Эта цифра точнее описывает текущее место технологий искусственного интеллекта в астрофизике, чем обещания «автоматизированной науки». Алгоритм уже умеет предложить гипотезу, выбрать метод анализа, обработать массив наблюдений и собрать черновик статьи. Он не умеет нести ответственность за ложную предпосылку, подменённый массив данных или неверно заданную физическую модель.
В сентябре 2025 года на физическом факультете Нью-Йоркского университета показали работу мультиагентной системы Denario, разработанной в Институте Флэтайрон. Она генерировала исследовательские идеи, проводила анализ данных и оформляла результаты в виде черновиков научных работ. Формально это весь привычный конвейер исследовательской деятельности: от вопроса до текста.
Проблема в том, что научная работа не сводится к конвейеру. В астрофизике входные данные уже содержат погрешность прибора, селекционные эффекты, неполноту выборки и допущения модели. Если алгоритм уверенно продолжает ошибочную цепочку, скорость только повышает масштаб ошибки.
Технологии искусственного интеллекта меняют работу астронома не потому, что «думают вместо него». Они меняют цену операций: классификации, аппроксимации, поиска слабого сигнала, сравнения миллионов объектов. Там, где человек тратил месяцы на ручной разбор каталога, машина тратит часы. Но физический смысл результата не возникает из вычислительной мощности.
Революция Denario: алгоритм собирает исследование по частям
Denario — не один чат-бот, которому выдали набор телескопических данных. Это мультиагентная система. В такой архитектуре разные программные агенты получают отдельные функции: один формулирует вопрос, другой ищет методы, третий запускает анализ, четвёртый сводит текст. Принцип похож на распределённую лабораторию, только её сотрудники не имеют ни наблюдательной интуиции, ни репутационных рисков.
Внешне результат выглядит убедительно. Система может:
1. Сформулировать несколько вариантов исследовательского вопроса на основе опубликованных работ и доступных данных.
2. Подобрать статистический метод или код для обработки наблюдений.
3. Построить графики, оценить параметры модели, подготовить таблицы.
4. Сопоставить вывод с литературой и собрать структуру статьи.
5. Сгенерировать связный черновик с введением, методикой и обсуждением.
На каждом этапе возникает отдельный класс ошибок. Вопрос может быть вторичным или просто плохо поставленным. Метод — неприменимым к данным с конкретной структурой шума. График — технически корректным, но построенным для нерелевантной выборки. Текст — гладким и физически пустым.
Главная слабость здесь не в качестве русского или английского языка модели. Она в отсутствии внутреннего критерия причинности. Языковая нейросеть оценивает правдоподобие последовательности символов. Научная модель должна учитывать ограничения: сохранение энергии, геометрию наблюдения, массу системы, временной масштаб процесса, границы применимости уравнения.
Если алгоритм пишет, что наблюдаемая аномалия может быть следствием гравитационного взаимодействия, это ещё не гипотеза. Гипотеза начинается там, где указаны массы объектов, начальные условия, траектория, интервал параметров и наблюдаемый эффект, отличающий одну модель от другой.
Генерация текста и генерация знания — операции с разным КПД.
Denario полезна как система предварительного перебора. Она сокращает время между сырыми данными и списком возможных направлений анализа. Но её 10% содержательных вопросов — не показатель автономности. Это показатель того, сколько работы нужно человеку, чтобы из десяти машинных предложений извлечь одно пригодное.
В астрофизике такой фильтр не является административной процедурой. Он требует понимания прибора и объекта. Спектр экзопланеты может содержать следы атмосферы, а может — систематическую ошибку калибровки. Слабое изменение блеска звезды может указывать на транзит планеты, а может возникать из-за активности самой звезды. Без модели источника и инструмента алгоритм не различает эти причины надёжно.
Почему спор вокруг аспирантов оказался спором о функции науки
Во время демонстрации Denario прозвучал тезис, что аспиранты больше не нужны. На него резко отреагировал аспирант седьмого курса Мэтью Даунт. Его реплика — «я не скот» — была обращена к астрофизику Дэвиду Хоггу и быстро стала символом конфликта, хотя суть конфликта шире одной аудитории.
Аспирант не является дешёвым вычислительным узлом лаборатории. Его работа действительно включает операции, которые легко автоматизируются: чистку каталогов, подготовку графиков, поиск литературы, первичную статистику. Но в процессе он учится видеть несоответствие между формулой и измерением. Это не побочный эффект обучения. Это и есть производство следующего поколения исследователей.
