НТП на перепутье
Экспонента или плато: какие факторы сегодня влияют на темпы развития науки и технологий
Научно-техническим прогрессом (НТП) называют непрерывный процесс взаимосвязанного развития науки, техники и технологий, а также внедрения их достижений в производство и другие сферы жизни. Сегодня можно услышать диаметрально противоположные мнения о том, каковы темпы НТП в настоящее время. Технооптимисты говорят, что наука на подъеме и скорость внедрения новых технологий беспрецедентна, приводя в пример цифровую революцию (внедрение систем ИИ и роботизация), биоинженерные и медицинские (редактирование генома, новые лекарства), а также энергетические (коммерциализация ВИЭ, накопители энергии) технологии. Пессимисты же утверждают, что большинство технологий, которые мы сегодня широко используем в промышленности и в быту, базируются на фундаментальных научных открытиях прошлого века, современные инновации — это просто развитие уже разработанных технологий, цифровизация дает лишь иллюзию быстрого прогресса, который на самом деле вышел на плато. Своими взглядами на эту проблематику с «Вестником атомпрома» поделились Сергей Лозинский, кандидат экономических наук, заместитель директора центра Института статистических исследований и экономики знаний НИУ «ВШЭ» (ИСИЭЗ НИУ «ВШЭ»), и Юлия Мильшина, кандидат экономических наук, старший научный сотрудник, заместитель директора Международного научно-образовательного Форсайт-центра долгосрочного прогнозирования научно-технологического и социально-экономического развития НИУ «ВШЭ».
Какая из двух точек зрения на современные темпы научно-технического прогресса вам ближе? Считаете ли вы, что развитие идет быстрыми темпами или, наоборот, стагнирует?
Сергей Лозинский: Обе точки зрения не учитывают фундаментальные рамочные условия, которые изменились с XIX и даже с XX века. Рассмотрим эти три условия.
1. Кардинальное (на несколько порядков) усложнение требований к инфраструктуре для проведения научных исследований.
Условно до первой половины XX века исследования могли вестись силами одной научной лаборатории в составе нескольких человек, с очень простым по нынешним меркам лабораторным оборудованием. В тех условиях получение прорывных идей и решений было связано с определенным упорством, умением нестандартно мыслить, с тем, что сейчас называют серендипностью, и прочими свойствами личности, в целом характеризуемыми тем, что принято называть талантом или гением в науке. В настоящее время любые научные исследования — это результат сотрудничества нескольких лабораторий с коллективами в десятки людей и оборудованием стоимостью в миллионы/миллиарды долларов. Роль личности становится все меньше, а все большее значение имеют объем инвестиций в исследования и правильная организация работы. Это как в большом спорте — любой новый рекорд требует целой индустрии, работающей на спортсмена.
В копилку знаний
Серендипность (от англ. serendipity — «счастливая случайность, удачное совпадение») — термин, который употребляется в философии и социологии науки и в наиболее общем смысле означает умение находить новые возможности и совершать открытия на основании выводов из случайных наблюдений. Английский писатель Хорас Уолполвпервые использовал его в 1754 году в письме своему другу, придумав слово, которое отсылает к персидской истории о трех принцах из Серендипа (Серендип — это древнее арабское название острова Цейлон, ныне Шри-Ланка). Его герои постоянно делали неожиданные открытия и принимали мудрые решения благодаря своему вниманию к случайным событиям. Паттерн серендипности отсылает к распространенному опыту наблюдения неожиданных, аномальных явлений (данных), которые становятся поводом для появления новой теории или расширения уже существующей. Важно отметить, что серендипность возникает только при наличии подготовленного наблюдателя, способного превратить замеченную случайность в открытие. Хрестоматийным примером серендипности является открытие пенициллина, совершившее революцию в медицине, но ставшее результатом случайности: Александр Флемминг, изучавший стафилококки, обнаружил плесень, гибельную для бактерий, в невымытой чашке Петри.
Например, исследование Стефана Вутчи, Бенджамина Ф. Джонса и Брайана Уцци (Wuchty, S., Jones, B. F., Uzzi, В.) «Возрастающее доминирование команд в производстве знаний» (опубликовано в журнале Science, 2007) показало, что в начале XX века среднее количество авторов на статью составляло один-полтора человека. К 1980 году этот показатель вырос до трех-четырех человек, а к 2020-м годам в таких областях, как физика высоких энергий или биомедицина, средний размер команды достиг пяти — восьми человек, а в крупных проектах (например, CERN или исследования генома) исчисляется тысячами.
