Цифровые технологии переживают взрывной рост в связи с появлением крупных вычислительных мощностей. Именно поэтому возникают новые, ранее не существовавшие области его применения, открываются новые возможности для решения сложных задач. 
Участники научной конференции «Искусственный интеллект в химии и материаловедении», во второй раз проходившей в Институте органической химии имени Н.Д. Зелинского (ИОХ РАН) обсудили возможности применения искусственного интеллекта в химической науке и материаловедении. 
На передовой российской науки побывала Татьяна Карпова.

 

 

 

Искусственный интеллект: истоки и развитие

 

 

Еще в 1832 году русский ученый Семен Корсаков предложил механизмы для улучшения способностей человеческого разума и, по существу, стал предтечей развития искусственного интеллекта (ИИ). Годом рождения искусственного интеллекта считается 1956 год, когда группа иностранных ученых собралась на конференцию, чтобы предложить его концепцию. В Советском Союзе эти исследования ведутся с 1960 года, и в них самое активное участие принимали Московский государственный университет и Академия наук Советского Союза. В 1986 году при Президиуме Академии наук СССР был создан научный совет по искусственному интеллекту.

 

Согласно «Национальной стратегии развития ИИ на период до 2030 года»: искусственный интеллект — комплекс технологических решений, позволяющий имитировать когнитивные функции человека (включая поиск решений без заранее заданного алгоритма) и получать при выполнении конкретных задач результаты, сопоставимые с результатами интеллектуальной деятельности человека или превосходящие их.

 

 

 

По словам Михаила Егорова, академик-­секретаря Отделения химии и наук о материалах Российской академии наук (ОХНМ РАН), в мире прослеживается единая тенденция: искусственный интеллект перестает быть отвлеченным инструментом, а становится интеллектуальным ядром химических исследований, разработок новых материалов, роботизации лабораторий, цифрового моделирования и устойчивых технологических решений. Для отечественной науки этот вызов особенно важен. Россия обладает сильными школами в области химии и материаловедения, и интеграция ИИ в эти области открывает перед нами уникальные возможности. Кроме того, ИИ способен помочь в одном из ключевых вопросов — в масштабировании технологии — переносе ее из лаборатории в производство.

 

Не менее значимым является и вклад ИИ в подготовку кадров для науки и промышленности: персонализированная исследовательская траектория, цифровые подходы, интеллектуальные системы наставничества помогут подготовить новое поколение исследователей, готовых к работе в условиях стремительно меняющейся научно-­технологической картины мира.

 

 

 

Академик РАН Валентин Анаников, заведующий лабораторией Института органической химии, выделил три уровня цифрового сотворчества. На первом уровне ИИ выполняет вспомогательные функции — обработку текстов, анализ литературы, структурирование информации и генерацию научных материалов. Это снижает общую нагрузку исследователя и ускоряет коммуникацию в науке. На втором уровне формируется совместная вычислительная среда, где исследователь создает собственные алгоритмы на Python для обработки изображений, спектров и экспериментальных данных, а ИИ становится интеллектуальным расширением человеческого анализа. Третий уровень — это оцифровка научной интуиции, когда системы машинного интеллекта начинают участвовать в самом процессе открытия: выделяют скрытые закономерности, оценивают вероятности, предлагают неожиданные связи. Здесь ИИ становится полноценным компонентом научных идей, а творческий акт превращается в диалог человека и алгоритма.

 

Таким образом, переход к цифровому сотворчеству меняет само понимание научного труда: исследователь становится архитектором взаимодействия с ИИ, а цифровая среда — пространством для коллективного мышления человека и машины.

 

 

Академик Арутюн Аветисян, директор Института системного программирования РАН, подробно рассмотрел аспекты развития ИИ и остановился на вызовах и возможностях, которые связаны с его использованием.

 

Так, главными факторами быстрого развития он назвал:
• Социум как заказчика инноваций (социальные медиа, поисковые системы, мобильные платформы).
• Феномен открытого ПО (Linux, GCC, LLVM, QEMU, Valgrind, SFX, V8, Hadoop, Spark, Apache Ignite, Infinispan, Hazelcast, Openstack, TensorFlow, PyTorch).
• Феномен типовой аппаратуры. Суперкомпьютеры (Тор‑500).

