Академик Олег Мальцев работает над созданием нового научного инструмента
Как искусственный интеллект может увеличить исследовательскую мощность человека, ускорить проверку научных данных, повысить достоверность экспериментов и помочь найти кратчайший путь к актуальному открытию.
Наука столкнулась с новым пределом
В истории науки существовало множество ограничений, которые человеку удавалось преодолевать с помощью технических изобретений. Микроскоп расширил возможности зрения. Телескоп позволил наблюдать объекты, находящиеся на огромных расстояниях. Вычислительные машины многократно увеличили скорость математических операций.
Однако существует ограничение, которое до сих пор не удалось преодолеть в сопоставимой степени. Это ограничение исследовательской способности самого человека.
Современный учёный располагает гораздо большим объёмом информации, чем исследователи предыдущих столетий. Ему доступны электронные библиотеки, международные научные базы, цифровые архивы, результаты экспериментов, математические модели и вычислительные системы.
Но одновременно возник парадокс: чем больше знаний накоплено человечеством, тем сложнее отдельному исследователю использовать их как единую систему.
Даже исключительно образованный учёный не способен прочитать все публикации по интересующей его проблеме, проверить происхождение каждого утверждения, сопоставить тысячи экспериментальных результатов и обнаружить все существенные связи между различными научными дисциплинами.
Особенно сложно работать с информацией, которая исторически оказалась разделена между научными школами, институтами, языками и исследовательскими традициями.
В результате необходимое для открытия знание может уже существовать, но оставаться практически недоступным исследователю не потому, что оно засекречено или утрачено, а потому, что никто ещё не сопоставил необходимые сведения.
Именно это противоречие стало одной из отправных точек исследовательской программы академика Олега Мальцева.
В её основе находится вопрос:
Можно ли создать научный инструмент, который увеличивает не отдельную интеллектуальную функцию человека, а саму способность осуществлять научное исследование?
Так возникла идея машины исследования.
1. Не ещё одна машина ответов
Современный искусственный интеллект преимущественно воспринимается как технология получения ответов.
Человек формулирует запрос, система анализирует доступную информацию и предлагает результат.
Более сложные решения способны искать научные публикации, работать с документами, выполнять вычисления, анализировать данные и формировать гипотезы.
Эти возможности уже имеют значительную практическую ценность. Однако между получением ответа и проведением научного исследования существует принципиальное различие.
Исследователь не всегда знает, какой вопрос следует поставить.
Он может начать с одной проблемы, обнаружить противоречие, изменить первоначальную гипотезу, вернуться к источникам, провести эксперимент и получить результат, который потребует совершенно новой постановки задачи.
Научное исследование представляет собой не последовательность готовых ответов, а непрерывное преобразование состояния знания.
Поэтому машина исследования должна работать не только с вопросом и ответом, но и с самой исследовательской траекторией.
Её назначение — не заменить учёного искусственным интеллектом, а увеличить возможности человека при поиске, проверке и получении нового знания.
Машина исследования — предполагаемый класс человеко-машинных научных систем, предназначенных для увеличения скорости и широты проверки знаний, повышения качества экспериментальной работы и сокращения пути от обнаруженного неизвестного до воспроизводимого научного результата.
В исследовательской программе Мальцева эта задача определяется четырьмя основными направлениями.
2. Четыре координаты машины исследования
Для нового научного инструмента сформулированы четыре принципиальные задачи:
Первая — радикально увеличить скорость проверки и сопоставления научных данных.
Вторая — обеспечить максимально возможную энциклопедичность исследования.
Третья — повысить вероятность получения достоверных, проверяемых и воспроизводимых результатов научных экспериментов.
Четвёртая — находить кратчайшую проверяемую траекторию к актуальному научному открытию именно в тот исторический момент, когда оно становится практически возможным.
Эти задачи взаимосвязаны.
Скорость без достоверности способна ускорить производство ошибок.
Энциклопедичность без сопоставления превращается в накопление информации.
Эксперимент без понимания уже существующих знаний может повторять ранее совершённые ошибки.
А исследование без рационального выбора направления способно привести к достоверному, но малозначимому результату ценой многих лет работы.
Поэтому четыре функции должны рассматриваться как единая система.
Скорость × энциклопедичность × экспериментальная достоверность × актуальность исследовательской траектории.