Для фармацевтики был даже сформулирован так называемый закон Ирума (обратно закону Мура для процессоров: Moore — Eroom): эффективность НИОКР в фармацевтике падает, а стоимость каждого нового одобренного препарата удваивается примерно за 10 лет.
2. Изменение ролей государства и бизнеса в развитии науки.
Опять же, примерно до начала XX века наука двигалась в значительной степени учеными-энтузиастами, использующими ресурсы благотворителей и в ряде случаев государства. Затем государства поняли, какую отдачу дают научные исследования для их мощи, прежде всего военной, и начали активно инвестировать в развитие науки. Вершиной такого подхода стали гонка вооружений и космическая гонка 70–80-х годов XX века. Все это соответствовало условно кейнсианскому подходу к развитию экономики, которая, предположительно, двигалась за счет масштабных инвестиций государства. Однако экономические проблемы в те же 1970-е годы привели к появлению нового подхода: основным двигателем развития должен становиться частный сектор, а государство для этого должно создавать условия. Успех этого подхода в экономической сфере привел и к изменениям в науке: государство (в разных странах) все больше уходило из прямого финансирования науки, оставляя себе отдельные приоритетные направления, а бизнес становился основным инвестором, и он, соответственно, определял ключевые цели и требования к результатам. В целом такой подход действует до настоящего времени.
В копилку знаний
Кейнсианство — макроэкономическая теория, в основе которой лежит идея о необходимости государственного регулирования экономики для защиты от негативных последствий экономических спадов. Теория названа по имени английского экономиста Джона Кейнса, который изложил ее в книге «Общая теория занятости, процента и денег» (1936 год). Теория получила огромную популярность после Великой депрессии, которая поставила на грань экономического краха промышленно развитые страны и показала, что свободные рыночные механизмы («невидимая рука рынка» по Адаму Смиту) не способны быстро справиться с возникшими проблемами. Кейнс считал, что во время экономического кризиса государство должно вкладывать в экономику как можно больше денег, не боясь дефицита бюджета. Если потребители не могут оживить спрос, то сделать это за них должно государство, запуская крупные инфраструктурные проекты, снижая налоги, делая доступными кредиты и увеличивая денежное предложение.
Так, по данным Национального научного фонда США (NSF), в 1950-х годах в США федеральное правительство финансировало около 65–70% всех научных исследований, а бизнес — лишь около 30%. К 2020-м годам ситуация стала зеркальной: на долю бизнеса приходится 70–75% всех расходов на НИОКР, тогда как доля федерального правительства упала до 20–25%. К чему такой подход приводит, продемонстрировала, например, история с COVID-19. Колоссальные инвестиции фармкомпаний направлялись в НИОКР по «инвестиционно привлекательным» лекарствам, то есть таким, для которых цена и массовый спрос обеспечивали высокую прибыль производителей, а лечение инфекционных заболеваний находилось за пределами их интересов. В условиях глобальной эпидемии понадобилась инициатива государств, чтобы фармкомпании срочно разработали необходимые вакцины и методы лечения.
С учетом новых глобальных вызовов государство в разных странах все больше возвращается в активное руководство научной сферой и определение приоритетов и направлений, тем не менее последние 20–30 лет в разных странах наука фокусировалась на обслуживании интересов и задач бизнеса, которые не всегда заметны для широкой публики.
3. Снижение «порога чувствительности» общества к негативным последствиям проведения НИОКР и внедрения их результатов.
Безусловно, регуляторные рамки в наше время являются более жесткими, чем 70–100 лет назад. Обусловлено это в первую очередь более высокой чувствительностью общества к возможным негативным последствиям. Направить человека в космический полет или подводное плавание с недостаточным уровнем безопасности, запустить в массовое использование изобретение, которое может привести при определенных условиях к вреду для здоровья и жизни людей, — все это в наши дни является такой ценой, которую общество не готово платить за научные достижения. Соответственно, любые действия по разработке и внедрению научных идей и решений требуют значительного объема предварительной работы, в том числе юридической, со стороны как организаций, проводящих НИОКР и внедряющих их результаты, так и регуляторных органов. Все это, безусловно, усложняет и в ряде случаев замедляет развитие науки и технологий. Примеры — беспилотный транспорт и все в большей степени ИИ.
