У науки всегда был один большой ограничитель — время. Чтобы провести серию экспериментов и найти рабочее решение, иногда требовались годы. ИИ меняет эту логику: сокращает сроки клинических исследований лекарств, ускоряет разработку новых материалов, прогнозирует качество продукции на производствах и отсеивает неподходящие гипотезы еще до исследования.

Следующий этап — превратить как можно больше успешных экспериментов в перспективные разработки. Что для этого потребуется и какие проекты уже подтверждают потенциал ИИ — в статье разбирает Максим Власов, заместитель генерального директора Московского инновационного кластера.

Почему ИИ становится одним из ключевых драйверов научно-технологического развития

Сегодня команды, соединяющие исследовательскую подготовку с прикладным ИИ, за месяцы проходят путь, который раньше занимал несколько лет.

Показательный перелом произошел еще в 2024 году, когда Нобелевскую премию по химии присудили за предсказание ИИ-модели. Алгоритм AlphaFold от ученых Демиса Хассабиса и Джона Джампера помог расшифровать структуру более 200 млн известных белков, лежащих в основе всех биологических процессов. За последние 60 лет биологи определили структуру лишь 190 тыс. белков — и только благодаря экспериментальным методам вроде криоэлектронной микроскопии.

Но AlphaFold — лишь один из примеров. Графовая нейросеть GNoME за рекордное время обнаружила 2,2 млн новых кристаллических материалов — а это эквивалентно знаниям, накопленным за почти 800 лет.

Потенциал ИИ в науке подтверждают и экономические показатели. По оценкам института McKinsey, интеграция ИИ в наукоемкие отрасли, исследования и разработки способна приносить мировой экономике до $4,4 трлн ежегодно.

Именно поэтому самые перспективные разработки сегодня появляются на стыке науки и ИИ: научная база дает глубину, а искусственный интеллект оптимизирует скорость работы и увеличивает ее масштаб. Все это делает команды, соединяющие глубокую предметную экспертизу с ИИ, одним из главных источников будущих технологических прорывов.

Какие направления находятся на передовой технологического развития

Сегодня разработчики все чаще переходят от больших языковых моделей (LLM) к компактным архитектурам, обученным под конкретные научные задачи (SLM).

Наиболее заметный прогресс идет в медицине и диагностике. В мировой практике ИИ уже способен сократить сроки доклинических исследований лекарств с 5-6 лет до нескольких месяцев. Так, компания Insilico Medicine успешно завершила фазу II клинических испытаний препарата от легочного фиброза, разработанного нейросетью, и перешла к фазе III.

В России этот тренд также набирает обороты: биотехнологическая компания BIOCAD использует методы машинного обучения для раннего поиска молекул и дизайна генно-терапевтических препаратов.

На уровне ежедневной работы с пациентами в России создаются платформы, распознающие результаты экспресс-тестов по фотографии и формирующие для пользователя понятное заключение. Отдельное важное направление — анализ состояния человека: появляются технологии, определяющие уровень стресса и эмоции, в том числе при общении с роботом.

А за пределами медицины активно развиваются ИИ-системы для работы с документами: они анализируют законодательство и объясняют изменения простым языком.

Как ИИ меняет процесс создания новых технологий

ИИ сокращает путь от идеи до работающего решения, перебирая тысячи вариантов, находя неочевидные закономерности в огромных массивах данных и отсеивая неподходящие направления еще до физического эксперимента. По данным BCG, применение ИИ в R&D позволяет снизить затраты на исследования и разработки на 20–30%.

Меняется и сама роль технологии в исследовании. ИИ участвует уже не только в обработке готовых данных, а в выдвижении гипотез, моделировании и проектировании.

Для промышленности это означает революционный переход от реагирования к прогнозированию. Например, на предприятиях "СИБУРа" предиктивная аналитика на базе ИИ предсказывает качество продукции и помогает избегать поломок оборудования, что дает экономический эффект в сотни миллионов рублей ежегодно.

Еще один пример: "Газпром нефть" разрабатывает ИИ-помощника для инженеров, объединяющего данные из более чем 200 баз данных и цифровых двойников. Специалист формулирует задачу в чате, а система самостоятельно запускает расчеты и предлагает оптимальные сценарии.

Разработчик, который соединяет научную экспертизу с прикладным ИИ, быстрее проходит путь от идеи до реального применения — и именно эта скорость сегодня определяет технологическое развитие.

Что отличает перспективную разработку от лабораторного эксперимента

Лабораторный эксперимент показывает, что решение работает в контролируемых условиях, однако этого недостаточно для промышленного применения.

По данным отчета MIT за 2025 год, несмотря на то, что организации инвестировали в генеративный ИИ $ 30–40 млрд долларов, 95% из них не получают от этого никакой прибыли. Проекты не доходят до стадии промышленной эксплуатации именно из-за оторванности от реальных бизнес-процессов.

Успех технологии определяется четырьмя критическими факторами:

1. Цена возможной ошибки. Решение о внедрении бизнес принимает исходя из соотношения пользы и стоимости ошибки.

2. Проверяемость характеристик. Заявленную эффективность необходимо подтверждать на реальных данных и с детальным описанием методики.

