Технический контекст
Я люблю такие моменты, когда хайп внезапно сталкивается с очень трезвой формулировкой. Теренс Тао в разговоре с Дваркешем по сути сказал то, что я вижу и в инженерных проектах: LLM отлично расширяют исследовательский контур, но не делают за человека главный интеллектуальный прыжок.
Если перевести это на язык AI automation, картина очень понятная. Модель помогает копать литературу глубже, собирать больше кросс-референсов, быстрее писать код для численных проверок, строить графики и оформлять материал так, как раньше никто бы просто не успел.
Тао даже сформулировал это почти идеально: статьи с AI становятся богаче и шире, но не глубже. Мне эта фраза нравится именно потому, что она убирает магию. Производительность растет, а источник открытия все еще сидит у человека в голове, часто с ручкой и бумагой.
И здесь есть важная техническая деталь, которую многие пропускают. LLM неплохо работают на локальных задачах с быстрым циклом: суммаризация, генерация чернового кода, поиск похожих идей, оформление, численные эксперименты, перебор вариантов.
Но когда задача требует долгой накопительной траектории, модель начинает буксовать. Тао очень точно подметил эту проблему: AI не наращивает навык от частичного прогресса так, как это делает человек или сильная исследовательская пара. Он прыгает, ошибается, снова прыгает, а контекст и эволюция идеи часто распадаются.
Я бы еще добавил от себя: даже когда длинный контекст формально есть, это не равно устойчивому исследовательскому состоянию. У модели нет настоящего внутреннего механизма научной настойчивости. Она не держит гипотезу неделями и не живет внутри проблемы.
Что это меняет для бизнеса и автоматизации
Вот тут начинается самое интересное. Если вы отвечаете за R&D, аналитическую команду или AI integration в исследовательский процесс, не надо продавать себе сказку про «автоматическое открытие». ROI сейчас лежит в другом месте.
Он лежит в пропускной способности. Одна команда может проверить больше гипотез, поднять больше литературы, быстрее закрыть слабые направления, аккуратнее упаковать результаты и не тратить ценные часы исследователей на механическую работу.
Поэтому разговор про «LLM как научных негров» звучит грубо, но указывает на реальный сдвиг. Люди уже используют модели как сверхдешевую исследовательскую рабочую силу: нагенерировать варианты, прогнать код, сверить формулировки, сделать дополнительные графики, найти соседние статьи, подготовить черновую аргументацию.
Побеждают те, у кого сильная верификация. Проигрывают те, кто путает объем с качеством и начинает мерить прогресс числом сгенерированных гипотез.
Это, кстати, почти зеркально повторяет то, что я вижу в бизнесе вне науки. Как только стоимость генерации идей и артефактов падает почти к нулю, бутылочное горлышко переезжает в проверку, фильтрацию, приоритизацию и ответственность за решение.
Именно поэтому AI solution development для исследовательских команд я бы строил не вокруг одного «умного чат-бота», а вокруг конвейера. Отдельные агенты на поиск литературы, отдельные на код и численные эксперименты, отдельные на нормализацию заметок, а сверху слой контроля качества и журналирования.
Без этого очень легко получить красивую фабрику псевдознания. Бумаг больше, графики аккуратнее, таблицы длиннее, а настоящего понимания не прибавилось.
Мы в Nahornyi AI Lab как раз решаем такие задачи для клиентов: не просто прикручиваем LLM, а собираем процесс так, чтобы automation with AI действительно снимала рутину и не размывала научную или продуктовую дисциплину. Если у вас команда тонет в проверке гипотез, обзорах, черновиках и повторяющихся исследовательских шагах, давайте разберем workflow и соберем AI architecture, которая ускорит людей, а не создаст еще один источник шума.