Все эти три драйвера изменений рамочных условий действуют сонаправленно и приводят к тому, что значимых с точки зрения общества (и, следовательно, видимых обществом) фундаментальных открытий становится меньше. Это, однако, не означает, что их становится меньше в принципе.
Где, на ваш взгляд, проходит граница между принципиальной инновацией и модернизацией уже существующей технологии? Например, можно ли считать современный электромобиль принципиально новым устройством или это развитие конструкции, известной еще с XIX века, с применением более совершенных аккумуляторов, электроники и программного обеспечения?
Сергей Лозинский: Как мне кажется, такую границу проводить не очень правильно. Вообще, сам термин «инновация» в большей степени существует в экономической, бизнес-логике, то есть это такое новое решение, новая комбинация различных технологий, которая успешна с точки зрения бизнеса. Кроме того, любая крупная продуктовая инновация, как, например, современный электромобиль или современный смартфон, является суммой большого числа отдельных научных и производственных решений, некоторые из которых являются прорывными, некоторые нет, но в совокупности они приводят к определенному прорыву — с точки зрения потребительского продукта. Так, например, прорывом стало создание iPhone, потому что в совокупности он стал качественно новым решением для потребителей, не только удовлетворяющим их старые потребности, но и создающим (и также удовлетворяющим) новые. И все это стало возможным благодаря качественно новому уровню развития мобильной связи к этому моменту. Можно ли назвать такое решение принципиальной инновацией? С точки зрения научно-технологической новизны — скорее нет, с точки зрения использования рыночного и технологического момента для достижения успеха в бизнесе — да, безусловно. Схожая ситуация и с электромобилями: сумма используемых технологий достигла критического уровня для того, чтобы стать успешным потребительским решением.
Сейчас очень похожая ситуация может сложиться для антропоморфных роботов, однако лишь в том случае, если для них найдется коммерчески успешная и достаточно масштабная ниша для применения в логистике, промышленности и т. п. И, как мы видим, успешность этой инновации зависит не только от характера и новизны используемых технологий, но и от рыночного момента.
Почему некоторые технологии, которые в середине XX века казались достижимыми уже в обозримом будущем, до сих пор не получили ожидаемого развития? В частности, почему коммерческая термоядерная энергетика и масштабное освоение космоса оказались значительно более сложными задачами, чем предполагалось?
Сергей Лозинский: В каждом конкретном случае есть свои причины, и они различные. Что касается масштабного освоения космоса, то роль сыграли все перечисленные в ответе на первый вопрос факторы — «повышение планки» для создания новых достижений, замена государства бизнесом в качестве основного игрока и высокая чувствительность общества к рискам и катастрофам. С другой стороны, есть и объективные факторы: при достижимом уровне скоростей космических аппаратов даже полет человека к Марсу и обратно займет до трех лет, что потребует экстраординарных мер для обеспечения комплексной безопасности экипажа. А полеты в автоматическом режиме в пределах Солнечной системы давно уже стали достаточно рутинной деятельностью, которая не выглядит в глазах широкой публики каким бы то ни было достижением.
Юлия Мильшина: При этом важно отметить, что точность технологического прогнозирования сегодня существенно выросла благодаря новым инструментам. Если прогнозы середины XX века часто оказывались слишком оптимистичными и оторванными от инженерной реальности, во многом из-за недооценки сложности систем, то современные форсайты, опирающиеся на передовые методы анализа больших данных и продвинутые экспертные процедуры (опросы Дельфи, форсайт-сессии), демонстрируют высокую прогностическую силу. Так, в долгосрочном Прогнозе научно-технологического развития Российской Федерации на период до 2030 года (ПНТР-2030), утвержденном правительством РФ в 2014 году, который определяет наиболее перспективные области развития науки и технологий, обеспечивающие реализацию конкурентных преимуществ страны, было обозначено быстрое развитие интерфейсов «мозг — компьютер» для передачи сигналов конкретным паттернам нейронов. Еще один пример прорыва, описанного в ПНТР-2030, — препараты на основе живых клеток и продуктов их культивирования, которые превращаются сегодня в рутинную практику.
