Эра песочниц на базе больших языковых моделей (LLM) для науки упирается в структурный тупик: модели отлично имитируют стиль научных статей, но беспомощны перед лицом реальной физики. Хаонан Хуанг из Принстона показал, как выглядит выход из этой ловушки — отказоустойчивый конвейер, способный самостоятельно пройти путь от анализа 11 000 препринтов по физике конденсированного состояния до полноценного открытия. Это не просто автоматизация рутины, а внедрение механизмов внешней калибровки через литературные «якоря», которые заменяют слепую веру в веса нейросети на жесткую верификацию.
Главная проблема современных агентов в том, что они умеют цитировать источники, но не умеют им «противостоять».
В итоге мы получаем правдоподобный, но бесполезный галлюциногенный бред. Система Хуанга меняет правила игры: агент обязан воспроизвести опубликованные расчеты, прежде чем ему разрешат предлагать что-то свое. Результат — три реальных открытия в области альтермагнитного пьезомагнетизма, сделанных в полностью автономном режиме. Для этого системе потребовалось более двух тысяч обращений к литературе в рамках 47 независимых сессий, что доказывает: агенты созрели для работы в областях со сложной логикой и скудным инструментарием.
Для бизнеса в наукоемких отраслях это сигнал о фундаментальном сдвиге: мы переходим от генерации контента к генерации верифицируемого знания. Роль человека в этом процессе меняется — из постановщика задач он превращается в куратора знаний.
Конвейер самостоятельно находит бреши в массиве данных. Система выбирает оптимальное направление исследований. Агент проводит расчеты, опираясь на фундаментальные физические принципы.
Это позволяет строить системы, которые замечают ошибки там, где пасует одиночная сессия ИИ, благодаря распределенному заземлению и состязательному рецензированию. Если ваша стратегия развития до сих пор рассматривает ИИ как «умного копирайтера», вы рискуете пропустить момент, когда автоматическая верификация станет стандартом индустрии.
Архитектура Хуанга подтверждает, что высокорисковые домены — от материаловедения до глубокого инжиниринга — теперь доступны для агентной автоматизации. Будущее промышленного ИИ не в увеличении контекстного окна, а в создании «контрольных точек калибровки», где система обязана доказывать свою правоту фактами, а не статистической вероятностью следующего токена.