Как и где искусственный интеллект реально ускоряет научные открытия
Авторы из METR провели исследование, чтобы понять, в каких сферах науки и технологий внедрение ИИ ускоряет прогресс, а где влияние пока незначительно. Речь о больших языковых моделях (LLM, Large Language Models) — таких, как ChatGPT, — которые умеют понимать и генерировать текст.
Результаты разбили на три области: кибербезопасность, математика и собственно исследование ИИ. Самый заметный прорыв произошёл в кибербезопасности: количество обнаруживаемых уязвимостей значительно выросло в 2026 году по сравнению с 2025-м. Это касается отдельных крупных проектов (cURL, OpenSSL, Firefox, Microsoft) и баз данных по уязвимостям (например, американская NVD).
В математике ИИ тоже помог — объем публикаций на arXiv за последний год в некоторых направлениях удвоился. При этом сложно оценить качество и ценность таких работ. Но уже есть решения сложных задач с престижных списков.
Что касается оптимизации самого ИИ, например ускорения обучения моделей или решения задач оптимизации, то здесь ускорение почти не заметно: только несколько направлений из семи изученных получили небольшой импульс.
Эти данные показывают, что ИИ даёт рывок в тех сферах, где его навыки особенно органично применимы — автоматический поиск уязвимостей в коде, помощь в решении и проверке математических задач. Там, где сложнее формализовать задачи — например, в самоусовершенствовании ИИ — эффект пока слабее.
SPADE — как ИИ учит себя создавать задачи для тренировки агентов
SPADE (Self-Play in Adaptive Synthetic Executable Environments) — это инновационная технология, созданная учёными из ведущих университетов мира, включая Вашингтонский университет, Стэнфорд и МТИ.
Идея SPADE — автоматически создавать игровые среды (например, задачки или симуляции), где ИИ-агенты могут учиться и развивать свои способности. При этом один экземпляр модели создаёт «окружение» — условия, правила, цели, а другой агент в этом окружении пытается добиться результата.
TSPE — Образовательная среда с двумя ролями:
- Дизайнер среды: пишет сложные задачи в виде кода — например, головоломку, основанную на биологии или логике.
- Агент-исполнитель: учится решать эти задачи.
Вознаграждение для агента зависит от того, насколько он справляется с заданием без подсказок, то есть цель — научиться решать задачи по-настоящему, а не просто угадывать.
Такой цикл позволяет увеличивать сложность и разнообразие сред за счёт самой модели, значительно расширяя тренировки без постоянного участия человека.
Практика: где используется знание о дифференциальном эффекте ИИ и как попробовать SPADE
Если вас интересует помощь ИИ в решении реальных задач, понимание, что ИИ ускоряет именно кибербезопасность и математику, подскажет, где стоит искать уже готовые инструменты и продукты. Например, программы для автоматического поиска уязвимостей в коде.
Для тех, кто хочет поэкспериментировать с обучением агентов или самостоятельно создавать тренировки с помощью SPADE, можно следить за появлениями соответствующих библиотек и открытых репозиториев. SPADE пока — академическая разработка, требующая навыков программирования, но идея расширения данных во время обучения — важный тренд.
Для вас полезно знать, что ИИ теперь может не только обучаться на статичных данных, но и создавать эти данные сам, что в перспективе ускорит развитие более продвинутых агентов.
Кому важна эта информация и что делать дальше
Если вы занимаетесь IT-безопасностью, ИИ уже сегодня стал инструментом для обнаружения проблем раньше и точнее. Математикам и исследователям, интересующимся приложением ИИ, стоит следить за тем, как растёт качество автоматизированных доказательств и вычислительных экспериментов.
Для обычных пользователей это означает, что инновации в соседних сферах придут быстрее, но напрямую влияние будет заметно через сервисы и приложения вроде умных ассистентов.
Если вы хотите глубже понять тренды ИИ и даже участвовать в создании новых моделей и агентов, полезно изучить механизмы самосовершенствования моделей, например, с помощью SPADE, и следить за развитием инструментов обучения на сгенерированных данных.
Берите за привычку отслеживать новости и технические разборы, например, в разделе Новости OpenClaw и разделах про интеграции OpenClaw.
Чтобы повысить общий уровень понимания ИИ и его применения, полезно изучить наши материалы, например, полный гид по OpenClaw.
Источник: Анализ «Import AI 470» с исследованием METR и технологией SPADE, Jack Clark, август 2026 года, оригинал