В новом интервью Сэм Альтман подтвердил то, о чем уже начали догадываться многие наблюдатели: у OpenAI есть не только публичные результаты в математике, но и ряд пока не опубликованных открытий.

Это важная деталь, потому что речь идет уже не просто о модели, которая помогает писать код или отвечать на вопросы, а о системе, которая начинает участвовать в самой логике научного поиска. ИИ все чаще не только объясняет готовые знания, но и помогает их создавать.

Особенно заметно это в математике. Когда OpenAI публикует новые результаты, за ними тут же следует волна разбора, проверки и уточнения со стороны исследователей.

Похожие процессы уже идут и в биологии: модели анализируют данные, предлагают гипотезы и варианты дизайна, а люди проверяют эти идеи экспериментом и возвращают результат обратно в цикл. На практике это превращает ИИ в полноценного участника научной работы, а не просто в инструмент для черновой помощи.

Но вместе с этим возникает и новая проблема: как публиковать такие результаты так, чтобы они были полезны миру и при этом оставались понятными для научного сообщества.

Если ИИ выдает математическую статью или научный вывод, этого недостаточно — материал нужно еще интерпретировать, перепроверять и превращать в знание, которым смогут пользоваться другие.

Именно поэтому вокруг опубликованных работ уже возникают независимые проекты, где математики помогают дорабатывать формулировки, восстанавливать пропущенные ссылки и делать логику доказательств прозрачной.

В биологии динамика не менее интересна. По данным Epoch AI, доля препринтов bioRxiv, в которых прямо указано использование больших языковых моделей, за последний год заметно выросла.

Это означает, что ИИ уже вошел в повседневную исследовательскую практику — не только для написания текста, но и для анализа данных, программирования, обзора литературы и даже элементов экспериментального дизайна.

Показателен и пример с биомедицинскими разработками, где ИИ помогал проектировать белки и модифицировать CAR-T-рецепторы. Здесь уже виден не просто анализ, а настоящая совместная работа человека и модели: ИИ предлагает варианты, исследователь отбирает лучшие, проводит эксперимент, а затем снова возвращает результат в систему для следующего улучшения. Такой цикл напоминает не разовую автоматизацию, а постепенное накопление исследовательской мощности.

Если смотреть шире, то все это связано с более крупным вопросом: может ли ИИ не просто ускорять науку, а ускорять сам себя. Уже сейчас модели помогают оптимизировать обучение других моделей, а это значит, что возникает контур, в котором система частично улучшает собственную инфраструктуру. Именно такой механизм в перспективе может приблизить переход к более автономным и сильным формам искусственного интеллекта.

Пока это еще не научная революция в финальном виде, а скорее ее подготовка. Но направление уже понятно: ИИ становится не внешним помощником науки, а ее внутренней частью. И чем точнее он умеет искать, проверять и улучшать идеи, тем ближе мы подходим к миру, в котором открытия будут рождаться в постоянном диалоге человека и машины.