Именно их совместное развитие определяет замысел новой машины.
3. Скорость: преодоление ограничений исследовательского времени
Представим научную проблему, для решения которой необходимо проанализировать несколько тысяч публикаций.
Исследователь вынужден работать с ними последовательно, затрачивая время на поиск, чтение, проверку, сравнение и интерпретацию.
Но ключевые сведения могут находиться всего в нескольких работах, опубликованных в разные десятилетия и относящихся к различным дисциплинам.
Каждый из этих фактов известен.
Однако научное значение возникает только в тот момент, когда они оказываются сопоставлены.
Следовательно, задача машины заключается не просто в ускорении доступа к документам.
Необходимо существенно ускорить выполнение исследовательских операций:
поиск → проверка → сопоставление → обнаружение совпадений → выявление противоречий → установление связей → формирование нового исследовательского вопроса.
При этом скорость не может оцениваться исключительно количеством обработанных страниц или документов.
Главный показатель — время, необходимое для получения содержательного и проверяемого результата.
Если задача, требующая нескольких месяцев последовательного анализа, может быть выполнена за существенно более короткий срок без потери качества проверки, возникает реальное увеличение исследовательской мощности.
Но ускорение составляет только первую часть задачи.
4. Энциклопедичность: соединение разобщённого знания
Современная наука отличается высокой специализацией.
Каждая дисциплина обладает собственной терминологией, методами, корпусом литературы и системой профессиональных представлений.
Такое разделение необходимо для глубокого изучения объектов. Но одновременно оно создаёт ограничения для междисциплинарного исследования.
- Решение задачи психологии может находиться в теории управления.
- Проблема биомеханики может потребовать обращения к математическому моделированию.
- Экспериментальный метод, разработанный в физиологии, может оказаться применимым в совершенно другой исследовательской области.
- Человек неизбежно ограничен объёмом собственных профессиональных знаний.
- Машина исследования должна уменьшить влияние этого ограничения.
Под энциклопедичностью здесь понимается не простое накопление книг и статей, а способность охватывать максимально широкий релевантный корпус знаний и устанавливать содержательные связи между его элементами независимо от дисциплинарных, языковых, временных и институциональных границ.
Это принципиально отличается от электронной библиотеки.
- Библиотека хранит документы.
- Поисковая система находит документы.
- Машина исследования должна помогать устанавливать отношения между содержащимися в них знаниями.
- Факт необходимо сопоставлять с фактом.
- Эксперимент — с экспериментом.
- Теорию — с результатами, которые её подтверждают или ставят под сомнение.
- Исторический метод — с современными технологическими возможностями.
Именно такое сопоставление потенциально позволяет обнаруживать научные проблемы, неочевидные при изучении каждого источника по отдельности.
Энциклопедичность, таким образом, становится не свойством памяти машины, а свойством организованного исследовательского пространства.
5. Достоверность: эксперимент начинается до эксперимента
Научная гипотеза приобретает особую ценность тогда, когда появляется возможность проверить её. Но качество экспериментальной проверки зависит от множества обстоятельств.
Ошибки в измерениях, недостаточный контроль переменных, неудачный выбор метода, особенности исследуемого объекта и неправильно организованная процедура могут привести к результатам, которые трудно интерпретировать или воспроизвести.
Поэтому третья задача машины исследования заключается в повышении качества проектирования и проведения научных экспериментов.
Предполагается, что до начала нового эксперимента система сможет сопоставлять его проект с максимально широким массивом предыдущего научного опыта.
- Какие аналогичные исследования уже проводились?
- Какие результаты подтвердились при повторении?
- Какие методы оказались ненадёжными?
- Какие факторы могли исказить измерения?
- Почему разные исследовательские группы получили противоречащие результаты?
- Какая конструкция эксперимента позволит наиболее убедительно различить конкурирующие объяснения?
Работа с этими вопросами должна позволить исследователю обнаруживать существенные методические ограничения ещё до начала практического испытания.
При этом высокая достоверность не означает гарантированного подтверждения гипотезы.
Отрицательный результат также может обладать исключительной научной ценностью.
Цель машины — не увеличить вероятность желаемого результата, а повысить вероятность получения результата, который можно надёжно измерить, интерпретировать, проверить и воспроизвести.
