AlphaFold — не шаблон для всей науки: почему ИИ-агенты важнее данных

Каждые несколько десятилетий кто-то объявляет науку завершённой. С приходом ИИ это чувство усилилось: Нобелевская премия по химии 2024 года досталась Демису Хассабису и Джону Джамперу из Google DeepMind за AlphaFold — нейросеть, предсказывающую 3D-структуры белков. Задача, полвека не поддававшаяся системным атакам, была решена, и мир решил, что ИИ плюс данные — универсальный ключ к науке.

Но условия, сделавшие AlphaFold возможным, уникальны. Модель обучалась на Protein Data Bank — базе из ~170 000 экспериментально подтверждённых структур, на сбор которой ушло 53 года международной кооперации и около $21 млрд. В большинстве областей таких данных нет и не будет: эксперименты невоспроизводимы, клеточные линии дрейфуют, реагенты содержат примеси. Создание сопоставимых датасетов для биологии или химии потребует десятилетий и новых стандартов измерений.

Исключения — прогноз погоды, геномика, отдельные области химии — уже близки к прорывам в стиле AlphaFold. Но для остальных открытых вопросов нужен другой путь: ИИ-агенты, которые рассуждают в условиях неопределённости, как это всегда делали учёные. Именно они, а не гигантские датасеты, станут двигателем ускорения науки.