После получения Нобелевской премии два года назад почти четверть ключевых членов команды Google AlphaFold покинули Google, а лауреаты Нобелевской премии, такие как Джон Джампер, перешли в Anthropic. AI-индустрия поглощает таланты из академического мира: в 2022 году 70,7% докторов философии в области ИИ ушли в бизнес, лишь 20% остались в академической среде. Годовой доход ведущих исследователей в компаниях достиг 1,94 миллиона долларов — в пять раз больше, чем в академии. Хотя AI-компании могут ускорять научные прорывы и создавать результаты, меняющие историю науки, после длительного перехода в бизнес средний объем публикаций снижается на 65%, а результаты смещаются от статей к патентам и коммерческой тайне. Еще более тревожно то, что компании не заинтересованы в подготовке нового поколения ученых, и фундаментальные исследования постепенно отходят на второй план. Наука ускоренно покидает университеты.Автор и источник статьи: APPSO
Два года после получения Нобелевской премии команда Google AlphaFold была расформирована.
Большинство первоначальных авторов статьи AlphaFold за последний год были переведены на другие должности, причем почти четверть из них, работавших полный рабочий день, полностью покинули Google.
Остальные перешли в такие области, как Gemini Research Agent, проектирование ферментов, геномика и термоядерный синтез, а кто-то вообще отправился в Isomorphic Labs — фармацевтическую компанию, принадлежащую Alphabet.
Даже лауреаты Нобелевской премии Джон Джампер и Йонас Адлер некоторое время были переведены в команду Code Strike для работы над развитием возможностей ИИ в программировании. Но дальше все известно — эти два эксперта в итоге перешли в Anthropic.
Слева — генеральный директор Google DeepMind Демис Хассабис, справа — Джон Джампер. Оригинальная статья: https://www.ft.com/content/61b2953d-ee0d-45de-af6e-a9c1cf524b33?utm_source=chatgpt.com&syn-25a6b1a6=1
В ответ на этот репортаж ведущий исследовательский вице-президент Google по направлению AI for Science Пушмит Кхоли заявил, что научная команда DeepMind не изменила направление, а лишь расширила сферу деятельности, продолжая работу над белками, геномами и дизайном ферментов, а также используя Gemini для ускорения научных исследований.
AlphaFold ранее представлял собой относительно традиционный подход к научной организации: создание команды вокруг четкой проблемы, долгосрочные вложения и концентрация ресурсов для окончательной реализации результата.
Сегодня команды подобного рода постепенно уступают место более универсальным модельным платформам. Белки, математика, геномика, термоядерный синтез и код — хотя они относятся к различным дисциплинам, после попадания в AI-компанию они могут стать набором модулей возможностей Gemini.
В то же время научные кадры, вычислительные ресурсы и контроль над вопросами все больше сосредотачиваются в руках немногих AI-компаний.
Я хочу присоединиться к Anthropic
За последние несколько лет все больше математиков, физиков, биологов и профессоров компьютерных наук перешли в индустрию ИИ.
Например, Anthropic постоянно нанимает физиков, экономистов и философов; OpenAI привлекает специалистов по черным дырам, струнной теории и чистой математике; DeepMind также собрал экспертов в области биологии и термоядерного синтеза.
Недавно профессор Аризонского государственного университета Суббарао Камбхампати пошутил, что в академической среде появился новый мем: «Я хочу присоединиться к Anthropic».
По приблизительной статистике The Atlantic, только четыре ведущие ИИ-компании объединяют как минимум 80 нынешних или бывших профессоров.
Направление потока талантов становится все более однобоким.
Согласно отчету «AI Index Report» Стэнфордского университета, в 2011 году доля выпускников докторантуры по ИИ, поступивших в бизнес и академическую сферу, была примерно одинаковой — 40,9% и 41,6% соответственно. К 2022 году доля поступивших в бизнес выросла до 70,7%, а в академическую сферу — снизилась до 20%.
Рабочий документ NBER 2026 года отслеживал около 42 000 американских исследователей в области ИИ. Вероятность ухода исследователей младше 40 лет из университета примерно в шесть раз выше, чем у исследователей старше 40 лет; около 70% сменивших работу остаются в компаниях спустя пять лет.