Именно поэтому будущая система должна помогать не только анализировать экспериментальные данные, но и рационально выбирать сам способ получения новых данных.
Однако даже этого недостаточно.
6. Кратчайшая траектория к актуальному открытию
Можно чрезвычайно быстро обработать огромный массив информации.
Можно построить корректную научную модель.
Можно провести качественный эксперимент.
И всё же потратить значительные ресурсы на проблему, которая в данный момент не обладает высокой научной значимостью или практической разрешимостью.
Отсюда возникает четвёртая задача исследовательской программы Мальцева.
Машина должна помогать находить кратчайшую проверяемую траекторию к научно значимому открытию, достижимому именно в текущий исторический период.
Это не равнозначно поиску наиболее простой задачи. Иногда простая задача малозначима. Иногда сложная задача уже практически готова к решению, поскольку необходимые данные, методы и приборы существуют.
Поэтому необходимо учитывать несколько обстоятельств одновременно:
- Что остаётся неизвестным?
- Какие нерешённые проблемы имеют наибольшую научную значимость?
- Для каких проблем уже существуют необходимые знания и инструменты?
- Какие результаты можно проверить экспериментально?
- Какое следующее исследовательское действие способно обеспечить наибольшее продвижение к результату?
Таким образом, машина должна помогать выбирать не только способ исследования, но и его направление.
Для описания этой функции в программе используется понятие исследовательской навигации — выбора следующей научной операции с учётом её значимости, проверяемости, ожидаемой информативности и необходимых ресурсов.
И здесь возникает ещё одно принципиальное понятие.
7. Окно открытия: почему время имеет значение
Научное открытие существует в историческом контексте. Некоторые идеи возникают значительно раньше появления условий для их экспериментальной проверки.
Исследователям могут быть недоступны необходимые приборы, достаточные массивы данных, вычислительные средства или математические методы.
В результате перспективная гипотеза остаётся практически непроверяемой.
Однако со временем ситуация изменяется.
Появляются новые технологии. Накапливаются дополнительные экспериментальные результаты. Создаются методы обработки данных. Возникают возможности, которых не существовало раньше. Наступает период, когда научная проблема ещё не решена, но необходимые условия для получения нового результата уже существуют.
Такой период в исследовательской программе предлагается обозначать понятием «окно открытия».
Окно открытия — временной интервал, в котором научная проблема остаётся нерешённой, но доступная совокупность знаний, методов, данных и технологий уже делает получение нового проверяемого результата практически возможным.
У этого понятия существует важное следствие.
Научная машина должна помогать определять не просто перспективные задачи вообще, а задачи, для которых именно сейчас сложились благоприятные условия решения.
Это означает переход от поиска информации к научной навигации во времени.
Именно здесь скорость, энциклопедичность и экспериментальная достоверность начинают работать на общую цель: обнаружение актуального окна открытия и выбор кратчайшего проверяемого пути внутри него.
8. Исследовательский эксперимент: кибернетика государства прошлого периода
Постановка задачи создания машины исследования неизбежно требует практической проверки исходных предположений.
Одним из направлений работы академика Мальцева стало исследование научно-технического наследия кибернетики государства прошлого периода.
Был поставлен конкретный вопрос:
Существовала ли в государстве прошлого периода единая автоматизированная система, способная выполнять замкнутый цикл научного исследования?
Вопрос предполагал поиск не только вычислительной машины, но и возможной системы, объединявшей обработку данных, построение моделей, планирование экспериментов, управление экспериментальным оборудованием и анализ полученных результатов.
На первоначальном этапе были выделены несколько известных автоматизированных систем и программных средств научных исследований:
АСНИ МЭИ, DIPLEX, ПЛАНЭКС, АСНИ МИИТ, АСНИ ЛДИС и ДИСТА.
Они представляли разные направления автоматизации экспериментальной деятельности.
Одни обеспечивали планирование и статистическую обработку.
Другие поддерживали диалог исследователя с вычислительной системой.
Третьи применялись в конкретных научно-технических областях.
Отдельный интерес представляли адаптивные системы, способные изменять параметры экспериментального процесса с учётом поступающих данных.
При их функциональном сопоставлении обнаружился набор операций, составляющих значительную часть экспериментального исследовательского цикла:
планирование → измерение → сбор данных → обработка → моделирование → адаптация → следующий эксперимент.