В копилку знаний
Форсайт — это комплексный метод предвидения, в основе которого лежат коллективное экспертное знание и количественные методы прогнозирования. Организация регулярного экспертного взаимодействия, во время которого ученые и бизнесмены, преподаватели вузов и чиновники, специалисты смежных областей могут систематически обсуждать общие проблемы, рассматривается как одно из главных преимуществ форсайта. В последнее десятилетие развитие форсайта идет по пути усиления его доказательной базы, преимущественно за счет усовершенствования инструментов анализа больших данных. Форсайт особенно актуален в условиях высокой неопределенности траекторий развития будущего, непредсказуемости воздействия экономических, социальных и экологических рисков, междисциплинарности и рассредоточенности экспертных оценок. Обычно в форсайт-проекте применяется комбинация количественных и качественных методов. Такой подход позволяет создавать альтернативные сценарии развития с учетом не только возможных или желательных событий, но и так называемых «диких карт» — маловероятных событий, которые потенциально могут оказать значительное влияние на будущее исследуемой сферы. Форсайт ориентирован не только на определение возможных альтернативных вариантов будущего, но и на выбор наиболее предпочтительных из них.
Может ли развитие искусственного интеллекта заметно ускорить сам научно-технический прогресс? В каких областях ИИ способен сильнее всего повлиять на скорость научных открытий, разработки новых технологий и их внедрения?
Юлия Мильшина: Да, конечно, развитие искусственного интеллекта способно качественно и заметно ускорить научно-технический прогресс, став наиболее значимым переломным моментом в истории цифровизации науки за последние десятилетия. Если в XX веке компьютеры автоматизировали вычисления, а в 2000-е годы облачные технологии и открытая наука ускорили обмен данными, то современная эра характеризуется превращением ИИ из экспериментальной технологии в полноценную часть научного метода, способную выдвигать новые гипотезы и обеспечивать прорывные открытия.
Первые заметные результаты такого ускорения проявились в начале 2010-х годов с появлением продвинутых сверточных нейронных сетей. Это позволило радикально увеличить скорость анализа огромных массивов данных в задачах, где ранее требовались годы ручной работы. Ключевыми областями стали обработка изображений МРТ, КТ и гистологических срезов в биологии и медицине, анализ треков частиц в физике элементарных частиц, а также автоматизированный поиск и распознавание новых космических объектов в астрономии.
Ключевую роль для практического применения нейросетей в науке сыграла разработка оптимальных для рутинного рабочего процесса рабочих сред (фреймворков), превративших ИИ-модели из эксперимента в рабочий инструмент. Во второй половине 2010-х годов, благодаря появлению удобных фреймворков, глубокое машинное обучение вышло далеко за пределы простой классификации. В физике получили развитие физически информированные нейронные сети (Physics-Informed Neural Networks, PINN) и модели квантовых состояний (Neural Quantum States) для моделирования процессов на квантовом уровне. В химии начали активно применяться средства дизайна молекул, а в науках о Земле появилась возможность быстро моделировать и прогнозировать климатические изменения и поведение сложных экосистем.
С начала 2020-х годов новую волну ускорения научных исследований задали большие языковые модели (LLM) и целенаправленные научные платформы. Специализированные поисковые системы и аналитические инструменты, а также мультимодальные модели, способные одновременно работать с текстами, данными и изображениями, сделали передовые аналитические возможности общедоступными. Это существенно сократило время на работу с научной литературой и синтез знаний.
Не менее важное влияние ИИ оказывает на управление научными процессами, устраняя организационные барьеры. Если в 2010-е годы облачные платформы сняли географические ограничения и ускорили совместную работу, то в 2020-е годы появились интеллектуальные системы управления исследовательскими портфелями. В отличие от классических электронных журналов, эти системы с помощью ИИ извлекают ключевые сущности (названия веществ, типы клеток) из записей, предлагают скрытые связи между различными экспериментами и автоматически генерируют шаблоны протоколов.
