Презентация новых научных разработок Сбера на конференции AI Journey привлекла внимание довольно широкой аудитории — от инженеров и исследовательских команд до представителей университетов. Платформа "ИИ для науки" и мультиагентная система AI-Researcher оказались ключевыми новинками: обе разработки демонстрируют переход к иной модели научной деятельности, где ИИ выступает не вспомогательным компонентом, а полноправным участником исследований. В результате сокращается время на обработку данных, повышается качество решений и появляется возможность компенсировать нехватку кадров.
Платформа создана Центром AI для науки Сбера как единая цифровая среда, где ученые могут работать с большими массивами данных, запускать эксперименты, оптимизировать модели и визуализировать результаты. Разработчики объясняют, что главная идея продукта — предоставить исследователям удобные ИИ-инструменты, которые снимают рутинную нагрузку и значительно ускоряют научный цикл.
Новая система ориентирована не только на российских пользователей. По словам создателей, интерес к платформе уже проявляют международные исследовательские группы — прежде всего из сфер вычислительной биологии, физики материалов и сложных инженерных симуляций. С помощью автоматизированных агентов можно сократить время аналитической работы с недель до часов, а сложные эксперименты — с месяцев до нескольких дней.
Центральным элементом платформы стала мультиагентная система AI-Researcher — разработка, созданная всего полгода назад, но уже показавшая результаты, опережающие зарубежные решения аналогичного класса. Тестирование показало, что по ряду параметров система превосходит известные модели Google DeepMind, включая AlphaEvolve и FunSearch.
ИИ-агенты Сбера способны формулировать гипотезы, проверять их, писать программный код, комбинировать успешные решения и критически анализировать ошибки. В области машинного обучения AI-Researcher проявил себя особенно убедительно: ему удалось улучшить архитектуру нейросети MEGA Университета Карнеги-Меллон, повышая точность ответов модели, а также оптимизировать структуру Hydra, уменьшив размер сети без потери эффективности.
"Нашу мультиагентную систему AI-Researcher можно охарактеризовать как профессионального научного работника, который анализирует информацию, выдвигает гипотезы, пишет код, проводит эксперименты и создает новую ценность. Она способна не только предлагать новые варианты решения задач, но и критически оценивать их, комбинировать лучшие решения и последовательно их развивать", — сказал директор управления риск-моделирования Роман Алферов.
Многие исследовательские команды сталкиваются с одинаковой проблемой: значительная часть рабочего времени уходит не на творчество, а на техническую работу — фильтрацию данных, подбор параметров, тестирование моделей, проверку гипотез. Платформа "ИИ для науки" позволяет перераспределить силы и освободить время для собственно научных задач.
"ИИ — это очень мощный инструмент, который эффективность труда ученых может повысить кратно и даже на порядки… Мы задались целью дать возможность всем нашим ученым удобный доступ к этому инструменту", — отметил управляющий директор Центра AI для науки Сбера Алексей Шпильман.
Разработчики открыли свободную регистрацию для всех заинтересованных специалистов, что делает платформу доступной не только исследовательским центрам, но и университетским лабораториям и частным учёным.
| Этап научной работы | Традиционный подход | Платформа "ИИ для науки" |
| Анализ данных | Занимает недели | Выполняется за часы |
| Подбор гипотез | Ручной, длительный | Автоматическая генерация |
| Проверка моделей | Требует масштабных вычислений | Оптимизированные ИИ-агенты |
| Подготовка результатов | Нужна визуализация и обработка | Готовые инструменты представления |
Зарегистрироваться на сайте Центра AI для науки.
Выбрать направление исследований и загрузить исходные данные.
Настроить работу ИИ-агентов под проект.
Запустить автоматизированный анализ и тестирование гипотез.
Изучить результаты и сформировать новую итерацию эксперимента.
Если ИИ-системы станут стандартом в научной работе, то роль исследователей сместится от рутинных вычислений к стратегическому анализу, формированию гипотез, интерпретации сложных результатов. Для научного сообщества это может означать переход к ускоренным циклам исследований и более быстрому внедрению новых технологий.
| Плюсы | Минусы |
| Ускорение исследований | Требуется обучение работе с системой |
| Оптимизация архитектур моделей | Зависимость от инфраструктуры |
| Снижение нагрузки на учёных | Нужна корректная подготовка данных |
| Возможность автоматизации гипотез | ИИ может ошибаться при недостатке информации |
Как начать пользоваться платформой?
Достаточно пройти регистрацию и загрузить рабочие данные — система подскажет дальнейшие шаги.
Подходит ли платформа для индивидуальных проектов?
Да, учёные-одиночки могут использовать те же инструменты, что и крупные лаборатории.
Можно ли применять AI-Researcher в коммерческих задачах?
Разработчики ориентируют систему на научные исследования, но многие инструменты адаптируются и для индустриальных проектов.
Миф: ИИ заменит учёных.
Правда: он ускоряет работу, но решения принимает человек.
Миф: такие платформы сложны в использовании.
Правда: интерфейсы становятся всё удобнее, а обучение занимает минимум времени.
Миф: ИИ опасно доверять научные гипотезы.
Правда: ИИ не действует самостоятельно — он помогает анализировать данные.
Ускоренные научные циклы могут снижать эмоциональное выгорание: когда рутина уходит на ИИ, у учёного остаётся больше энергии на творческие задачи. Качественный сон и сбалансированный график особенно важны при работе с высоконагруженными проектами — они улучшают способность принимать решения и анализировать сложные модели.
Некоторые ИИ-агенты способны генерировать гипотезы, которые человек мог бы не рассмотреть из-за объёма данных.
Ускорение научных циклов в десятки раз уже повлияло на развитие лекарственных препаратов.
Мультиагентные системы активно исследуются в квантовой химии и материалоразработке.
Развитие ИИ в научных исследованиях началось ещё в конце XX века, когда первые экспертные системы помогали анализировать ограниченные наборы данных; в 2010-х появились глубокие нейросети, которые резко расширили возможности предсказаний и моделирования, а в 2020-х бурный рост больших моделей и облачных платформ позволил перейти от вспомогательных ИИ-инструментов к полноценным интеллектуальным системам, участвующим в научном процессе наравне с исследовательскими группами.