Но дальнейшее исследование обнаружило ещё один массив разработок.
9. Машинное обучение и распознавание: другая сторона научного наследия
Параллельно с автоматизацией экспериментов в науке государства прошлого периода развивались направления, связанные с обучением машин, распознаванием образов, автоматическим построением моделей и представлением знаний.
Владимир Вапник и Алексей Червоненкис исследовали математические основания статистического обучения и способности моделей обобщать результаты наблюдений.
Марк Айзерман, Эммануил Браверман и Лев Розоноэр разрабатывали методы машинного распознавания и потенциальных функций.
Михаил Бонгард исследовал структурное распознавание, информативные признаки и построение правил различения объектов.
Юрий Журавлёв развивал математические методы распознавания и объединения алгоритмов.
Алексей Ивахненко создал метод группового учёта аргументов, позволявший автоматически строить и отбирать модели зависимостей по экспериментальным данным.
Виктор Глушков исследовал цифровые автоматы, вычислительные системы и автоматизацию интеллектуальных операций.
Дмитрий Поспелов занимался ситуационным управлением, представлением знаний и интеллектуальными методами принятия решений.
Каждая из этих научных школ решала собственный круг задач.
Однако при сопоставлении их функциональных возможностей с автоматизированными системами научных исследований возникла необычная картина.
Один массив разработок был ориентирован на работу со знаниями, закономерностями и моделями.
Другой — на организацию и проведение научного эксперимента.
Возник вопрос: насколько близко эти направления могли подойти к созданию единой исследовательской системы?
10. Разрозненные разработки как элементы возможного целого
Если рассматривать обнаруженные технологии не по названиям организаций, а по выполняемым функциям, возникает схема потенциального исследовательского комплекса.
Одна группа методов позволяла выполнять интеллектуальные операции:
распознавание закономерностей → выделение существенных признаков → построение моделей → оценка обобщения → представление знаний → выбор решения.
Другая обеспечивала экспериментальные операции:
планирование эксперимента → управление установкой → получение измерений → обработка результатов → адаптация экспериментального процесса.
Возможность их объединения позволяет реконструировать общий цикл:
ЗНАНИЯ И ДАННЫЕ
↓
ПОСТАНОВКА ПРОБЛЕМЫ
↓
ГИПОТЕЗЫ И МОДЕЛИ
↓
ПРОГНОЗ
↓
ПЛАН ЭКСПЕРИМЕНТА
↓
ФИЗИЧЕСКИЙ ЭКСПЕРИМЕНТ
↓
ИЗМЕРЕНИЕ И АНАЛИЗ
↓
ПРОВЕРКА И КОРРЕКЦИЯ ГИПОТЕЗ
↓
НОВОЕ СОСТОЯНИЕ ЗНАНИЯ
↓
СЛЕДУЮЩИЙ ИССЛЕДОВАТЕЛЬСКИЙ ЦИКЛ.
Такая схема представляет собой аналитическую реконструкцию возможностей различных технологий, а не утверждение о существовании единого исторического комплекса.
В изученном материале пока не установлена конкретная система, которая документированно объединяла бы все перечисленные функции.
Именно поэтому расследование продолжается.
Но для самой идеи машины исследования здесь возникает особенно важный результат.
11. Когда известные факты создают новое неизвестное
Каждая из рассмотренных научных разработок известна специалистам соответствующего направления.
Существование отдельных автоматизированных систем не является новым открытием.
История машинного обучения и распознавания также располагает обширным корпусом публикаций.
Однако при сопоставлении этих разработок возникает новый исследовательский вопрос:
Предпринималась ли попытка объединить интеллектуальные методы машинного обучения и построения гипотез с автоматизированным управлением реальным научным экспериментом?
Здесь демонстрируется один из принципов будущей машины исследования.
Неизвестное не обязательно возникает из отсутствия информации.
Иногда необходимые сведения уже существуют, но находятся в разных дисциплинах, книгах, исследовательских коллективах и исторических периодах.
Пока они не сопоставлены, новый вопрос может оставаться невидимым.
После сопоставления появляется исследовательская проблема, которой не было в первоначальной постановке.
Таким образом, обнаружение неизвестного может становиться результатом нового сочетания уже известных фактов.