Дополнительно системы искусственного интеллекта оптимизируют логистическую и хозяйственную сторону науки. Платформы, такие как LabVantage автоматизируют учет образцов, управление запасами расходных материалов, планирование доступа к оборудованию и сбор данных с приборов. В сочетании с платформами открытой науки (например, OSF), которые стандартизируют хранение кода и данных, эти инструменты комплексно сокращают время всего исследовательского цикла: от формулирования гипотезы до практического внедрения новых технологий.
Ускорение научно-технического прогресса с помощью ИИ требует наличия собственных верифицированных инструментов стратегического анализа. Передовые системы на базе ИИ активно применяются в российской науке уже сегодня, например система интеллектуального анализа больших данных iFORA на базе суперкомпьютера НИУ «ВШЭ» (в реестре российского ПО), созданная ИСИЭЗ НИУ «ВШЭ» более 10 лет назад и отмеченная в отчетах ООН и докладе Генерального секретаря ООН в 2025 году в качестве передового инструмента технологического прогнозирования. Она помогает выявлять фронтиры науки — наиболее значимые тематики научно-технологической повестки, отражающие ее передний край, а также отслеживать ранние признаки изменений в части развития технологий, рынков, продуктов, компетенций и др. В отличие от облачных моделей общего назначения, разработанная в ИСИЭЗ модель iFORA.LLM функционирует как «интеллектуальный процессор», адаптированный исключительно к профессиональной лексике и логике научно-аналитических текстов. Она способна в защищенном корпоративном контуре (исключая риски утечки чувствительных данных) структурировать информацию, оценивать технологические риски и готовить верифицируемую аналитику, работая при этом в три раза быстрее и с существенно меньшими вычислительными затратами, чем аналоги.
Исходя из текущих темпов развития ИИ в науке, можно выдвинуть предположения о возможных научных прорывах, достижимых с помощью ИИ, на горизонте следующих 10–15 лет. В фундаментальных науках ИИ эволюционирует от инструмента автоматизации вычислений до полноценного соавтора открытий, переходит к самостоятельной генерации гипотез и построению интерпретируемых моделей сложных явлений, параллельно обеспечивая анализ колоссальных наблюдательных данных. В медицине, биоинформатике и материаловедении технологии искусственного интеллекта радикально сжимают цикл разработок за счет создания «цифровых двойников» организма, предсказания структур белков и генеративного дизайна материалов с заданными свойствами. Особый прорывной потенциал ИИ раскрывается при моделировании сверхсложных динамических систем и развитии человеко-машинного взаимодействия. Так, в компьютерных науках и робототехнике фокус смещается на создание объяснимого ИИ (XAI), достоверных генеративных моделей без «галлюцинаций», а также адаптивных ИИ-агентов и высокоточных нейроинтерфейсов. Наконец, в гуманитарной сфере технологии обеспечивают глубокую персонализацию, цифровое моделирование психики и сохранение языкового разнообразия, что в совокупности делает ИИ универсальным катализатором перехода к качественно новому уровню генерации и верификации научного знания.
Сергей Лозинский: Вероятнее всего, ИИ способен сильнее всего повлиять на скорость научных открытий, разработки новых технологий и их внедрения в тех областях, где требуется ускорение масштабных расчетов, например в гидро- и аэродинамике, расчете траекторий движения летательных аппаратов, то есть баллистике (в том числе космической), новых материалах, биотехнологиях и т. п. Там, где ИИ может помочь с анализом и расчетом больших массивов данных (причем на таких массивах данных, где исключена возможность и потребность в «додумывании» и изобретении новых данных самими нейросетями), это будет давать определенные результаты.
Насколько скорость распространения новых технологий сегодня ограничивается самой наукой, а насколько — институтами, регулированием, экономикой и общественной готовностью к изменениям? Можно ли говорить об «институциональном торможении» некоторых уже технически реализуемых решений, например беспилотного транспорта?
Сергей Лозинский: Это как раз третий фактор — высокая чувствительность общества к возможным рискам и потерям. Сейчас невозможно гарантировать 100-процентную безопасность беспилотного автотранспорта при массовом внедрении, а первый же серьезный инцидент приведет к необходимости искать виновного и распределять ответственность. Пока же не выработаны такие правовые механизмы решения, которые бы удовлетворили все стороны при подобных инцидентах.