Деньги, конечно, важны. Годовой доход топ-1% исследователей ИИ в компаниях вырос с 595 000 до 1 940 000 долларов США; у аналогичных исследователей в университетах — с 301 000 до 392 000 долларов США. Разрыв между ними увеличился до примерно 1,5 миллиона долларов США.
Сложнее отказаться от условий для научных исследований.
В начале 2010-х годов около 65% крупных моделей машинного обучения разрабатывались академическими лабораториями самостоятельно. В 2020-х годах этот показатель упал ниже 10%. К 2022 году около 81% передовых моделей были созданы исключительно компаниями.
Когда профессор из UC Беркли Анка Драган присоединилась к DeepMind, она четко обозначила свои требования: ей были необходимы «данные, вычислительные мощности и бюджет», необходимые для передового института безопасности.
Напротив, в университете исследователю может потребоваться сначала подать заявку на финансирование, закупить оборудование, нанять инженеров и ждать очереди на вычислительные ресурсы. После перехода в AI-компанию тот же исследователь может напрямую использовать крупные модели, проприетарные данные, распределенные вычислительные мощности и инженерную команду из сотен человек.
Однако уход ведущего профессора из университета — это потеря не только нескольких статей. Университет теряет наставника, исследовательскую группу, цепочку подготовки докторантов и потенциальные направления исследований, которые могли бы сформироваться в течение следующих десятилетий.
Раньше технологические компании покупали научные разработки в университетах. Сейчас они начинают напрямую покупать людей, которые производят эти разработки. Компании получают одного человека, а университеты могут потерять целое поколение.
Конечно, приписывая все перемещения кадров упадку академической сферы, можно недооценить ценность, создаваемую корпоративными научными исследованиями.
AlphaFold уже доказал, что компании могут достигать результатов, меняющих историю науки. Более двухсот миллионов предсказанных структур белков позволили огромному числу биологов сэкономить месяцы, а иногда и годы работы.
Лаборатория Белла давно доказала, что корпоративные исследовательские институты также могут изменить науку. В свои времена она насчитывала около 1200 докторов наук и получила как минимум 10 Нобелевских премий. Демис Хассабис неоднократно использовал её в качестве эталона для DeepMind.
Компании в области ИИ действительно становятся все более похожими на новые исследовательские институты, охватывающие множество дисциплин, обладающие мощными инженерными возможностями и коммерческими каналами вывода продукции.
DeepMind интегрировала Gemini в математику, геномику и термоядерный синтез; Isomorphic Labs сотрудничает с фармацевтическими компаниями для разработки новых лекарств; Anthropic выпустила Claude Science; OpenAI включила ChatGPT и Codex в научные процессы.
Соответствующие результаты уже появились. Физик Рожерио Жорже разработал открытый программный код для термоядерного синтеза с использованием ИИ, а теоретический информатик Барна Саха и другие использовали GPT-5.5 Pro для помощи в доказательствах многомерной геометрии.
OpenAI сообщает, что еженедельно около 1,3 миллиона человек используют ChatGPT для выполнения сложных научных и математических задач, и планирует бесплатно предоставить передовые модели и Codex 100 000 исследователям университетов.
С точки зрения личного влияния, когда ученый переходит в компанию, его воздействие может даже усиливаться. Как уже упоминалось, в университете он может руководить десятками студентов, тогда как в AI-компании он может мобилизовать сотни инженеров, огромные вычислительные ресурсы и глобальные платформы данных. Методы, ранее остававшиеся лишь в научных статьях, легче внедряются в лекарства, программное обеспечение, экспериментальное оборудование и промышленные системы.
Но цена очевидна.
Исследование NBER показало, что после долгосрочного перехода исследователей ИИ в частный сектор их публикационная активность в среднем снизилась на 65%. В период с 2000 по 2019 год доля исследователей ИИ, занятых в компаниях, выросла с 48% до 68%, доля статей — с 27% до 32%, а доля патентов — с 86% до 95%.
Люди всё ещё исследуют, но результаты уже выходят из научных статей в патенты, внутренние модели и коммерческие тайны. Когда Google когда-то опубликовал Transformer, он взрастил всю отрасль. Сегодня тренировочные данные, веса моделей и записи неудач всё труднее покидают серверы компаний.
Наука продолжает ускоряться, но открытая наука может затормозить.
