Пока никакого робота, который однажды утром проснулся с мыслью «интересно, а что там за горизонтом?», в Принстоне не построили. Том Сильвер, профессор электротехники и вычислительной техники, получил финансирование на проект Towards curious robot scientists that plan, experiment and learn — «К любопытным роботам-учёным, которые планируют, экспериментируют и учатся». Это исследовательское направление, а не готовая машина. Но иногда направление движения важнее готового устройства.
Потому что слово curious будто бросает вызов.
До сих пор договор между человеком и искусственным интеллектом выглядел довольно удобным. Мы ставим задачу – машина помогает её решить; мы выбираем цель – она перебирает варианты; мы формулируем гипотезу – она ищет данные, считает, моделирует, предлагает эксперимент. Чем сильнее становился ИИ, тем дальше отступала граница человеческой исключительности, но у нас всё равно оставался верхний этаж: мы решаем, что именно стоит исследовать и куда двигаться дальше.
Кажется, теперь исследователи добрались и до лестницы на этот этаж.
Вообще-то это произошло не вчера. Ещё в 2023 году в Беркли заработала A-Lab — автономная лаборатория для синтеза новых неорганических материалов. Она объединила вычисления, научные данные, машинное обучение и роботизированное оборудование. За 17 дней непрерывной работы система провела 353 эксперимента и получила 36 из 57 заданных материалов.
Самая важная деталь здесь не скорость. Когда очередной синтез не удавался, система анализировала результат и предлагала, как изменить следующий эксперимент. Получалась замкнутая петля: спланировать – сделать – измерить – понять, что произошло, - скорректировать следующий шаг.
Да, исходные цели – те самые 57 материалов – задали люди. Но внутри очерченного пространства машина уже не просто выполняла инструкцию. Она выбирала путь.
Летом 2026 года Nature Reviews Chemistry описал self-driving laboratories уже как сформировавшееся направление: алгоритмы в них могут предлагать, выполнять и интерпретировать эксперименты при ограниченном вмешательстве человека. А 8 октября Nature Synthesis посвятил отдельный выпуск переходу таких лабораторий из академических прототипов в промышленную практику. Вопрос уже не только «можно ли?», но и «как масштабировать?».
Но и это ещё удобно было считать очень развитой автоматизацией. Пусть машина сама выбирает температуру, состав реактивов или следующий вариант синтеза – глобальную гипотезу всё равно придумал человек.
В мае 2026 года эта защита тоже стала слабее.
В Nature вышла работа о системе Co-Scientist – многоагентном ИИ на базе Gemini. Ему задают исследовательскую цель и научный контекст, после чего несколько агентов генерируют гипотезы, спорят, критикуют варианты, ранжируют и уточняют их. Система задумана не только для пересказа литературы: она должна находить неожиданные связи, предлагать новые гипотезы и планы их проверки.
Рядом в том же выпуске Nature появился Robin – система для биомедицинских исследований. Она соединяет поиск литературы, генерацию гипотез, предложение экспериментальной стратегии и анализ реальных лабораторных данных. Получив результаты эксперимента, Robin может интерпретировать их и на этой основе сформулировать обновлённые терапевтические гипотезы.
Это ещё не автономный учёный в полном смысле слова. Люди просматривали предложенные системой препараты, а лабораторные испытания выполнялись по подготовленному человеком протоколу. Но принципиальная часть научного цикла уже перестала быть исключительно человеческой: наблюдение – гипотеза - эксперимент – данные – новая гипотеза.
И вот здесь становится неуютно.
Мы привыкли утешать себя тем, что ИИ умеет отвечать, но не умеет задавать вопросы. Что он силён, когда задача уже поставлена, но сам не способен посмотреть на результат и сказать: «А это странно. Почему так? А что, если проверить совсем другое?»
Но если система умеет оценивать результаты предыдущего эксперимента, сравнивать возможные продолжения, выбирать наиболее информативное, отбрасывать слабые гипотезы и строить новые – какая именно часть этого процесса ещё принципиально отличает её от операционной стороны научного любопытства?
Слово «любопытство» здесь требует осторожности. Машина не испытывает его так, как мы. Ей не становится скучно, она не лежит ночью без сна из-за мысли, которая никак не складывается, не чувствует восторга от найденной закономерности и досады после месяца неудачных опытов.
Но для науки может оказаться достаточно не чувства любопытства, а его функции.
Если любопытство в конкретной задаче можно разложить на операции – обнаружить неопределённость, понять, какое наблюдение сильнее всего её уменьшит, придумать проверку, получить данные и выбрать новый вопрос, - значительная часть того, что мы считали исследовательской инициативой, становится вычислимой.
