Учёные из Тюбингена считают, что ИИ должен выдавать набор научных моделей, а не одну

ИИ-агенты уже сами пишут научные модели в виде кода, запускают их и правят, пока расчёт не совпадёт с измерениями. Но агент, который выдаёт учёному одну такую модель, прячет другие, объясняющие те же данные не хуже, — так считают Якоб Макке, Даниэль Гедон и Штефан Валь из Тюбингенского университета и ELLIS Institute Tübingen¹.

Почему это важно: по мнению авторов, набор моделей сообщает то, чего не скажет одна. Если у всех моделей, согласных с данными, есть общая черта, данные, скорее всего, на её стороне. Если модели расходятся, доказательств там мало, и туда стоит направить следующий эксперимент.

Повод: эссе вышло гостевым постом в научном блоге Anthropic. Авторы делают ИИ-инструменты для научного моделирования, прежде всего в нейронауке, и получают поддержку компании по программе AI for Science². В конце октября Anthropic расширила её на научные фонды и институты. В соцсети X компания представила текст как рассказ о том, как ИИ «начинает менять научное моделирование».

Детали: свою мысль авторы объясняют на модели Ходжкина — Хаксли. Больше 70 лет она остаётся стандартным описанием электрической активности нейронов. В 1951 году Алан Ходжкин и Эндрю Хаксли описали уравнениями, как срабатывает нервная клетка кальмара. Чтобы расчёт сошёлся с измерениями, одну переменную пришлось возвести в четвёртую степень, но какой процесс в клетке за этим стоит, они не знали. Учёные лишь осторожно предположили, что ворота в мембране клетки открываются, когда на место встанут несколько заряженных частиц. Спустя десятилетия у родственного калиевого канала³ и правда нашли четыре одинаковые части вокруг центральной поры.

Хаксли тогда больше трёх недель решал уравнения на ручном арифмометре: компьютер Кембриджского университета как раз на полгода вышел из строя. Сегодня ИИ-система, по оценке авторов, вполне могла бы найти такое уравнение за полдня. Но ценность была не в самой четвёртой степени, а в знании, что более простые варианты не работают. «Система ИИ, которая просто вручает вам модель, может дать ответ, но не даёт понимания», — пишут авторы.

Как это работает: дальше всего, по словам авторов, ИИ продвинулся в подгонке параметров модели под измерения. Под одни и те же данные обычно подходит много наборов параметров. Так и общий счёт в ресторане на 120 долларов может сложиться из одинаковых бургеров у всех или из стейка с лобстером у одного и супа у остальных. Метод, который называют выводом на основе симуляций, запускает модель со случайными параметрами — для модели Ходжкина — Хаксли около 100 000 раз — и учит на результатах нейросеть. Потом по новым данным она за секунды оценивает распределение вероятностей — какие наборы параметров могли дать такой результат. Это быстро настолько, что астрофизики по сигналу о столкновении нейтронных звёзд успевают навести телескопы на нужный участок неба.

Расклад: за последние два года появилось несколько систем, в которых языковая модель сама пишет код научной модели, запускает его, подгоняет параметры и меняет форму уравнений. Но два запуска такого агента на одних и тех же данных могут дать две разные и одинаково хорошие модели. Поэтому авторы предлагают взвешивать сразу много кандидатов. Модели, которым для совпадения с данными нужно слишком много свободы в подгонке, получают меньше доверия, слабые отсеиваются, а сильные ИИ дорабатывает. Валь, Гедон и Макке с коллегами описали такой метод в статье 2026 года.

Но: пока такие системы в основном проверяли на том, смогут ли они заново открыть модели, которые учёные уже знают. Свидетельств, что они справятся с задачей без известного ответа, мало, признают авторы. Труднее всего отдать ИИ истолкование модели: насколько она совпадает с данными, измерить можно, а прибавила ли она понимания — нет.

Если шире: чем больше работы возьмёт на себя ИИ, тем меньше модели будут ограничены размером, который человек способен записать и обдумать, считают авторы. Для мозга плодовой мушки уже есть полная схема связей больше чем 100 000 нейронов, и на ней начали строить крупные модели. На таких масштабах единственно верной модели нет: важно, что общего у всех моделей, согласных с данными. Так уже работают климатологи — сводят множество симуляций в разброс прогнозов.

«Научная модель может дать ответ, но понимание даёт процесс её построения», — заключают авторы.