Одержимость ИИ может лишить исследований, от которых зависит его выживание, необходимых ресурсов

Я уже десять лет пишу исключительно об искусственном интеллекте. В 2022 году в мире было всего несколько журналистов, которые занимались только ИИ; теперь нас несколько тысяч или больше, а в более обеспеченных изданиях этой теме посвящен труд не одного сотрудника.

Как вид, мы сосредоточили внимание, усилия, страхи и надежды на культурном и технологическом феномене, случающемся раз в столетие. До появления полезных больших языковых моделей и эффективной генерации изображений и видео на основе диффузионных моделей он пребывал в области «диковинок», а дипфейки были предметом политических споров, но мировая экономика, по всей видимости, не испытывала угрозы.

«Рутинный» шторм ИИ

Очевидно, теперь всё изменилось. Под угрозой оказалось всё, всё подвергается потрясениям, и, пожалуй, 2026 год стал годом, когда прогнозы на следующий год было труднее всего обосновать*.

Новые модели с закрытым исходным кодом и открытыми весами выпускают еженедельно, а иногда и по несколько раз в неделю. Выпуски следуют теперь так часто, что некоторые модели даже не получают обзоров от сообщества энтузиастов и любителей, у которых на этот счет сложилось скептическое отношение, а планка, необходимая для привлечения внимания на фоне непрерывного потока новинок, постоянно растет.

Как человек, который внимательно и профессионально следит за исследованиями и выпуском новых разработок, должен сказать: хотя улучшения в различных областях исследований и разработок в сфере ИИ оказывают значительное влияние, они, как правило, и всегда имели тенденцию появляться небольшими шагами, а не в виде революционных или эволюционных вех, таких как трансформеры. В наши дни потрясения связаны главным образом с влиянием ИИ на экономику, а не с его новейшими возможностями.

Кроме того, как я уже отмечал, качество идей, представленных огромным всплеском исследований в области ИИ с 2022 года, не всегда соответствует их количеству. Многие из них — повторные попытки, перекомбинации или пересборки уже существующих и более новых работ в стиле Франкенштейна: лоскутные архитектуры, призванные обеспечить кажущееся существенное улучшение по сравнению с предыдущими работами, но при более пристальном рассмотрении оказывающиеся скованными хрупкими методологиями или абсурдно высокими затратами видеопамяти.

Пустующие тематические поля

Когда тысячи журналистов переключились на освещение ИИ, темам, о которых они писали раньше, неизбежно стало уделяться меньше непосредственного внимания. В некотором смысле это было не так уж важно, поскольку ИИ и его внедрение настолько повсеместно распространились в культуре и инфраструктуре, что, например, корреспондент, пишущий об энергетике, теперь освещал бы связанные с ИИ вопросы чаще любых других. То же можно сказать о журналистах, освещающих экономику, занятость, политику и государственное регулирование, а также другие темы.

Казалось, теперь все эти темы можно рассматривать сквозь призму ИИ; возможно, этим отчасти объясняется резкий рост специализированных публикаций об ИИ на фоне неуклонно сужающейся сферы (хотя в последнее время она немного оживилась).

Поэтому невольно задаешься вопросом: не получают ли другие темы недостаточного освещения из-за «одержимости ИИ» — темы, истории, тенденции и направления развития которых в конечном счете могут повлиять на саму «золотую тему» ИИ?

Но что тут поделаешь? Ресурсы ограничены, а ИИ пока что стал главной историей столетия.

Великое переселение в сферу ИИ

Согласно новой научной статье, которая вызвала у меня сильный отклик, нечто подобное может происходить и с самим ИИ. Помимо риска, что сокращение ресурсов и повторная подпитка снизят качество будущих моделей, вся научная экосистема, в которой возникают идеи и происходит их взаимное обогащение между дисциплинами, настолько сосредоточивается на исследованиях ИИ, что «счастливые случайности» — неожиданные связи между, казалось бы, не связанными друг с другом идеями, способные преобразить целые области, — могут становиться всё реже.

Вкратце, новая работа под названием «Усиление прорывов в области искусственного интеллекта ускоряет их собственное исчерпание» утверждает, что одержимость ИИ подрывает условия, способствующие появлению новых разработок, в том числе непосредственно влияющих на ИИ, и что в этой новой сфере интереса, если грубо пересказать авторов, наблюдается своего рода «инцестуозная тенденция», которая вряд ли приведет к чему-то хорошему.

