Автор: профессор Олег Мальцев

От автоматической проверки публикаций — к новой системе машинно-человеческой верификации научного знания

Наука привыкла смотреть вперёд. Учёного оценивают прежде всего по тому, какое новое знание он получил, какую гипотезу сформулировал, какой эксперимент провёл, какую новую закономерность обнаружил. Вся современная инфраструктура науки — гранты, журналы, конференции, рейтинги цитирования — в значительной степени построена вокруг производства нового.

Но в 2026 году начинает отчётливо проявляться другое направление применения искусственного интеллекта.

ИИ отправляется не вперёд, а назад. Он начинает читать уже опубликованную научную литературу и задавать ей вопросы, которые научное сообщество по разным причинам могло не задавать десятилетиями:

• правильно ли выполнено вычисление;
• соответствует ли формула приведённому выводу;
• не противоречат ли таблица и текст друг другу;
• правильно ли перенесено число из первичного источника;
• действительно ли цитируемая работа утверждает то, что ей приписывают;
• не превратилась ли ошибка одной публикации в общепринятый научный факт;
• не строится ли современная теория на основании, которое давно пора проверить заново.

6 августа 2026 года Nature вынесла эту проблему непосредственно в актуальную научную повестку, опубликовав материал под показательным названием: «AI agents are checking the scientific literature — and spotting decades-old errors». Nature описывает системы, способные обнаруживать ошибки не только в новых рукописях, но и в старых статьях и справочных базах. Один из приведённых случаев касается химических справочных данных: ИИ обнаружил, что некоторые давно используемые значения температуры кипения вещества в справочной базе были неверными.

На первый взгляд перед нами очередная область автоматизации. Но значение происходящего значительно больше.

Мы наблюдаем зарождение нового типа научного труда — машинно-человеческой ревизии науки.

Публикация не означает окончательную истинность

Одна из фундаментальных проблем науки заключается в психологическом и институциональном статусе опубликованного знания.

После прохождения рецензирования, публикации и последующего цитирования научное утверждение постепенно приобретает особый статус. Чем дольше оно существует и чем чаще воспроизводится в других текстах, тем реже исследователь возвращается к его первоначальной проверке.

Возникает своеобразный эффект научной инерции.

Исследователь читает современную статью. Автор современной статьи ссылается на более раннюю публикацию. Та, в свою очередь, опирается на ещё более ранний источник. Через несколько поколений цитирования исходное утверждение превращается в элемент научного фундамента.

Но фундамент может содержать ошибку. Причём ошибка не обязательно должна быть результатом недобросовестности. Это может быть:

• арифметическая ошибка;
• описка в формуле;
• неверно перенесённое число;
• неправильно подписанная таблица;
• ошибка статистической обработки;
• ошибка интерпретации;
• искажение при цитировании;
• неудачный перевод;
• изменение первоначального смысла понятия;
• использование устаревших экспериментальных данных;
• неправильное приписывание идеи определённому автору.

Проблема состоит в том, что наука производит знания значительно быстрее, чем способна систематически возвращаться к их повторной проверке.

Именно здесь искусственный интеллект получает совершенно новую функцию.

Не создание знания, а проверка основания

В последние годы основное внимание было сосредоточено на генеративной функции ИИ. Может ли машина:

• предложить научную гипотезу;
• найти литературу;
• написать программный код;
• обработать экспериментальные данные;
• подготовить обзор;
• предложить структуру статьи;
• создать модель;
• спроектировать эксперимент?

Однако существует противоположная задача: не создать новое утверждение, а проверить уже существующее. Это принципиально другая деятельность.

Генерирующая система спрашивает:

• Что ещё можно предположить?
• Проверяющая система спрашивает:
• Почему мы считаем это истинным?

Именно второй вопрос способен оказаться гораздо более разрушительным для сложившейся научной картины.

Первые системы научного аудита уже появились

В конце 2025 года Federico Bianchi и соавторы представили систему Paper Correctness Checker, построенную на GPT-5 и предназначенную для систематического поиска объективно проверяемых ошибок в уже опубликованных работах по искусственному интеллекту.

Система искала не стилистические недостатки и не спорила с авторами относительно научной новизны. Объектами проверки были формулы, вычисления, логические противоречия, таблицы, рисунки и несоответствия между заявленными результатами и представленными данными.

Особенно важен эксперимент с человеческой проверкой результатов.

Экспертам передали 316 потенциальных ошибок, обнаруженных системой. 263 из них были подтверждены, что соответствовало precision 83,2%. Авторы также сообщили, что система смогла предложить правильное исправление для 75,8% обнаруженных ошибок. Работа существует как препринт, поэтому эти показатели следует трактовать как результаты конкретного исследования, а не как уже установленную универсальную эффективность ИИ-аудита.

