятиэтапный цикл: генерация рецензии, поиск собственных галлюцинаций, уточнение аргументов и финальная критика. В отличие от стандартных режимов рассуждения, здесь каждая фаза выполнялась отдельными итерациями.
Результат оказался ошеломляющим: ИИ нашел критическую ошибку в определении 4.1. Авторы работы требовали идеальной консистентности (perfect consistency), но предложенная ими конструкция в разделе 4.3 обеспечивала лишь статистическую точность. Эта «техническая деталь» позволяла злоумышленнику подобрать конкретные значения и полностью взломать систему безопасности. Независимые эксперты подтвердили правоту модели, и авторы оригинальной статьи были вынуждены официально признать наличие «дыры» в доказательстве.
Вычислительная геометрия: мост между дисциплинами
Картик Ч.С. из Ратгерского университета занимался гипотезой, связанной с деревьями Штейнера — поиском кратчайшего пути для соединения точек в пространстве с возможностью добавления промежуточных узлов. Задача является NP-трудной, и Картик годами пытался доказать, что в определенных условиях минимальную стоимость дает граф-звезда.
Когда условия задачи были загружены в Gemini, модель предложила два пути. Первый, основанный на локальных трансформациях, был тупиковым — ученые уже пробовали его ранее. Однако второй подход опирался на теорему Киршбрауна о продолжении липшицевых отображений (1934 год).
Для эксперта в вычислительной геометрии связь между функциональным анализом и деревьями Штейнера была неочевидной. Сначала модель даже засомневалась в уместности столь «тяжелой артиллерии», но после запроса исследователя на углубленный анализ выдала полное доказательство. ИИ продемонстрировал, как любое отображение графа в «звезду» можно расширить на точки Штейнера без увеличения стоимости пути. Гипотеза была доказана через связь, о которой ранее никто не подозревал.
Физика: от численного хаоса к аналитической элегантности
Группа Майкла Бреннера из Гарварда работала над расчетом гравитационного излучения космических струн — гипотетических дефектов ранней Вселенной. Проблема заключалась в вычислении сложного интеграла по сфере, который при высоких гармониках начинал экстремально осциллировать, приводя к краху любых стандартных численных методов.
Исследователи создали гибридную систему: Gemini Deep Think + Tree Search. ИИ предлагал математические гипотезы в формате LaTeX и тут же писал код на Python для их проверки. Если код выдавал ошибку или NaN, лог возвращался в контекст модели для работы над ошибками. Было изучено более 600 ветвей развития задачи, 80% из которых система отсекла самостоятельно.
В итоге модель нашла шесть аналитических подходов. Если первые варианты страдали от потери точности, то шестой — разложение по полиномам Гегенбауэра — позволил «схлопнуть» бесконечный ряд в изящную замкнутую формулу. Вместо тяжелых численных расчетов физики получили результат со сложностью O(1), выраженный через обобщенный косинус-интеграл.
Автоматизация публикаций: опыт Лэнса Фортноу
Лэнс Фортноу, классик теоретической информатики, использовал Gemini для оформления статьи о классе сложности S²P. Работа годами «лежала в столе», так как её формализация требовала значительных усилий при не самом революционном (по меркам профессора) результате.
С помощью восьми промптов Фортноу фактически «сгенерировал» статью. Модель планировала структуру, подбирала цитаты и корректировала логические переходы. Ученый отметил, что хотя результат полностью принадлежит ему, чувство «легкости» процесса напоминало ему ощущения от первого использования LaTeX в 80-х: текст выглядел гораздо профессиональнее, чем затраченные на него усилия.
Инструментарий ученого: методы работы с ИИ
Авторы доклада выделяют несколько ключевых техник, которые делают научную работу с ИИ эффективной:
- Iterative refinement: Решение редко рождается с первого раза; необходим диалог и постепенное уточнение «каркаса» задачи.
- Cross-pollination: ИИ способен находить аналогии в далеких друг от друга областях (например, применение статистической физики в теории графов).
- Context de-identification: Иногда модель пасует перед «открытой проблемой». Если убрать из промпта упоминание о том, что задача не решена, и оставить только сухие определения, шанс на успех возрастает.
- Neuro-symbolic loops: Связка «ИИ генерирует формулу — интерпретатор кода её проверяет» позволяет автоматически отсеивать ложные пути.
Ограничения и вызовы
Несмотря на успехи, исследователи предупреждают о рисках. Confirmation bias заставляет модель поддакивать ученому, если тот просит «доказать истинность» ложного утверждения. Confident hallucinations по-прежнему встречаются: ИИ может путать знаки в неравенствах или неверно применять границы теорем, что требует обязательной верификации человеком.
Главный же вопрос будущего — это «бутылочное горлышко» рецензирования. Если ИИ на порядок ускорит написание статей, кто будет их проверять? Peer review уже сейчас находится в кризисе. Возможно, рецензированием тоже займется ИИ, но тогда возникает закономерный вопрос: какова роль человека в этом замкнутом цикле производства и проверки знаний?
Сегодня ученые воспринимают ИИ как «чрезвычайно эрудированного, но иногда склонного к фантазиям младшего коллегу». Это уже не просто поисковик, но и не самостоятельный исследователь. Это инструмент, который позволяет перешагнуть через границы узкой специализации и увидеть науку как единое, взаимосвязанное поле знаний.
По материалам: Woodruff et al., «Accelerating Scientific Research with Gemini: Case Studies and Common Techniques», February 2026 (arXiv:2602.03837).