В статье говорится^†:

«Господствующая парадигма устраняет не только соперничающие с ней парадигмы, но и то разнообразие, благодаря которому из нее самой могла бы сложиться парадигма-преемница.

«Сужение круга внимания после 2017 года, переход более половины всех авторов, сменивших область исследований, в сферу ИИ, снижение жизнеспособности новых идей и всё более резкое сокращение „хвоста“ популяций активных идей в последовательных циклах — всё это описывает систему, творческий потенциал которой подрывает успех созданных ею господствующих парадигм».

В предыдущих работах отмечалось, что ИИ может превращать исследования в монокультуру, однако авторы новой работы также считают, что растущее господство ИИ может лишить его свежих идей, необходимых для дальнейшего развития. Они сравнивают исследования в области ИИ с биологическими науками, где такие прорывы, как криоэлектронная микроскопия и AlphaFold, запускали схожие циклы инноваций — и упадка.

Чтобы получить эмпирические подтверждения своим теориям, авторы проанализировали 7,18 миллиона компьютерных научных работ, опубликованных в OpenAlex с 1990 по 2025 год, проследив изменения в темах исследований и цитировании, переходы 3,7 миллиона исследователей между областями, а также 73 089 рецензий, чтобы выяснить, как растущее господство ИИ повлияло на разнообразие научных исследований.

Один из самых интересных выводов, полученных на основе этих данных, касается недавнего перехода исследователей в сферу ИИ и ухода из областей, которыми они занимались прежде:

«Исследователи, переходящие в другую область, находятся на середине карьеры и уже успели добиться определённого признания. Они оставляют работу, благодаря которой завоевали своё положение, и следуют притяжению этой области, даже если за смену направления приходится расплачиваться»

Исследование показало, что более половины из 918 862 зафиксированных переходов между областями информатики пришлись на переход в ИИ, тогда как другие направления, особенно системные исследования и теория, постепенно теряли специалистов.

По данным новой статьи, изменение доли компьютерных научных работ, посвящённых ИИ, системам и теории, с 1990 по 2025 год. Каждый квадрат соответствует одному году: синий цвет обозначает увеличение доли, красный — её снижение. После 2017 года доля ИИ резко выросла, тогда как доли других областей сократились. Источник

С большей вероятностью переходили в другую область опытные учёные с уже сложившейся карьерой. Тем временем доля ИИ во всех компьютерных научных работах выросла с 40% в 2017 году до более чем 55% в 2025 году.

По данным блога Arxiv, рост числа поданных работ по информатике за 2-летний период 2024–2026 годов. Источник

Три сигнала

В статье выделены три «сходящихся признака», которые, по мнению авторов, определяют информатику с 2017 года.

Первый признак — резкое сужение круга исследовательского внимания после 2017 года, когда была представлена архитектура Transformer. Выделив десять наиболее заметных ключевых слов в каждой из 7,18 миллиона компьютерных научных работ, авторы проследили, насколько исследования сосредоточивались на одних и тех же темах:

Графики показывают, как с 2017 года исследования в области информатики становятся всё более концентрированными. Слева: исследователи сосредоточиваются на всё более узком круге тем. Справа: растущая доля цитирований приходится на всё меньшее число работ. Обе тенденции ускорились с появлением Transformer.

На протяжении десятилетий эта концентрация оставалась относительно стабильной, несмотря даже на развитие интернета, смартфонов и глубокого обучения. Однако с 2017 по 2025 год коэффициент Джини^†† для исследовательского внимания (см. изображение выше) вырос с 0,26 до 0,33 — на 27%. Цитирование тоже стало более концентрированным: коэффициент Джини поднялся с 0,60 до пикового значения 0,69.

Исследователи из Tsinghua University, University of Chicago и Santa Fe Institute отмечают:

«Transformer изменил область в масштабах, которых его предшественнику достичь не удалось. Это не случайный эффект: закономерность сохраняется при вариациях в [keyword count]»

И продолжают:

«Доля ИИ в компьютерных научных публикациях выросла с 40% до более чем 55% в период с 2017 по 2025 год, тогда как системные исследования отступают после долгого золотого века, а теория сокращается ещё сильнее».