Тогда приходится передвинуть границу.
Хорошо. Возможно, человек уже не обязательно решает, какой эксперимент провести следующим. Возможно, даже не обязательно формулирует следующую рабочую гипотезу. Но человек всё ещё задаёт большую цель. Мы хотим найти лекарство от болезни. Создать более ёмкий аккумулятор. Понять, как возникла жизнь. Предсказать изменение климата.
То есть машина может выбрать, куда двигаться внутри задачи, но саму задачу выбираем мы.
Пока.
И это «пока» теперь хочется произносить очень аккуратно.
Представим систему, которая видит миллионы публикаций, сопоставляет дисциплины, замечает слепые пятна, оценивает стоимость эксперимента, вероятность успеха и возможный эффект результата. Добавим данные о заболеваниях, климатических рисках, ресурсах и экономике.
Почему она не сможет сказать: из десяти тысяч нерешённых задач вот эти двадцать сейчас перспективнее остальных, а эта принесёт наибольшую пользу на год исследовательского труда?
Формально это уже выбор направления.
Но здесь обнаруживается следующий этаж.
Чтобы решить, какое исследование принесёт «максимальную пользу», сначала надо определить, что считать пользой.
Продлить человеческую жизнь или сделать оставшиеся годы здоровее? Лететь на Марс или очищать воду на Земле? Восстанавливать исчезающий язык, на котором говорят сто человек, или направить те же деньги на массовое образование? Сохранять старое здание или строить на его месте более эффективное новое? Дать человеку больше свободы с неизбежным риском ошибок или сделать систему безопаснее, но теснее?
Здесь арифметика заканчивается не потому, что машина плохо считает. Здесь просто нечего считать, пока кто-то не скажет, чего мы хотим.
Цель можно оптимизировать. Ценность приходится выбирать.
И вот здесь становится по-настоящему интересно. Потому что мы всё время говорим о «светлом будущем» так, словно это объективная точка на карте. Как будто достаточно выбрать правильную дорогу – и однажды впереди обязательно станет светлее.
Но свет – это человеческая метафора. Нам нужен свет. Мы строим дома с окнами. Ищем солнце зимой. Зажигаем лампу над книгой. Говорим о просвещении, выходе из тьмы, светлой памяти и светлом будущем. Мы почти незаметно встроили собственную биологию в представление о хорошем мире.
Машине свет не нужен. Ей может быть совершенно одинаково хорошо в ярко освещённой лаборатории и в тёмном дата-центре без единого окна. Она не станет несчастнее, если исчезнет красивый закат. Не почувствует тоски от города, в котором всё идеально эффективно и совершенно нечего любить. Не остановится перед старым деревом только потому, что его жалко срубить.
Если однажды мы попросим такую систему вести нас к «лучшему будущему», придётся очень точно объяснить ей, что именно означает слово «лучшее».
И вот тут возникает неприятный вопрос. А точно ли мы сами это знаем?
Люди тысячелетиями спорят о справедливости, свободе, счастье, красоте, достоинстве, прогрессе. Мы меняем ответы от века к веку, от культуры к культуре, иногда — от утра к вечеру. Наши ценности противоречат друг другу. Мы одновременно хотим безопасности и свободы, развития и сохранения, равенства и возможности отличаться.
Машина же прекрасно умеет работать с плохо сформулированной задачей. Ей можно дать множество противоречивых пожеланий, а она найдёт компромисс. И, возможно, однажды предложит нам будущее, которое будет безупречно соответствовать поставленным критериям. Только когда мы туда придём, может оказаться, что нам там почему-то плохо.
Потому что мы забыли включить в техническое задание вечерний свет в окне. Ненужную старую вещь. Ошибку, которую человеку позволено совершить. Право потратить время впустую. Дерево, которое экономически выгоднее было срубить. Разговор, от которого нет измеримой пользы. Возможность выбрать не самый эффективный путь.
Всё то, что трудно превратить в параметр оптимизации, но из чего почему-то и складывается жизнь. И тогда вопрос «а зачем тогда человек?» становится гораздо менее успокаивающим.
Возможно, человек нужен не для того, чтобы быстрее машины думать, лучше неё исследовать или даже указывать ей направление. А для того, чтобы время от времени посмотреть на идеально рассчитанный маршрут и сказать: нет. Мы туда не пойдём.
Даже если это самый короткий путь. Даже если все цифры говорят, что он правильный. Даже если впереди для машины совершенно достаточно света.
Потому что нам — нет.
