В АлтГУ состоялись открытые лекции. Лекторы: астрофизик Роман Райкин, искусствовед Ольга Шелюгина, географ Ирина Ротанова. В предыдущем номере «ЗН» (№ 4 (1828) от 6 февраля 2026 г.) мы публиковали тезисы человека, постигающего тайны Вселенной. В этот же раз порассуждаем о том, как искусственный интеллект может помочь ученым.
Ольга Александровна Шелюгина, к. иск., доцент кафедры культурологии и дизайна АлтГУ. Лекция «Не просто промпты: AI-инструментарий современного исследователя»:
– Современный исследователь оказался в парадоксальной ситуации. Объем научных публикаций растет экспоненциально – ежедневно в мире выходят тысячи новых рецензируемых статей. При этом значительная часть рабочего времени ученого уходит не на собственно науку – генерацию идей, анализ, творческий поиск, а на техническую рутину: поиск литературы, оформление документов, административную работу. Возникает закономерный вопрос: как вернуть исследователю время для того, ради чего он пришел в науку?
Ответом становится концепция AI как «второго пилота». Принципиальный момент здесь – не замена человека машиной, а многократное усиление человеческих возможностей. Исследования показывают, что ученые, системно использующие инструменты искусственного интеллекта, демонстрируют заметно более высокую публикационную активность, а их работы получают больше цитирований. Это не магия, а результат грамотного перераспределения когнитивной нагрузки. Ключевая идея: AI берет на себя механические операции, человек сохраняет за собой стратегию, критическое мышление и творчество. Подчеркну: исследователь остается главным – меняется лишь структура его работы.
Научное исследование – горизонтальный процесс от идеи до публикации, и на каждом его этапе сегодня существуют специализированные AI-инструменты. На стадии формулирования гипотез языковые модели способны выступать в роли «коллайдера идей», то есть синтезировать концепции из разных областей и предлагать неочевидные связи между, например, нейропластичностью и поведенческой экономикой. Особенно продуктивной оказывается техника «совета оппонентов»: исследователь просит модель симулировать дискуссию между экспертами с разными позициями, например, технооптимистом, скептиком и прагматиком. Это позволяет выявить слабые места проекта на ранней стадии, когда исправление еще не требует значительных ресурсов. По сути, ученый получает доступ к виртуальному научному семинару в любое время. Формируется целая экосистема специализированных AI-сервисов для исследователей. Например, Elicit извлекает из статей структурированные данные и создает сравнительные таблицы для систематических обзоров. ResearchRabbit визуализирует связи между публикациями, работая как система рекомендаций научной литературы. Consensus синтезирует выводы из десятков работ, давая прямой ответ на исследовательский вопрос с указанием уровня консенсуса в научном сообществе.
Интеграция этих инструментов создает синергетический эффект. Вместо хаотичного поиска появляется структурированный «пайплайн» (последовательность этапов, конвейер, по которому задача или проект движется от начала до конца): от картирования области к верификации ключевых источников и систематическому анализу. Аннотированная библиотека, которая раньше требовала недель работы, создается за минуты. Отдельного внимания заслуживает применение AI в анализе качественных данных. Языковые модели способны выполнять первичное кодирование десятков интервью или фокус-групп. Принципиальный момент – всегда запрашивать результат в структурированном, машиночитаемом формате для последующей обработки. Это существенно сокращает трудозатраты, хотя финальную интерпретацию по-прежнему должен делать исследователь. Технология RAG (Retrieval-Augmented Generation) решает фундаментальную проблему: модель отвечает не из общих знаний, а на основе конкретных загруженных источников, с указанием ссылок. Это принципиально меняет надежность результатов.
Любой инструмент требует критического подхода. Необходимо верифицировать факты и цитаты через первоисточники, проверять сгенерированный код на тестовых данных, перепроверять статистические выводы. AI воспроизводит предвзятости обучающей выборки – об этом нельзя забывать. Важен и вопрос авторства: где граница между помощью и плагиатом? Международный консенсус однозначен – AI не может быть соавтором научной работы. Конфиденциальность данных также требует внимания: неопубликованные материалы и персональные данные не следует загружать в публичные модели. Следующий горизонт – автономные научные агенты, системы, способные самостоятельно провести полный цикл исследования, получив лишь начальную цель.
Однако и здесь принцип остается неизменным: цель искусственного интеллекта – не заменить исследователя, а усилить его интеллект, освободив от рутины для по-настоящему значимых идей.
Эльвира ПЕТРЕНЕВА
Фото Дмитрия ГЕРАЙКИНА