Это чрезвычайно важный переход.

Машина уже не просто говорит: «Мне кажется, здесь что-то не так». Она способна:

обнаружить → локализовать → сформулировать подозрение → предложить исправление → передать человеку на проверку.

Так начинает формироваться полноценный цикл научной ревизии.

От языковой модели к научному агенту

Разница между обычным запросом к языковой модели и агентной системой принципиальна. Обычная модель получает текст и формирует ответ. Научный агент может выполнять последовательность операций. Например:

• прочитать статью;
• выделить ключевые утверждения;
• найти математические зависимости;
• извлечь данные из таблиц;
• проверить вычисления;
• найти цитируемые источники;
• сопоставить утверждение с первоисточником;
• запустить программный код;
• сравнить несколько публикаций;
• зафиксировать противоречие;
• сформировать отчёт;
• передать спорные места специализированному агенту или человеку.

В июне 2026 года исследователи Google описали Paper Assistant Tool — PAT, агентную систему, предназначенную для глубокой научной проверки рукописей. Она анализирует теоретические результаты, экспериментальные части и потенциальные дефекты научной работы. Авторы сообщают о 34-процентном улучшении recall математических ошибок относительно zero-shot подхода на benchmark SPOT и о пилотном использовании системы авторами работ, направлявшихся на STOC и ICML. Это также препринт, однако направление развития технологии видно достаточно отчётливо.

Следовательно, перед нами постепенно возникает не отдельный «умный корректор», а архитектура машинного научного контроля.

Но ИИ пока нельзя назначать судьёй науки

И здесь необходимо избежать другой крайности. Из того, что ИИ способен обнаруживать научные ошибки, совершенно не следует, что ему уже можно передать функцию окончательного арбитра. Исследование SPOT особенно хорошо демонстрирует эту проблему.

В benchmark вошли 83 опубликованные научные работы и 91 реальная ошибка, достаточно серьёзная для появления erratum или отзыва публикации. При тестировании современных моделей ни одна из них не превысила 21,1% recall и 6,1% precision. Более того, при повторных запусках модели далеко не всегда находили одни и те же ошибки.

Это принципиальное ограничение.

ИИ способен найти ошибку
Но ИИ способен также:
не увидеть существующую ошибку;
обнаружить несуществующую;
неправильно понять специальную терминологию;
смешать разные версии работы;
ошибиться в цитате;
не распознать контекст;
применить современную концепцию к историческому тексту, где она не существовала;
принять научную дискуссию за фактическую ошибку.

Поэтому правильная формула нового научного процесса выглядит не так:

ИИ → решение.

Она выглядит иначе:

ИИ → подозрение → доказательная проверка → человек-эксперт → решение.

Для обозначения этого вида деятельности можно предложить понятие:

МАШИННО-ЧЕЛОВЕЧЕСКАЯ НАУЧНАЯ РЕВИЗИЯ

Это систематическая повторная проверка уже существующего корпуса научного знания при помощи ИИ-агентов с обязательной экспертной верификацией обнаруженных противоречий.

Её нельзя полностью отождествлять ни с рецензированием, ни с репликацией эксперимента.

Рецензирование в основном направлено на работу до или во время публикации. Репликация повторяет эксперимент или исследовательскую процедуру.

Научная ревизия направлена на весь существующий корпус знания независимо от возраста публикации.

Её объектом становится сама научная запись. То есть совокупность:

• статей;
• монографий;
• справочников;
• таблиц;
• архивов;
• экспериментальных протоколов;
• диссертаций;
• учебников;
• цитат;
• определений;
• классификаций;
• формул;
• библиографических связей.

ИИ позволяет рассматривать всё это не как библиотеку текстов, а как систему утверждений, происхождение и достоверность которых можно последовательно проверять.

Наука впервые получает возможность массовой ретроверификации

Здесь целесообразно ввести ещё одно понятие:

РЕТРОВЕРИФИКАЦИЯ

Ретроверификация — целенаправленная повторная проверка ранее принятого научного знания современными средствами анализа.

До появления ИИ такую работу можно было проводить и раньше. Учёные пересматривали архивы. Исправляли таблицы. Повторяли эксперименты. Обнаруживали ошибки классиков. Проверяли цитаты. Переосмысляли старые теории.

Но это была чрезвычайно дорогая деятельность.

Чтобы проверить десять тысяч статей, необходимо огромное количество человеческого времени. ИИ изменяет прежде всего масштаб.