 

Ускоренное развитие информационных технологий происходит в модели коллаборативной экономики. В облачной платформе GitHub‑2025 уже зарегистрировано больше 100 млн разработчиков (в 2016 году — больше 5,8 млн 518 млн проектов (+25% к 2024 году). Компании используют в качестве основы для своих продуктов проекты с открытым исходным кодом, в которые сами же вкладываются совместно. В одиночку этот процесс осилить просто невозможно.

 

Запас вычислительной мощности чипов Nvidia удваивается каждые 10 месяцев, что позволяет обучать все более крупные модели. ИИ становится более эффективным и доступным. Стоимость вывода для системы, работающей на уровне GPT‑3,5, снизилась более чем в 280 раз в период с ноября 2022 года по октябрь 2024 года. На уровне оборудования расходы снижались на 30% в год, в то время как энергоэффективность ежегодно повышалась на 40%. В совокупности эти тенденции быстро снижали барьеры для продвинутого («сильного») ИИ.
Илон Маск объявил о запуске Colossus 2 — первого в мире гигаваттного кластера для тренировки ИИ (рис. 1), в котором 550 тысяч графических процессоров GB200 и GB300 на жидкостном охлаждении. Позже их количество расширится до миллиона. Чтобы запитать суперкомпьютер, потребуется гигаватт энергии, который будут обеспечивать газовые турбины, а в будущем — отдельная электростанция.

 

Рис. 1. Инфраструктура суперкомпьютера Colossus 2, предназначенного для обучения ИИ, от xAI Илона Маска

 

 

Термины «слабый ИИ» и «сильный ИИ» были впервые упомянуты в статье американского философа Джона Серла «Разум мозга — компьютерная программа?» (1990 г.). Слабый искусственный интеллект (сейчас) может решать только те задачи, для которых он запрограммирован; извлекает информацию из ограниченного набора данных; если данные искажены, может выдавать необъективный (неэтичный, дискриминационный) результат; уязвим для предвзятости и ошибок, представляет собой технологию без субъектности. Сильный искусственный интеллект (пока не существует) делает интеллектуальные выводы, решает задачи на уровне человека, использует стратегии, планирует действия; функционирует в условиях неопределенности; общается на естественном языке; способен к абстрактному мышлению.

 

 

ИИ для науки

 

 

«Актуальная и эффективная научная деятельность уже более невозможна без применения ИИ, который стал условием конкурентоспособности научных организаций на мировой арене», — считает академик Аветисян. Согласно The 2025 AI Index Report от Stanford HAI, ученые, интегрирующие ИИ в свои исследования, демонстрируют рост публикационной активности на 60%, увеличение индекса цитирования в 3 раза.

 

Современный искусственный интеллект выполняет шесть критически важных функций в научной деятельности. Это:
1. Аналитика и генерация научных гипотез.
2. Проектирование и планирование экспериментов.
3. Подготовка выводов из анализа больших и потоковых данных.
4. Имитационные эксперименты — прогнозирование свой­ств материалов и веществ.
5. Управление лабораторным оборудованием.
6. Подготовка научных статей.

 

В докладе Аветисяна были приведены примеры прорывных достижений науки с применением ИИ:
• В 2024 году создатели AlphaFold получили Нобелевскую премию по химии за предсказания структуры 200 миллионов белков.
• Система GNoME от Google DeepMind предсказала структуру и стабильность 2,2 млн новых кристаллов, пополнив базу данных на 800 лет эквивалентной человеческой работы.
• Институт биологического приборостроения РАН совместно со «Сбером» создали в 2025 году нанотела против рака, сократив сроки разработки благодаря ИИ с нескольких лет до одного месяца.
• Институт органической химии РАН разработал ИИ-систему для анализа 100 000 реакций, ускоряющую подбор катализаторов в 10 раз.