Таким образом, результаты показывают: несмотря на расширение информатики, исследователи всё чаще занимались одними и теми же идеями и цитировали всё более узкий круг работ.

Второй «признак» связан с ростом числа исследователей, которые оставляют свои специализации ради работы в сфере ИИ. Проследив за карьерой 3,7 миллиона учёных, авторы выявили почти 919 000 переходов между областями информатики. Из них 53,81% пришлись на переход в ИИ — область, которая ежегодно привлекала новых исследователей, тогда как системные исследования и теория постепенно теряли специалистов:

Переход исследователей в область ИИ. На левом графике видно, что ИИ привлекает все большую долю исследователей из других областей информатики, тогда как системные исследования и теория теряют позиции. На двух графиках справа показано, кто с наибольшей вероятностью перейдет в эту область: исследователи, проработавшие в науке около 32 лет, чьи публикационные показатели выше, чем примерно у 82% коллег. Смена области учитывается, когда исследователь начинает публиковать большинство своих работ в другой области.

Как правило, переходили в ИИ состоявшиеся ученые в середине карьеры, а не новички или ветераны. Вероятность перехода в эту область достигала максимума при академическом стаже 31,8 года и среди исследователей, чей уровень публикационной активности находился на 82-м процентиле.

Третья из трех тенденций, отмеченных в статье, — растущая нагрузка на рецензирование — процесс, в ходе которого другие исследователи до публикации оценивают качество и надежность научной работы.

Изучив 73 089 рецензий на 26 731 работу, представленных на 45 конференциях и других площадках в период с 2017 по 2025 год, авторы обнаружили, что уверенность рецензентов в своей способности оценивать работы снизилась с 3,9 до 2,9 балла по пятибалльной шкале:

Графики изменений в научном рецензировании в период с 2017 по 2025 год. На левом графике показано, что рецензенты все меньше уверены в своей способности оценивать представленные работы: оценки снизились с 3,9 до 2,9 из пяти. На правом графике отслеживаются резкие комментарии в рецензиях: их число ненадолго сократилось в 2021 году, когда конференция NeurIPS перешла на более прозрачную платформу OpenReview, но затем снова выросло. На обоих графиках представлены скользящие средние за три года.

Авторы предполагают, что это снижение может быть связано с быстрым ростом ИИ, из-за которого стало сложнее подбирать для работ рецензентов с подходящей квалификацией:

«Пулы рецензентов переполнились новичками, которых привлекла притягательная сила ИИ. Рецензенты все чаще получают на оценку работы, насыщенные методами ИИ, которые выходят за рамки их основной специализации. Подобрать для поступающих работ действительно компетентных рецензентов стало структурно сложно.

«В таких условиях решение о принятии работы все больше напоминает подбрасывание монеты».

После золотой лихорадки (лихорадок)

В статье также предполагается, что величайшие прорывы в области ИИ в конечном счете могут ускорить собственное истощение: за каждым крупным достижением следует всплеск новых идей, но первоначальный поток инноваций затем сменяется вялым повторением, поскольку исследования все сильнее сосредоточиваются вокруг самих прорывов.^†:

«Последующие циклы развития современного ИИ быстрее достигают насыщения и острее истощаются. Цикл сжимается.

«На протяжении 36 лет развития информатики, охватывающих три крупных технологических прорыва — AlexNet, Transformer и большие языковые модели (LLM), — мы снова и снова наблюдаем одну и ту же спираль [pattern].

«Примечательно, что эта закономерность характерна не только для информатики. В биологии мы наблюдаем тот же цикл истощения после крупных достижений как в областях, не связанных с вычислениями (например, криоэлектронной микроскопии), так и в вычислительных методах (например, AlphaFold)».  

Такое «истощение» действительно произошло с автоэнкодерами, генеративно-состязательными сетями (GAN) и такими подходами на основе автоэнкодеров, как дипфейки. Исследователи годами безжалостно эксплуатировали все эти методы, хотя их потенциал явно уже был исчерпан, пока наконец не появились новые модели и подходы, позволившие снять с них эту нагрузку.

В любом случае, чтобы отслеживать эти циклы, авторы искали в научных аннотациях характерные существительные и фразы, следя за их появлением, исчезновением и периодическим возвращением как за признаками изменений в исследовательских идеях.