Агент способен предварительно просматривать массивы литературы, отбрасывать тысячи непроблемных фрагментов и выделять несколько десятков или сотен мест, заслуживающих экспертного внимания.

Таким образом, машина не заменяет эксперта. Она меняет экономику его внимания. Самым дефицитным ресурсом науки становится уже не информация — её слишком много.

Дефицитным ресурсом становится квалифицированное человеческое внимание.

ИИ способен направлять это внимание туда, где вероятность ошибки, противоречия или научной аномалии наиболее высока.

Шесть уровней ревизии старой науки

Можно предположить, что машинная ревизия научной литературы будет развиваться как минимум на шести уровнях.

Уровень	Содержание
Первый уровень — техническая проверка	Формулы.Числа.Единицы измерения.Таблицы.Графики.Ссылки.Библиография.Соответствие результатов исходным данным.Это наиболее формализуемая область.
Второй уровень — логическая проверка	Следует ли вывод из приведённых данных?Не противоречит ли один раздел статьи другому?Не происходит ли незаметная подмена понятия?Правильно ли использована статистическая аргументация?
Третий уровень — библиографическая проверка	Действительно ли цитируемый источник существует?Правильно ли он указан?Действительно ли автор первоисточника утверждал то, что ему приписывают?Эта задача приобретает дополнительную актуальность потому, что сам генеративный ИИ уже стал источником новых проблем. В апреле 2026 года Nature сообщала о масштабной проблеме недействительных и галлюцинированных ссылок в современной научной литературе.Возникает парадокс:ИИ начинает одновременно загрязнять научную запись и создавать инструменты её очистки.
Четвёртый уровень — историческая проверка	Когда впервые появилось утверждение?Кто его сформулировал?Как выглядела первоначальная формулировка?Какие изменения она претерпела?Какие промежуточные авторы изменили её смысл?
Пятый уровень — теоретическая проверка	На каких экспериментальных основаниях построена теория?Какие основания впоследствии были опровергнуты?Продолжает ли современная теория использовать элементы, возникшие из устаревших представлений?
Шестой уровень — генеалогическая проверка знания	Это наиболее сложная форма.ИИ должен восстановить не отдельный факт, а историю рождения научного объекта. Например: 1908 → первоначальный эксперимент 1923 → первая интерпретация 1937 → изменение терминологии 1954 → включение в учебник 1971 → упрощение первоначальной модели 1998 → цитирование уже упрощённой версии 2026 → современная теория, опирающаяся на результат 1971 года.

И тогда может оказаться, что современная наука спорит уже не с первоначальной концепцией, а с её многократно изменённой копией.

---

ИИ превращается в инструмент научной археологии

Именно здесь перед нами открывается направление, которое выходит далеко за пределы проверки арифметики. Можно назвать его машинной научной археологией. Задача такой системы: не просто найти публикации по теме, а восстановить происхождение идеи. Агенту задаётся научное положение. После этого он последовательно ищет: самые ранние формулировки; предшествующие концепции; изменения терминологии; прямые и косвенные заимствования; появление новых экспериментальных подтверждений; противоречащие исследования; забытые альтернативные объяснения; момент превращения гипотезы в «общеизвестный факт». Получается своеобразное генеалогическое дерево научного знания. Для истории психологии, педагогики, криминологии, медицины, военной науки и других дисциплин такая технология способна оказаться исключительно значимой. Потому что во многих гуманитарных и прикладных дисциплинах ошибка скрывается не в числе. Она скрывается в происхождении понятия.

Необходимо проверять не только результат, но и путь его возникновения

Современный научный поиск часто начинается с ключевых слов.

Исследователь спрашивает базу данных:

«Что известно по этой проблеме?»

И получает наиболее релевантные современные публикации.

Будущая агентная система должна ставить другой вопрос:

«Почему сегодня считается, что это известно?»

Это намного более сильный запрос.

Он требует восстановить цепочку доказательства.

Например:

современное утверждение
↓
работа, на которую ссылаются
↓
работа, на которую ссылался её автор
↓
первоначальное исследование
↓
исходные данные
↓
метод получения данных
↓
условия эксперимента.

ИИ становится своеобразной машиной обратного научного расследования.

---

11. Научные базы будущего должны хранить не только знания, но и степень их проверенности

Сегодня библиографическая система показывает прежде всего:

• название работы;
• авторов;
• год;
• журнал;
• количество цитирований.

Но количество цитирований ничего не говорит о правильности утверждения. Будущая научная инфраструктура может содержать совершенно другие характеристики.