Это не доказывает существование искомого исторического комплекса. Но показывает исследовательскую ценность самого сопоставления.
Именно такую деятельность предполагается существенно ускорить с помощью новой машины.
12. Почему особенно важен принцип отбора
Исследование исторических направлений кибернетики позволяет обратить внимание ещё на одну закономерность.
При ограниченных вычислительных ресурсах многие научные коллективы стремились повышать эффективность не только увеличением числа вычислений, но и организацией самой задачи.
Одни методы сокращали количество признаков, необходимых для распознавания.
Другие ограничивали сложность модели.
Третьи автоматически отбирали перспективные структуры и отбрасывали неудачные.
Четвёртые помогали рациональнее планировать экспериментальные действия.
Так возникали способы сокращения пространства поиска и количества операций, не дающих существенного прироста знания.
Этот принцип представляет интерес и для машины исследования.
Её эффективность не должна определяться стремлением выполнить максимально возможное количество вычислительных или информационных операций.
Значительно важнее уменьшать количество действий, не приближающих исследователя к результату.
Можно обработать огромное количество документов и не обнаружить ничего существенного.
Можно выполнить множество экспериментов, не получив возможности различить конкурирующие гипотезы.
Можно создать сложнейшую математическую модель, которая не даст нового понимания объекта.
Поэтому эффективная исследовательская система должна стремиться не к максимальному объёму работы, а к максимальной научной ценности каждой следующей операции.
Не вычислять всё возможное, а выбирать то, что действительно необходимо исследовать
13. Новый класс научного прибора
История научных инструментов показывает, что значительные изменения в науке происходят тогда, когда человек получает возможность выполнять ранее недоступные операции.
Микроскоп не заменил биолога.
Телескоп не заменил астронома.
Вычислительная машина не устранила необходимость в математике.
Эти инструменты увеличили возможности исследователей.
Аналогичный вопрос сегодня можно поставить в отношении искусственного интеллекта.
Может ли он увеличить не отдельную операцию, а весь цикл научной деятельности?
Может ли помочь одному исследователю ориентироваться в огромном пространстве разнородных знаний?
Может ли обнаруживать содержательные связи между результатами, которые ранее не сопоставлялись?
Может ли улучшать качество экспериментальной проверки?
Может ли помогать выбирать направление, в котором новый результат наиболее значим и достижим именно сейчас?
В случае положительного ответа появится основание говорить о новом классе научных инструментов.
Не только о вычислительных или информационно-поисковых системах.
А о машинах, предназначенных для увеличения исследовательской способности человека.
При этом центральная роль исследователя сохраняется.
Именно человек определяет научную проблему, оценивает значение результата, принимает решения и несёт ответственность за достоверность выводов.
Искусственный интеллект выступает средством расширения возможностей исследовательской деятельности.
14. Как измерить исследовательскую мощность
Концепция машины исследования должна иметь практический критерий эффективности.
Количество найденных документов таким критерием не является.
Скорость генерации текста — тоже.
Даже количество предложенных гипотез само по себе ещё не свидетельствует об увеличении исследовательской мощности.
Необходимо оценивать, насколько меняется траектория получения проверяемого знания.
В перспективе сравнение исследовательской работы с применением машины и без неё может включать несколько показателей.
Во-первых, время, необходимое для обнаружения и проверки существенных научных фактов.
Во-вторых, степень охвата релевантных знаний из разных дисциплин и научных традиций.
В-третьих, способность обнаруживать содержательные противоречия и формировать новые проверяемые исследовательские вопросы.
В-четвёртых, качество подготовки эксперимента, определяемое его методической обоснованностью, воспроизводимостью и способностью различать конкурирующие объяснения.
В-пятых, количество времени и ресурсов, необходимых для перехода от исходной проблемы к новому проверенному результату.
Именно последний показатель связывает все четыре функции машины.
Исследовательская мощность проявляется не в количестве произведённой информации, а в способности сокращать путь к достоверному новому знанию.
15. Текущий статус исследовательской программы
На данном этапе машина исследования академика Мальцева рассматривается как разрабатываемая научно-технологическая концепция, а не как завершённый прибор с подтверждёнными характеристиками.
Формулируются её основные задачи, исследуются возможные исторические предшественники, анализируются существующие методы машинного обучения, автоматизации научной деятельности и экспериментальной проверки.