 

Академик Анаников дополнил, что по данным работ, проводимых в Институте органической химии РАН, алгоритм определения катализа при ручной обработке данных занимает 4 года на одну реакцию, а с помощью ИИ — меньше 1 часа. Полноразмерный анализ массива спектральных данных при ручной обработке занимает 5 лет на одну реакцию, с помощью ИИ — меньше 3 часов. Подготовка функциональной карты мониторинга химического процесса — 3–4 года на одну реакцию при ручной обработке, меньше часа с помощью ИИ.

 

Развивая тему возможностей искусственного интеллекта, Артем Оганов, профессор Сколковского института науки и технологий, показал, как достижения в предсказании кристаллических структур привели к прорывам в смежных задачах, например, к открытию аномальных соединений под давлением Na₃Cl, NaCl₇, рекордных высокотемпературных сверхпроводников H₃S, YH₆, CaH₆, ThH₁₀, LaH₁₀. Неожиданными явлениями при высоком давлении стали прозрачная диэлектрическая фаза натрия, реакционная способность гелия и так далее.

 

По данным Алексея Буряка, члена-корреспондента РАН, директора Института физической химии и электрохимии им. А.Н. Фрумкина, искусственный интеллект (ИИ) получил в настоящее время широкое распространение в масс-спектрометрии и хроматографии, в первую очередь, для предсказания индексов удерживания (ИУ) и масс-спектров (МС).

 

Алексей Хохлов, академик РАН, заведующий кафедрой физики полимеров и кристаллов физического факультета МГУ, говоря о нейросетевом подходе при поиске научной информации, отметил лавинообразный рост числа научных журналов, что делает все менее эффективной работу даже с электронными базами данных Web of Science и Scopus, поэтому возникает запрос на автоматический подбор наиболее релевантных материалов. И здесь возрастает роль нейронных сетей для машинного обучения и анализа текстов. Например, результаты совместного проекта МГУ им. М.В. Ломоносова и Научной электронной библиотеки (elibrary) по внедрению нейросети в библиотечную деятельность демонстрируют возможности поиска тематически похожих к данной публикации статей или статей, близких к данному фрагменту текста. Возможны также идентификация автора с учетом тематической близости статьи к другим его публикациям, подбор рецензентов и экспертов и так далее.

 

Несмотря на широкие перспективы, по данным академика Аветисяна, на сегодня пока только 19 из более чем 400 институтов РАН внедрили ИИ в свою деятельность. 

 

Его применяют около 50 вузов России, что составляет 10% от их общего количества.

 

Невысокие цифры говорят о целом ряде существующих барьеров, к которым относятся:
• Кадровый голод.
• Разрозненность данных по организациям и отсутствие механизмов федерального доступа к ним.
• Вычислительная «недостаточность»: стоимость GPU-кластеров для обучения современных моделей достигает десятков миллионов долларов.
• Недоверие и непрозрачность: эффект черного ящика, противоречащий научному методу.
• Риски при передаче чувствительных исследовательских данных в облачные сервисы.
Также было отмечено отсутствие экспертизы полного цикла для:
• Выбора оптимальных моделей из тысяч доступных вариантов.
• Обучения и fine-tuning моделей на специализированных датасетах с использованием техник LoRА или instruction tuning для формирования новых навыков.
• Тестирования и валидации моделей, выявления деградации.
• Интеграции ИИ-решений с существующими ИТ-системами, лабораторным оборудованием и научным workflow.

 

 

Множественные риски ошибок и ограничения ИИ также являются барьерами:
• Повышенный риск ошибок возникает на стыке областей знаний из-за дефицита междисциплинарных обучающих данных.
• Явление «галлюционаций» LLM (Large Language Model — большая языковая модель) приводит к генерации фактически неверных научных утверждений.
• Трудности с обеспечением точной воспроизводимости результатов препятствуют верификации научных выводов, полученных с помощью ИИ.
• Отсутствие единой базы отозванных статей и инструментов проверки достоверных результатов.
• Точность LLM значительно снижается при работе с числами высокой разрядности, что критично для точных наук и инженерных расчетов.