Например:

• утверждение проверено автоматически;
• математические расчёты проверены;
• первоисточник цитаты подтверждён;
• результат реплицирован;
• обнаружено противоречие;
• требуется экспертная проверка;
• существует альтернативная интерпретация;
• источник происхождения утверждения не обнаружен.

Тогда научная публикация перестанет быть статичным PDF-файлом. Она станет объектом постоянной проверки.

Научная статья может перестать быть окончательно завершённым объектом

Сегодня существует довольно странная ситуация. Учёный публикует работу. Через двадцать лет появляются новые методы анализа. Но сама работа продолжает существовать практически в том же информационном состоянии, что и в момент публикации.

ИИ способен изменить это.Каждая значимая работа потенциально может иметь динамический паспорт проверки. Например:

опубликована — 1986;
проверена статистика — 2026;
обнаружено несоответствие в таблице 3;
авторский вывод не затронут;
цитаты проверены — 97%;
эксперимент реплицирован дважды;
существуют три исследования с противоположным результатом.

Научная литература тогда превращается из склада публикаций в живую проверяемую систему знания

Возникает новая профессия

Из этого следует ещё одно последствие. На границе ИИ и науки появляется специалист нового типа. Он не обязательно является автором первоначального исследования. Его задача — проверка существующего знания.

Можно представить специальность:

• научный ревизор;
• оператор научной верификации;
• архитектор агентного научного аудита;
• исследователь научных генеалогий.

Такой специалист должен одновременно понимать: методологию науки; предметную область; логику доказательства; работу с источниками; историю научной дисциплины; возможности и ограничения ИИ; принципы агентных систем.

ИИ не уничтожает работу учёного. Он создаёт новый класс исследовательской работы.

Ревизия должна начинаться с наиболее значимых оснований

Невозможно одновременно перепроверить всю мировую науку. Поэтому возникает проблема приоритета.Первыми объектами массовой ретроверификации должны становиться не случайные статьи, а публикации с наиболее высоким системным значением.

Например:

• классические работы, имеющие тысячи цитирований;
• справочные базы;
• учебные таблицы;
• методические стандарты;
• результаты, используемые в большом количестве последующих исследований;
• научные утверждения, непосредственно влияющие на медицинские, инженерные или общественные решения;
• публикации, лежащие у основания крупных научных школ.

То есть проверять следует прежде всего узлы научной сети, ошибка в которых способна распространяться дальше всего.

Наука получает обратное направление движения

До сих пор основное движение науки можно было представить так:

Заключение

Появление ИИ-агентов, способных находить ошибки в старых публикациях, важно не потому, что компьютер научился лучше проверять формулы. Перед нами более глубокое изменение самой организации научного труда. На протяжении столетий главным ограничением повторной проверки науки был человеческий ресурс.

Научная литература постоянно увеличивалась, а количество времени, которое эксперт мог потратить на пересмотр старых оснований, оставалось ограниченным.

ИИ меняет это соотношение. Он позволяет создать огромный слой предварительной интеллектуальной работы между научным архивом и человеком.

Машина может искать. Сопоставлять. Пересчитывать. Восстанавливать ссылки. Прослеживать происхождение утверждений. Находить противоречия.

Но окончательное решение должно оставаться за научной процедурой и человеком. Поэтому будущее принадлежит не полностью автоматизированной науке.

Наиболее перспективной выглядит машинно-человеческая наука, в которой искусственный интеллект резко увеличивает масштаб проверки, а человек сохраняет функцию методологического, предметного и эпистемологического контроля.

В результате возникает новая научная задача. Недостаточно спрашивать:

«Что нового мы можем открыть?»

Необходимо одновременно спрашивать: «Насколько надёжно то, что мы уже считаем открытым?»

Именно поэтому ИИ-агенты, возвращающиеся к публикациям двадцати-, пятидесяти- и столетней давности, могут оказаться не менее важными для будущего науки, чем системы, создающие новые гипотезы.

Наука XXI века нуждается не только в машине открытия. Ей необходима машина ревизии.

И, возможно, одной из наиболее важных функций искусственного интеллекта станет не производство всё большего количества нового знания, а постоянная очистка, проверка и восстановление фундамента, на котором это знание строится.

Сам факт того, что искусственный интеллект способен обнаружить ошибку в старой публикации, ещё не создаёт новой научной технологии. Для возникновения технологии необходима процедура.

---

В следующей статье будет рассмотрена МЕТОДИКА МАШИННО-ЧЕЛОВЕЧЕСКОЙ РЕВИЗИИ НАУКИ. От обнаружения ошибки к систематической проверке научного наследия.