Один из первых шагов в карьере начинающего ученого — выбор направления. И необходимость финансировать исследования вынуждает исследователей искать баланс между новизной темы и наработанной базой, указывает колумнист Bloomberg. Итог закономерен: в некоторых областях публикуется огромное число работ, а другие остаются вовсе неисследованными. И эта практика укрепляет саму себя — настолько, что человеку разорвать круг невозможно.

Но это смогут сделать «бесстрашные» алгоритмы. Машинное время стоит с каждым годом все дешевле, а ИИ не надо регулярно публиковать статьи и отчитываться перед спонсорами.

Взять, например, генетику. Хайтек+ писал, что большая часть генов остается неисследованной, несмотря на то, что геном человека давно секвенировали. 90% работ посвящены 10% генов. При этом у генетиков есть преимущество по сравнению с другими исследователями: благодаря проекту Genome они хотя бы знают, чего не знают.

По оценке биолога Томаса Стойгера, сейчас 27% генов человека абсолютно не изучены. А большая часть исследований посвящена генам, изучение которых началось еще до полной расшифровки генома. Стойгер подчеркивает, что это проблема стратегического плана. По его данным, молодой ученый, который начинает исследования в неизученной области, на 50% реже преуспевает и становится независимым. И в любом случае дорога к успеху отнимает значительно больше времени, а найти финансирование для долгосрочных проектов с неочевидными перспективами в разы сложнее.

Решение этой проблемы в статье в журнале Science предложил профессор социологии Джеймс Эванс. Он разработал алгоритм, который на основании предыдущих работ успешно предсказал темы 96% научных публикаций на год вперед.

Более важным стал другой вывод исследования: наибольшее влияние на развитие науки оказали как раз 4% работ, которые ИИ не сумел предсказать.

Проблема в том, что научное финансирование консервативно, и одного исследования на ту или иную тему, даже прорывного, мало, чтобы приучить компании, государственные агентства и некоммерческие фонды рисковать. Эванс считает, что идеальная схема выделения денег на науку должна напоминать венчурное финансирование: инвесторы понимают, что преуспеет лишь малая часть проектов, но их воздействие будет настолько серьезным, что компенсирует все провалы.

По его мнению, ИИ может и должен помочь в этом ученым, указав на потенциально многообещающие области исследований, где стоит рискнуть. А инвесторы в таком случае будут уверены, что выбор происходит объективно.

О потенциале ИИ в науке задумываются многие. Например, алгоритмы помогут составить план опытов. Сейчас это наиболее затратная часть научной работы. Взаимодействие с ИИ также серьезно изменит место человека в «пищевой цепочке» науки: вместо экспериментаторской работы он сможет больше времени уделить анализу данных и построению выводов.