3. Технологическая зрелость. Решение должно встраиваться в существующую инфраструктуру заказчика и отвечать требованиям информационной безопасности.

4. Наличие подтвержденного запроса. Разработка становится востребованной только тогда, когда отвечает на конкретную потребность рынка.

Только сочетание всех этих факторов позволяет разработке выйти за пределы лаборатории и стать востребованной технологией.

Какие проекты уже подтверждают потенциал научного ИИ

В России активно развивается направление искусственного интеллекта. По данным, которые приводят "Ведомости", экономический эффект от внедрения ИИ в 2025 году составил от 0,5 до 1 трлн рублей.

Многие технологические стартапы и компании тестируют свои разработки в реальном секторе, в том числе благодаря пилотному тестированию инноваций Московского инновационного кластера (МИК). С 2020 года испытания прошли 570 компаний, каждая третья из них впоследствии стала партнером Москвы.

Одна из таких компаний — "АврораАИ" со своим решением "СеленаВижн": система на основе ИИ анализирует цифровые изображения микроскопических препаратов, находит на них диагностически значимые объекты и формирует предварительное заключение для профильного врача. Технология способна распознавать признаки заболеваний даже у тех пациентов, которые не имеют выраженных жалоб.

Активно применяется искусственный интеллект и для обеспечения безопасности городской среды. Мировой рынок решений умных городов растет на 15% ежегодно, и видеоаналитика — одна из главных его составляющих.

Так, компания "Аудит бизнес-процессов" создала интеллектуальную систему видеоаналитики Park Vision для безопасности городских парков. Она анализирует видеопоток с камер, распознает возгорания, задымление и нештатные ситуации, отличая реальную угрозу от обычной обстановки. При критическом инциденте экстренные службы получают мгновенное уведомление с точным местом и видеоподтверждением. Сейчас решение тестируется в Лианозовском парке и в перспективе может быть масштабировано на другие территории.

Что сегодня сдерживает развитие научного ИИ

Несмотря на колоссальный потенциал, развитие направления сдерживается несколькими барьерами:

1. Данные. Чтобы обучить ИИ-модель, нужен большой объем данных, где каждый пример заранее описан и классифицирован специалистами: например, для медицинского решения это могут быть снимки, на которых эксперты уже отметили области с отклонениями и те, что соответствуют норме. Подготовка таких баз требует времени и участия профильных специалистов, а для многих научных и отраслевых задач готовых наборов в нужном объеме пока нет.

2. Вычислительные мощности. Обучение и работа сложных нейросетей требуют производительных серверов и дорогостоящих систем. Доступ к таким ресурсам есть не у всех команд, что особенно чувствительно для небольших разработчиков.

3. Дефицит специалистов. Сейчас наблюдается острая нехватка тех, кто одновременно владеет машинным обучением и глубоко понимает предметную область. Это значительно замедляет появление новых решений.

4. Взаимодействие науки и бизнеса. Исследователи и корпорации подходят к задаче по-разному: для ученого важны точность и воспроизводимость, для бизнеса — сроки и окупаемость. Чтобы разработка дошла до реального применения, нужны площадки, где обе стороны работают над общей задачей.

Как город помогает научным разработкам быстрее выйти на рынок

Один из инструментов преодоления этих барьеров в столице — программа "Техлаб Москва", ориентированная на команды, работающие на стыке науки и искусственного интеллекта.

Ее логика отвечает сразу на несколько сдерживающих факторов, о которых говорят сами разработчики. Крупные компании формулируют конкретные технологические задачи, после чего под них отбираются команды с профильной научной подготовкой. Это снимает главную проблему ранней стадии: разработчик получает подтвержденный запрос от заказчика и не рискует годами решать задачу, которая в итоге окажется невостребованной.

Программа также дает доступ к реальным корпоративным данным и отраслевым экспертам. Для наукоемких решений это принципиально: без таких данных и независимой экспертизы подтвердить эффективность разработки невозможно. Участники дорабатывают свои решения, учитывая настоящие процессы и запросы заказчика.

В рамках II Московского стартап-саммита стали известны победители первого сезона программы. Лучшие команды получили финансирование на сумму свыше 20 млн рублей для дальнейшего внедрения и масштабирования.

Другой инструмент — пилотное тестирование инноваций. Программа позволяет компаниям проверить свои разработки в реальных условиях: участникам доступны федеральные, городские и коммерческие площадки, а также грант до 4 млн рублей на компенсацию расходов, связанных с тестированием. Благодаря этому инструменту многие решения на основе искусственного интеллекта проходят апробацию в Москве прямо сейчас и быстрее выходят на рынок.

Какие изменения могут произойти в ближайшие 3–5 лет

Согласно обновленной Национальной стратегии развития ИИ в России до 2030 года, массовое внедрение искусственного интеллекта должно затронуть до 95% предприятий ключевых отраслей экономики. Помимо медицины и городской среды, искусственный интеллект в ближайшие годы прочнее закрепится в промышленности, образовании и работе с большими данными.

Общее направление изменений в том, что ИИ в целом переходит к массовому применению, выходя из лабораторий в реальный бизнес. Наибольшие шансы изменить свои отрасли имеют технологии, за которыми стоит серьезная научная база и которые уже проверены в реальных условиях.