В 2024 году Нобелевскую премию по химии присудили разработчикам ИИ для предсказания белков — впервые награду такого уровня получили за инструмент машинного обучения. Это симптом более широкого сдвига: наука перестала упираться в человеческую скорость. Разбираем три направления, где ИИ уже измеримо ускоряет открытия, — и где пока упирается в физику.
Белки: AlphaFold и дизайн белков
Задача «по последовательности аминокислот предсказать форму белка» считалась нерешённой полвека. В 2020 году AlphaFold2 от DeepMind справился с ней на уровне экспериментальных методов — это показал международный конкурс CASP14.
Сегодня открытая база AlphaFold DB содержит более 200 миллионов структур — от бактериальных белков до человеческих — и доступна бесплатно любому исследователю. Модель используют сотни тысяч учёных по всему миру: от разработки ферментов до изучения редких генетических заболеваний.
В 2024 году Нобелевский комитет по химии отметил Демиса Хассабиса и Джона Джампера (AlphaFold) и Дэвида Бейкера — за дизайн белков. Обратная задача оказалась не менее важной: инструменты лаборатории Бейкера (RFdiffusion, ProteinMPNN) позволяют конструировать белки с заданными свойствами — связывающие, ферментативные, пригодные для индустрии и медицины.
Дополнение к предсказанию — интерпретация: модель AlphaMissense классифицировала эффект 71 миллиона миссенс-вариантов человеческих белков, помогая генетикам быстрее находить патогенные мутации.
Практический эффект уже виден в промышленности: сконструированные ферменты проверяются для переработки пластика и синтеза лекарств, спроектированные белки-связки — в диагностике. Многие разработки пока на стадии прототипов (оценка), но скорость появления результатов несопоставима с докомпьютерной эпохой.
Новые материалы: миллионы кандидатов вместо перебора вручную
Материаловедение всегда было медленным перебором: гипотеза, синтез, измерение. ИИ заменяет перебор вычислением. Модель GNoME (DeepMind, Nature, 2023) предсказала 2,2 миллиона новых кристаллических структур, из них около 380 тысяч стабильных — больше, чем материаловеды открыли экспериментально за всю историю.
Предсказания нужно проверять — и здесь на помощь приходят роботы. Автономная лаборатория A-Lab (Berkeley Lab, Nature, 2023) за 17 дней синтезировала 41 новый материал, отобранный ИИ, — большинство с целевыми свойствами. Конвейер работал без человека в цикле: модель планировала, роботы синтезировали, ИИ анализировал результат.
Пример из индустрии: Microsoft и Тихоокеанская северо-западная национальная лаборатория (PNNL) отсеяли 32,6 миллиона кандидатов электролитов примерно за 80 часов и за две недели синтезировали и проверили новый твёрдый электролит для аккумуляторов. По классической схеме такой поиск занял бы годы.
Границы
Предсказание — не синтез: часть кандидатов не удаётся получить, свойства реального образца отличаются от расчётных. Автономные лаборатории дороги и специализированы. Но скорость перебора изменилась навсегда.
Автономные лаборатории: эксперимент без человека в цикле
Self-driving lab — это замкнутый контур: ИИ выдвигает гипотезу, робот проводит синтез, автоматические измерения возвращают результат, модель учится и выдвигает следующую гипотезу. Человек задаёт цель и проверяет итог.
Показательный кейс — «ИИ-химик» из Института химической физики в Даляне (Nature Synthesis, 2023): из марсианского метеорита за шесть недель синтезирован катализатор выделения кислорода. Ту же задачу классическими методами решали бы годы — об этом авторы прямо пишут в статье.
Такие системы уже работают в материаловедении, химии и фармацевтике — там, где эксперимент дорогой, а результат измерим.
ИИ в науке вне лабораторий
Тот же принцип — ИИ как ускоритель эксперимента — работает в физике: DeepMind совместно с EPFL обучил модель управлять плазмой в токамаке (Nature, 2022), а модель погоды GraphCast (Nature, 2023) предсказывает погоду на 10 дней точнее оперативной модели ECMWF. Общий знаменатель — дорогой эксперимент и много данных.
Что это значит для бизнеса
- Фарма и биотех: дизайн белков и молекул, меньше дорогих экспериментов, быстрее кандидаты на разработку.
- Материалы и энергетика: новые аккумуляторы, катализаторы, сплавы — цикл «гипотеза → проверка» сжимается с лет до недель.
- R&D-подразделения: ИИ встраивается в сам эксперимент, а не только в обработку данных.
- Оценка: массовый экономический эффект проявится через несколько лет (оценка) — но отдельные публичные результаты уже показывают порядковые ускорения.
Наука перестала быть «медленной» по определению. Компании, которые встраивают ИИ в исследовательский цикл, получают не «чуть быстрее», а принципиально другой масштаб перебора гипотез — и это уже видно по публичным результатам, а не по обещаниям.
Если ваш R&D-цикл упирается в рутину — от обработки данных до отчётности по экспериментам, — расскажем, где ИИ ускорит именно ваш процесс.