В феврале 2026 года Хогг опубликовал препринт «Why do we do astrophysics?». Его позиция не сводится к запрету ИИ. Полный отказ от алгоритмов был бы технически бессмысленным: современные обзоры неба производят такие объёмы данных, которые невозможно обработать вручную. Но и передача всего цикла генераторам разрушает среду, в которой возникает компетенция.
Астрономия давно автоматизирована на уровне приборов. Телескопы сами наводятся, получают кадры, калибруют часть потока, отмечают кандидатов в транзиенты. Однако автоматизация прибора не отменила астронома. Она увеличила число решений, которые должен проверить специалист.
С генеративными системами масштаб иной. Они автоматизируют не только измерение, но и видимость рассуждения. Это опаснее. Ошибочный результат телескопа обычно имеет след в метаданных: сбой датчика, плохой seeing, неверная экспозиция. Ошибочный текст нейросети может выглядеть как нормальная научная аргументация и не иметь наблюдаемого «артефакта» на поверхности.
| Этап работы | Что ИИ способен ускорить | Что остаётся задачей исследователя |
|---|---|---|
| Постановка задачи | Поиск повторяющихся тем, обзор литературы, генерация вариантов | Выбор физически содержательного вопроса |
| Подготовка данных | Классификация объектов, поиск выбросов, аппроксимация пропусков | Проверка происхождения шума и смещений выборки |
| Моделирование | Быстрый перебор параметров, суррогатные модели | Выбор уравнений, граничных условий и интерпретация |
| Написание статьи | Черновая структура, описание типовых методов | Доказательство вывода и ответственность за него |
| Рецензирование | Поиск формальных несоответствий | Оценка новизны, воспроизводимости и физического смысла |
Технологии искусственного интеллекта в работе одного астрофизика поэтому не заменяют должность. Они перераспределяют время. Если систему используют для снятия механической нагрузки, исследователь получает больше времени на постановку эксперимента и проверку моделей. Если её используют для исключения исследователя из цикла, лаборатория получает поток текстов без гарантии знания.
Где ИИ уже даёт измеримый результат
Контраст с Denario хорошо виден на работе группы Алиссы Гудман в Гарварде. Исследователи использовали ИИ-методы аппроксимации данных, чтобы построить карту кинематики спиральных рукавов Млечного Пути. Итоговая точность оказалась в 100 раз выше предыдущих версий карты.
Это не случай, когда нейросеть «открыла Галактику». Она решила конкретную вычислительную задачу: восстановила структуру по неполным и неоднородным наблюдениям. В галактической астрономии данные приходят не в виде готовой трёхмерной схемы. Для части звёзд известны расстояния с большой погрешностью, для другой части — скорости, для третьей — только проекции движения. Кроме того, наблюдатель находится внутри диска Галактики, а не смотрит на него сверху.
Восстановление кинематики — это задача обратного моделирования. Есть измеренные величины. Есть геометрия наблюдения. Есть физические ограничения на движение звёзд и газа. Нужно оценить распределение скоростей и положение структур, не выдав шум за рукав, а локальный сгусток — за глобальную траекторию.
Здесь нейросеть работает в области, где у неё высокий КПД:
- данных много, но они фрагментированы;
- нужно аппроксимировать сложную многомерную зависимость;
- результат можно сопоставить с независимыми наблюдениями;
- физическая интерпретация задаётся исследователями до запуска модели;
- погрешность можно оценивать, а не прятать за единым числом качества.
Такое применение искусственного интеллекта в науке отличается от генерации готовой статьи. Модель не объявляется источником объяснения. Она становится вычислительным инструментом между измерением и физической моделью.
Аналогично работают нейросети для поиска экзопланет. Они могут просматривать кривые блеска и выделять кандидатов на транзит — периодическое слабое падение яркости звезды при прохождении планеты по диску. Но кандидат не равен открытию. Его нужно отделить от двойной звезды, пятна на поверхности, сбоя фотометрии и случайного совпадения. Затем требуется независимое подтверждение, иногда — измерения лучевой скорости.
Методы компьютерного зрения, которые анализируют серию кадров телескопа, по структуре близки к системам, разбирающим видеопотоки в других областях: например, в аналитике футбольных событий алгоритм тоже ищет траектории, повторяющиеся паттерны и отклонения от фона. Но физическая цена ошибки различается. В спорте неверная метка эпизода портит статистику матча. В астрономии она может породить ложный каталог объектов и цепочку ошибочных публикаций.
Полезный ИИ не заменяет модель мира. Он снижает вычислительную цену её проверки.