 

В результате общих усилий тем не менее уже получена масштабируемая экосистема, которая призвана обеспечивать генерацию кадров и технологий и, как следствие, — технологическую независимость. А именно — создан Центр исследований безопасности системного ПО на базе ИСП РАН по инициативе ФСТЭК России, в котором исследования ведут более 70 компаний и вузов. В результате его текущей деятельности:
• Ведется сопровождение собственных веток ядра Linux 5.10 и 6.1.
• Выявлены более 300 критических уязвимостей в ядре Linux$.
• Более 700 исправлений приняты в основные ветки компонентов OpenSSL, Qemu, libvirt, CPython, Lua,.NET6 Runtime.
• Ведутся доработки ядра, нацеленные на повышение его безопасности.
• И главное: возникло растущее сообщество из более 80 специалистов, которые проводят работы по решению проблемы кадрового голода.

 

 

Битва интеллектов

 

 

Искусственный интеллект получил столь мощный импульс к развитию, что по ходу приходится не только переосмысливать его место, значение и открывающиеся перспективы, но и рассматривать этические моменты, просчитывать последствия, подводить теоретическую платформу для решения социально значимых вопросов, определять вектор развития человека и общества.

 

 

Татьяна Черниговская, доктор биологических наук, член бюро Совета по методологии и философии искусственного интеллекта при Президиуме РАН, в своем выступлении задала вопросов больше, чем привела ответов.
Количество экспериментов, которые валятся на специалиста каждую миллисекунду во всех областях, огромное, и непонятно, что с ними делать, если нет правильной идеи, теории для их систематизации. Сейчас только теорий сознания в мире примерно двести. «Двести теорий — это значит ни одной», — поясняет Черниговская.

 

Сознание присуще живому, а герой конференции ИИ — живой? А все ли живое имеет сознание: комар, инфузория-туфелька, человек в коме или под общей анестезией? 
Что сильнее: генетика или обучение? А копируют ли системы ИИ знания и умения человека, как это оценить? А у ИИ есть когнитивность, он технически перебирает данные или думает? Думает что? Как может материя (физическая вещь) порождать идеи (нефизический мир)?

 

Известное изречение «Мыслит — значит, существует» подразумевает теперь не только биологический мир, а и другое? Почему искусственный интеллект должен хотеть, как люди? А что будет, если ИИ начнет пользоваться логикой, которую человек не знает, не понимает, и тем самым превратится для человека в черный ящик?

 

Специалисты считают, что у человека 86 млрд нейронов, по последним данным, десяти типов. У каждого из этих нейронов десятки тысяч связей с другими частями мозга. Итого квадриллион семантических соединений. Нейронная сеть развивается все время, сейчас и через час она разная. 

 

Можем ли мы повторить ее функционал в ИИ? А еще помимо нейронов есть глиальные клетки (глия — от греческого слова «клей»), количество которых близко к количеству нейронов. И клетки глии участвуют в переработке информации, играя важную роль в процессах памяти и обучения. Получается, что и это не просто «клей», а очень сложная система.

 

Все боятся утраты контроля над ИИ, выхода ИИ в физический мир. Сможем ли мы его отключить при необходимости или эта «очень хорошая сеть» бросит все силы на то, чтобы сопротивляться, причем задействует ресурсы без учета этических норм?

 

Ответы приходят в процессе размышления, а не от эксперимента, считает Татьяна Черниговская. Если мы не будем думать, мы проиграем, потому что есть масса биологических существ, которые быстрее бегают, лучше ориентируются и т. д. «Не надо много работать — надо хорошо работать»,  — подчеркивает она.

 

 

Государство отвечает на запрос

 

 

В ходе пленарного заседания «Перспективы развития цифровой химии и искусственного интеллекта: наука и технологии как драйверы отрасли», проходившего в рамках конференции, представители министерств и ведомств высказали высокую заинтересованность государства в развитии ИИ, обеспечении для страны передовых позиций в мировой науке и промышленности.