Одним из направлений становится практическая оценка возможностей человеко-машинного исследования на конкретных нерешённых вопросах.
Особое значение придаётся проверке того, могут ли современные методы искусственного интеллекта существенно ускорить операции, которые ранее требовали длительной работы исследовательских коллективов.
Но окончательная оценка возможностей такой системы должна основываться на результатах практических испытаний.
Предстоит установить не только то, какие функции машина потенциально способна выполнять, но и насколько надёжно она делает это в реальных исследовательских условиях.
16. Научная навигация вместо бесконечного поиска
В современной науке постепенно возникает новая проблема.
Раньше одним из главных препятствий было отсутствие информации.
Теперь всё чаще препятствием становится необходимость правильно ориентироваться в огромном количестве уже существующих сведений.
Исследователю недостаточно знать, где находится нужная публикация.
Необходимо понимать, какое действие выполнить после её изучения.
Следует ли проверить первоисточник?
Сопоставить результат с другой дисциплиной?
Пересмотреть модель?
Повторно обработать экспериментальные данные?
Разработать новый метод измерения?
Или поставить принципиально другой эксперимент?
Машина исследования должна помогать выбирать следующий шаг, уменьшающий неопределённость и приближающий к значимому результату.
Это означает переход от информационного поиска к исследовательской навигации.
Именно она должна соединять энциклопедический охват с практической организацией научного исследования.
При таком подходе главной ценностью становится не количество возможных направлений, которые система способна предложить, а качество выбора направления, наиболее перспективного в данный момент.
17. Расстояние между неизвестным и открытием
В конечном счёте все четыре задачи машины исследования сходятся в одной точке.
Скорость позволяет уменьшать время проверки.
Энциклопедичность расширяет доступное исследователю пространство знания.
Качество экспериментального проектирования повышает надёжность проверки научных предположений.
Исследовательская навигация помогает выбирать кратчайшую проверяемую траекторию к значимому результату внутри актуального окна открытия.
Вместе они образуют новую постановку задачи искусственного интеллекта.
Главная цель машины исследования — максимально сократить расстояние между неизвестным и достоверным научным открытием.
Это расстояние определяется не только временем.
Оно включает количество необходимых исследовательских операций, сложность получения данных, возможности проверки гипотез, доступность экспериментальных средств и степень научной неопределённости.
Поэтому его сокращение требует одновременно интеллектуального, вычислительного и экспериментального развития системы.
Именно это отличает машину исследования от обычной системы поиска информации.
18. Машина, увеличивающая исследователя
На протяжении столетий человек создавал приборы, расширявшие его возможности наблюдать, измерять и вычислять.
Теперь возникает возможность поставить следующий вопрос.
Можно ли создать прибор, расширяющий саму способность человека исследовать?
Не просто быстрее находить известное.
Не просто убедительнее формулировать ответы.
Не просто обрабатывать большие массивы данных.
А помогать обнаруживать неизвестное, выбирать существенную научную проблему, проверять гипотезы и находить наиболее рациональный путь к воспроизводимому результату.
Исследовательская программа академика Олега Мальцева направлена именно на эту возможность.
Её конечная цель заключается не в создании машины, которая объявляет открытия вместо человека.
Речь идёт о системе, способной увеличить исследовательскую мощность учёного настолько, чтобы сделать доступными задачи, на которые прежде не хватало времени, информационного охвата или экспериментальных возможностей.
Если такая система окажется работоспособной, изменится не только скорость обращения с научной информацией.
Может измениться сама организация исследовательского труда.
Учёный получит возможность быстрее проходить путь от обнаружения противоречия до проверяемой гипотезы, от гипотезы до экспериментального результата, от результата до следующей научной проблемы.
И здесь появляется главный вопрос всей программы:
Что человек сможет открыть с помощью машины исследования из того, до чего без неё он просто не успел бы добраться?
Возможно, именно ответ на этот вопрос определит одно из наиболее перспективных направлений применения искусственного интеллекта в науке.
Потому что будущая машина исследования должна производить не максимальное количество ответов.
Она должна помогать человеку быстрее приходить к новым, достоверным и своевременным научным открытиям.
Академик Олег Мальцев. Исследовательская программа «Машина исследования».
Программная научно-популярная статья. Октябрь 2026 года.