Гравитация не прощает языковых допущений
Группа AstroAI под руководством Сесилии Гарраффо сотрудничает с Anthropic и Google DeepMind над специализированными системами для астрофизики. При этом Гарраффо прямо отмечает ограничение современных моделей: они не справляются со сложными гравитационными уравнениями.
Это ожидаемый результат. Гравитационная задача не требует «знания множества фактов» в бытовом смысле. Она требует устойчивого решения системы уравнений при заданных условиях. В задачах N тел нужно одновременно учитывать массы, начальные положения, скорости, гравитационные взаимодействия, численную устойчивость интегратора и накопление погрешности.
Малое отклонение на одном шаге интегрирования способно изменить траекторию при долгом расчёте. Особенно в хаотических системах. Языковая модель может воспроизвести форму уравнения, объяснить термины и даже написать код. Но это не означает, что она проверила сходимость решения, соблюдение закона сохранения энергии или границы применимости приближения.
Предел проходит не между «творческой» и «рутинной» работой. Он проходит между статистическим сходством и физической необходимостью.
Нейросети сильны там, где есть большой набор размеченных или косвенно размечаемых примеров. Они умеют сжимать данные, искать корреляции, строить приближённые отображения между входом и выходом. Но корреляция в астрономическом каталоге может возникнуть из-за селекции наблюдений. Телескоп видит яркие объекты лучше слабых. Обзор неба имеет неодинаковую глубину в разных направлениях. Прибор меняет чувствительность со временем. Всё это способно создать закономерность, которой нет в природе.
Поэтому специализированный ИИ должен включаться не после физики, а внутри физического контура. Минимальный рабочий контур выглядит так:
1. Исследователь формулирует модель и определяет величины, которые имеют физический смысл.
2. Алгоритм строит аппроксимацию, классификацию или ускоренный расчёт.
3. Результат проверяют на синтетических данных, где истинные параметры известны заранее.
4. Затем его сравнивают с независимым наблюдательным каналом.
5. Только после этого оценивают, какой вклад внёс алгоритм и какова итоговая погрешность.
Без третьего и четвёртого этапа красивый результат остаётся демонстрацией вычислительной способности. Не измерением.
Поток машинных статей меняет рецензирование
Американское астрономическое общество уже сталкивается с дефицитом рецензентов на фоне резкого наплыва низкокачественных статей, сгенерированных с помощью ИИ. Это закономерное следствие асимметрии производства. Генератор может за часы изготовить десятки правдоподобных рукописей. Эксперт проверяет одну статью днями или неделями.
Рецензирование — узкое место научной системы. Оно плохо масштабируется, потому что требует квалифицированного времени. Автоматическая фильтрация способна отсеять часть очевидного мусора: несуществующие ссылки, несогласованные обозначения, дублирующиеся формулировки, подозрительные изображения. Но она не ответит на главный вопрос: действительно ли наблюдение подтверждает заявленный вывод.
Есть и более тонкий риск. Если редакции начнут отвечать на генеративный поток генеративными фильтрами, появится замкнутый контур: одна система пишет, другая сортирует, третья формирует краткое резюме для человека. В конце цепочки рецензент увидит уже не исходную работу, а несколько уровней машинной обработки. Погрешность перестанет быть локальной. Она станет системной.
Для журналов и лабораторий практический вывод не требует идеологической войны с ИИ. Нужны прозрачные правила происхождения текста, кода и иллюстраций. Нужны воспроизводимые вычислительные цепочки. Нужны исходные данные там, где это не запрещено режимом наблюдений. И нужен автор, который способен объяснить каждый существенный переход в работе без обращения к фразе «так решила модель».
Автоматизация не отменяет астрофизику
Использование ИИ в астрономии уже даёт результат там, где задача сформулирована, данные контролируемы, а ответ допускает внешнюю проверку. Карта кинематики спиральных рукавов, ставшая в 100 раз точнее, — пример усиления исследовательского инструмента. Denario с одним содержательным вопросом на десять генераций — пример предела автономного исследовательского конвейера.
Масштабирование возможно в обработке обзоров неба, поиске редких объектов, ускорении численных расчётов и построении суррогатных моделей. Ограничение задаёт не нехватка параметров у нейросети. Его задаёт физика: измерение имеет погрешность, модель имеет область применимости, а вывод требует причинной связи.
Алгоритм может быстро перебрать траектории. Он не определяет, какая из них описывает реальный объект, пока исследователь не задаст критерий и не проверит данные. В современной астрофизике это не временная оговорка. Это рабочая граница между автоматизацией и знанием.