 

Согласно цели, поставленной президентом РФ Владимиром Путиным на «Форуме будущих технологий» 21 февраля 2025 г., за счет внедрения искусственного интеллекта, компьютерного моделирования в нашей стране нужно — и это вполне реально — уменьшить сроки разработки и внедрения новых материалов до 5–10 лет, а в перспективе до 2–3 лет. Михаил Юрин, заместитель Министра промышленности и торговли РФ, подчеркнул, что эта работа уже началась. Она включает роботизацию исследований, применение цифровых баз данных и виртуальной инфраструктуры для опытно-­промышленного масштабирования производства и будет способствовать достижению целей национального проекта «Новые материалы химии» за счет комплексной автоматизации процессов разработки и внедрения химических технологий.

 

За последние четыре года объем рынка больших данных искусственного интеллекта в России увеличился на 127% и по итогам 2024 года достиг 320 млрд руб. Около 15% крупных и средних химических компаний применяют инструментарий для решения конкретных задач, таких как предсказательное обслуживание оборудования («Сибур», «Нижнекамскнефтехим») или оптимизация производственных процессов («ФосАгро», «Уралхим»).

 

Антоний Швиндт, заместитель руководителя секретариата вице-премьера правительства, сообщил, что Правительственная комиссия по научно-­технологическому развитию в рамках третьего этапа (волны) конкурса исследовательских центров в области искусственного интеллекта отобрала семь организаций-­лидеров. Это НИУ ВШЭ, Университет Иннополис, ИСП РАН, Университет ИТМО, МФТИ, Сколтех, МГУ им. М.В. Ломоносова, которые взялись за прикладные задачи. Так, например, Университет Иннополис работает над ИИ-ассистентом, который сможет ускорить анализ научных текстов и генерацию гипотез. Данный ассистент должен быть интегрирован с доменом «Наука и инновации». МГУ им. М.В. Ломоносова разрабатывает дизайн биомолекул с заданными свой­ствами. Университет ИТМО с помощью прототипа ИИ-тренажера решает задачи повышения эффективности работы сотрудников. Программа Центра ИИ НИУ ВШЭ направлена на создание новых архитектур и подходов для снижения стоимости обучения, а также для повышения эффективности и адаптации больших фундаментальных моделей.

 

Следует упомянуть, что центры первой волны занимались вопросами сильного, доверенного, этичного искусственного интеллекта. Вторая волна была посвящена отраслевым исследованиям для медицины, транспорта, промышленности и умных городов.
В свою очередь Денис Секиринский, заместитель министра науки и высшего образования РФ, отметил как важный элемент для развития ИИ — консолидацию и концентрацию усилий и распределенных ресурсов, имеющихся в России.

 

Владимир Дождев, директор Департамента цифровых технологий Минпромторга РФ, поддержал тему консолидации. Ведь многим российским предприятиям прежде, чем думать об оптимизации инженерного труда с помощью ИИ, необходимо пройти уровень базовой автоматизации, информатизации, создания необходимых вычислительных сетей, мощностей. Поэтому чтобы как можно быстрее подойти к тематике внедрения технологий машинного обучения, они могут воспользоваться услугами индустриальных центров компетенций, выйти на подведомственные Минпромторгу учреждения, обладающие суперкомпьютерами.

 

 

Заключение

 

 

Мы живем в интересное время, считают участники конференции. Если в середине 90‑х годов прошлого века ученые ходили в библиотеку и для подготовки докторской диссертации проводили около 300 экспериментов, в 2026 году без тысячи экспериментов ни хорошей статьи не получится, ни новой технологии. Как отметил в своем докладе Валентин Анаников, сочетание эксперимента и ИИ — это единственный способ преодолеть разрыв и дать импульс ускоренному развитию в химии и материаловедении. И мы сейчас находимся в точке бифуркации и принятия стратегических решений, когда стоит выбор между утерей технологического лидерства и формированием, укреплением лидеров технологий. Поэтому для перехода в «золотой век технологий» важно и консолидировать усилия, и сделать правильные шаги.

 

Мир не стоит на месте, и теперь не только фундаментальная наука, но и технологии стали прямым фокусом ИИ-трансформации. Приглашаем всех читателей на следующий этап —  конференцию «Хим×Тех-2026» https://ct2026.zioc.ru/

 

 

Источник журнал "РИТМ машиностроения" № 2-2026