AlexNet в 2012 году и трансформеры в 2017 году каждый раз запускали волну новых идей, которая со временем стихала. С каждым прорывом ИИ вырывался вперед, а другие области информатики отставали и в итоге стали генерировать новые идеи реже, чем до 2012 года:

Сравнение долей новых исследовательских идей в области ИИ (синим), в информатике за пределами ИИ (красным) и в обеих областях вместе (пунктиром фиолетовым). После появления AlexNet в 2012 году и Transformer в 2017 году число новых идей резко выросло, а затем стало сокращаться. После второго прорыва преимущество ИИ увеличилось. Линии показывают скользящие средние за три года.

Такая закономерность наблюдается и в том, как идеи выходят из употребления: новые прорывы вытесняют прежние подходы, порой спустя годы после их появления. Однако сами прорывы тоже оказываются частью этого цикла: каждый привлекает всплеск исследовательского внимания, который со временем угасает, и область ждёт нового открытия, чтобы вновь набрать темп (как это произошло с Gaussian Splatting после 31-летнего перерыва):

Сравнение числа цитирований оригинальных статей об AlexNet (красным) и Transformer (синим) с 2012 по 2025 год. Доля цитирований каждой из них сначала росла, а затем резко снизилась, показывая, как со временем угасает интерес к важным прорывам. Линии показывают скользящие средние за три года.

Успех ИИ, как утверждают авторы, сосредоточивает исследователей и идеи вокруг нескольких доминирующих подходов, тогда как смежные области, которые могли бы помочь создать им преемников, продолжают сдавать позиции. Авторы не утверждают, что это непременно помешает будущим прорывам, но допускают, что ИИ постепенно истощает разнообразие, от которого может зависеть следующий скачок.

Авторы также отслеживали число идей, которые всё ещё активно используются. В ходе последовательных этапов развития ИИ это число всё сильнее отставало от ожидаемого; после появления Transformer разрыв оказался больше, чем после AlexNet:

График показывает число активных исследовательских идей в период последовательных прорывов в области ИИ. Сплошные линии отражают смоделированный рост, а пунктирные участки — фактическое число идей, опустившееся ниже прогнозируемого уровня. После появления Transformer отставание больше, чем после AlexNet; ранний спад наблюдается также в эпоху больших языковых моделей.

Подводя итог, авторы заключают, что концентрация усилий и специалистов на всё более узком круге задач, связанных с ИИ, грозит обеднить смежные области, которые прежде естественным образом подпитывали идеями сектор ИИ, а также другие разнообразные отрасли.

Ссылаясь на комментарий Джона Хасслера о присуждении Нобелевской премии по экономике 2025 года, авторы заключают:

«Нобелевский комитет предупредил: чтобы избежать стагнации, необходимо поддерживать механизмы созидательного разрушения. Наши результаты указывают на один из таких механизмов — интеллектуальное разнообразие — и показывают, что существующие институты его подрывают.

«Институты, распределяющие внимание, — в том числе системы рецензирования, сборы за подачу материалов и правила, системы вознаграждения, найм, продвижение по службе и принципы выхода на пенсию, — формируют условия, в которых может или не может возникнуть следующая парадигма. 12

«Чтобы грамотно выстроить эти институты, нужно не поддаваться искушению ещё активнее поддерживать парадигму, которая сейчас побеждает, ограничивать концентрацию усилий, а не исследования, и передавать полномочия по оценке от тех, кто публикует много работ, тем, кто предлагает новое.

«Созидательное разрушение поддерживает рост лишь до тех пор, пока оставляет материал для новых сочетаний. У сингулярности нет преемника».

* Для этого должно быть какое-нибудь слово: «неподдающийся прогнозированию»? Впрочем, это не отдельное слово, а выражение, и к тому же звучит так, будто речь идёт о 2026 годе, а не о взгляде из 2026-го на 2027-й. «Небудущируемый»? Проверка орфографии подчеркнула это слово красным, так что остановимся на нём.

^† Я преобразовал внутритекстовые ссылки авторов в гиперссылки.

^†† Коэффициент Джини показывает, насколько неравномерно распределено что-либо, по шкале от 0 (полное равенство) до 1 (максимальная концентрация). Здесь более высокий показатель означает, что исследователи сосредоточены на меньшем числе тем.

Впервые опубликовано в среду, 21 октября 2026 года