Ученые не покидают науку, наука покидает университеты
Компании в области ИИ могут стать институтами, но с трудом могут стать университетами.
Университеты выполняют работу, которая часто игнорируется. Им необходимо готовить большое количество студентов, еще не доказавших свою состоятельность, а также сохранять на долгосрочной основе вопросы, не имеющие пока применения, не поддающиеся оценке и чья ценность может проявиться лишь через десятилетия.
Однако AI-компании предпочитают профессоров и опытных исследователей, уже зарекомендовавших себя, и проявляют меньше терпения к обучению новичков. Данные SignalFire показывают, что в 2024 году новые выпускники составляли лишь 7% от общего числа найма в крупных технологических компаниях — это более чем вдвое меньше, чем в 2019 году.
🔗 https://www.signalfire.com/blog/signalfire-state-of-talent-report-2025
Компании привлекают ведущих профессоров и опытных исследователей из университетов, одновременно сокращая количество начальных позиций и инвестиций в обучение. Они могут собрать группу ведущих ученых, но не обязательно берут на себя ответственность за масштабную подготовку следующего поколения ученых.
Соответствующие последствия уже появились в университетских аудиториях. Студенты, опрошенные «Атлантиком», обнаружили, что некоторые курсы внезапно были отменены по реалистичной причине: профессора ушли в «отпуск» в AI-компании.
В то же время, после ухода известного профессора аспиранты теряют не только один курс, но и доступ к рекомендованным ресурсам, исследовательской сети, навыкам организации исследований, а также возможности взаимодействия с передовыми проблемами.
Более незаметные изменения происходят в исследовательских темах.
Дизайн лекарств, программирование, математические рассуждения и открытие материалов могут улучшить модели и привести к созданию продуктов, поэтому им легче получить ресурсную поддержку. Темы, такие как долгосрочные полевые исследования и охрана природы, часто оказываются в затруднительном положении.
Однако история предпочитает подшучивать над краткосрочной прибылью.
Теория чисел долгое время считалась самой чистой и наименее прикладной областью математики, но позже стала основой современной криптографии. Когда лазеры только появились, их называли «решением, ищущим проблему». Ранние этапы развития интернета также было трудно оценить с точки зрения коммерческих моделей.
Значение государственной научной системы заключается в том, что она позволяет людям исследовать вопросы, стоимость которых пока невозможно объяснить.
Сегодняшние ИИ-компании находятся в условиях интенсивной конкуренции в области производительности моделей, запуска продуктов и привлечения капитала. Даже если они готовы инвестировать в фундаментальную науку, ресурсы с большей вероятностью будут направлены на улучшение моделей, поддержку продуктов или создание патентов.
В будущем вполне возможно возникновение неуклюжего процветания.
Люди быстрее находят новые лекарства, доказывают теоремы и открывают материалы, и самые лучшие ученые обладают самыми мощными инструментами в истории. В то же время возникают вопросы: кто решает, над чем исследовать, кто готовит следующее поколение ученых и кто согласится продолжать исследования, за которые никто не платит?
Ученые не покидают науку. Просто наука ускоренно уходит из университетов.
Иногда я представляю университет и AI-компании как два конца реки. Университет больше похож на верховья. Течение там медленное, много ила, множество притоков кажутся бесполезными. Там кто-то измеряет, записывает, спорит, а кто-то тратит всю жизнь на изучение ручья, который в итоге не доходит до города.
Компании, занимающиеся ИИ, больше похожи на гидроэлектростанции нижнего течения. Они могут концентрировать поток воды, приводить в движение машины и генерировать огромную энергию, быстро доставляя науку в лекарства, программное обеспечение и промышленность.
Гидроэлектростанции, конечно, важны. Без них вода просто течет мимо.
Но если все пойдут вниз по течению для генерации электроэнергии, верховья реки постепенно пересохнут, и через несколько лет всем придется сидеть в серверных помещениях, ожидая реку, которая уже не течет.
Когда математики заняты улучшением моделей, биологи — обучением агентов, физики — расширением границ вычислительных мощностей, человечество, возможно, получит более мощный ИИ. Проблемы, оставленные позади, не имеют продуктовых дорожных карт, не обеспечивают возврата инвестиций и пока не могут быть объяснены с точки зрения применения.
Они тихи. Слишком тихи, чтобы казалось, что они не важны.