Після отримання Нобелівської премії дві роки тому чверть ключових членів команди Google AlphaFold залишила Google, а лауреати Нобелівської премії, такі як Джон Джампер, перейшли до Anthropic. Індустрія ШІ поглинає таланти з академічного середовища: у 2022 році 70,7% докторів ШІ пішли до бізнесу, лише 20% залишилися в академії. Річний дохід провідних дослідників у бізнесі досяг 1,94 мільйона доларів США — у п’ять разів більше, ніж в академії. Хоча компанії ШІ можуть прискорити наукові прориви й створити результати, що змінять історію науки, після тривалого переходу до бізнесу середній обсяг публікацій зменшується на 65%, а результати зміщуються з наукових статей на патенти та комерційні таємниці. Ще гірше те, що бізнес не має мотивації виховувати нове покоління вчених, а фундаментальні дослідження поступово витісняються. Наука швидко виходить за межі університетів.Автор статті, джерело: APPSO
Два роки після отримання Нобелівської премії, початкова команда Google AlphaFold була розформована.
Більшість оригінальних авторів статті про AlphaFold за останній рік були переведені на інші ролі, причому майже чверть з них — повноцінних ключових авторів — повністю залишили Google.
Ті, хто залишився, перейшли до таких галузей, як Gemini Research Agent, проектування ферментів, геноміка та ядерний синтез, а хтось взагалі пішов до Isomorphic Labs — фармацевтичної компанії, що належить Alphabet.
Навіть лауреати Нобелівської премії Джон Джампер та Йонас Адлер тимчасово були переведені до команди Code Strike для роботи над AI-загальними здібностями. Але подальшу історію ми всі знаємо — ці двоє великих фахівців у кінцевому підсумку перейшли до Anthropic.
Зліва — генеральний директор Google DeepMind Деміс Хассабіс, справа — Джон Джампер. Посилання на оригінальну статтю: https://www.ft.com/content/61b2953d-ee0d-45de-af6e-a9c1cf524b33?utm_source=chatgpt.com&syn-25a6b1a6=1
У відповідь на цей звіт віце-президент з досліджень у сфері AI for Science у Google Пушміт Кохлі зазначив, що наукова команда DeepMind не змінила напрямок, а лише розширила сферу діяльності, продовжуючи розробку білків, геномів та ферментів і використовуючи Gemini для прискорення наукових досліджень.
AlphaFold раніше представляв відносно традиційний підхід до наукових досліджень: створення команди навколо чіткої проблеми, довгострокові вкладення, концентрація ресурсів та нарешті — отримання результатів.
Зараз команди, подібні до цієї, поступово замінюються більш універсальними моделями платформ. Білки, математика, геноміка, ядерний синтез і код — здається, що це різні дисципліни, але після входу в компанію з штучним інтелектом вони всі можуть стати набором функціональних модулів Gemini.
Тим часом наукові кадри, обчислювальні ресурси та контроль над питаннями все більше концентруються в руках кількох компаній зі штучним інтелектом.
Я хочу приєднатися до Anthropic
Протягом останніх кількох років все більше математиків, фізиків, біологів та професорів комп’ютерних наук входять у галузь ШІ.
Наприклад, Anthropic постійно наймає фізиків, економістів і філософів; OpenAI залучає дослідників чорних дір, теорії струн і чистої математики; DeepMind також зібрав експертів з біології та ядерного синтезу.
Нещодавно професор Університету штату Аризона Суббаро Камбхампаті посміявся, що в академічному середовищі з’явився новий мем: «Я хочу приєднатися до Anthropic».
За приблизними оцінками «The Atlantic», лише чотири провідні компанії з ІШ зібрали разом щонайменше 80 чинних або колишніх професорів.
Напрямок руху талантів також стає все більш однобічним.
Згідно зі звітом Stanford University AI Index, у 2011 році відсоток випускників докторських програм з ШІ, які вступили до бізнесу та академічної сфери, був приблизно однаковим — 40,9% і 41,6% відповідно. До 2022 року частка тих, хто вступив до бізнесу, зросла до 70,7%, а частка тих, хто вступив до академічної сфери, знизилася до 20%.
Дослідження NBER 2026 року прослідкувало близько 42 000 американських дослідників у галузі ШІ. Дослідники молодше 40 років залишали університет приблизно в шість разів частіше, ніж дослідники старше 40 років; приблизно 70% тих, хто змінив роботу, залишилися в компанії через п’ять років.
Гроші, звичайно, важливі. Річний дохід топ-1% дослідників штучного інтелекту в компаніях зрос з 595 000 до 1 940 000 доларів США; у університетах цей же рівень збільшився лише з 301 000 до 392 000 доларів США. Розрив між ними збільшився до приблизно 1,5 мільйона доларів США.
Складніше відмовитися від наукових умов.
На початку 2010-х років приблизно 65% великих моделей машинного навчання розроблялися академічними лабораторіями самостійно. У 2020-х роках цей показник впав нижче 10%. До 2022 року приблизно 81% передових моделей були розроблені компаніями самостійно.
Коли професорка UC Берклі Анка Драган приєдналася до DeepMind, вона чітко висловила свої вимоги: їй були необхідні «дані, обчислювальні ресурси та бюджет», необхідні для передового інституту безпеки.
Навпаки, університетське дослідження вимагає спочатку подати заявку на фінансування, закупити обладнання, найняти інженерів, а потім чекати на доступ до обчислювальних ресурсів. Після приєднання до компанії зі штучним інтелектом той самий дослідник може безпосередньо використовувати великі моделі, власні дані, розподілені обчислювальні потужності та інженерну команду з сотень осіб.
Проте втрата відомого професора з університету — це більше, ніж просто кілька наукових статей. Університет втрачає одночасно наставника, дослідницьку групу, ланку підготовки докторантів та потенційні напрямки досліджень, які могли б сформуватися протягом наступних десятиліть.
Раніше технологічні компанії купували наукові дослідження в університетах. Зараз вони почали безпосередньо купувати людей, які створюють ці дослідження. Компанії отримують одну людину, а університети можуть втратити ціле покоління.
Звичайно, приписування всіх змін у кадрових потоках занепаду академічної сфери також недооцінює цінність, яку створює корпоративна наука.
AlphaFold довів, що компанії можуть досягти результатів, що змінять історію науки. Більше ніж двісті мільйонів прогнозів структур білків дозволили величезній кількості біологів заощадити місяці, а іноді й роки роботи.
Лабораторія Белла вже довела, що корпоративні дослідницькі інститути також можуть змінити науку. У розквіті вона мала близько 1200 докторів наук і отримала щонайменше 10 Нобелівських премій. Деміс Хассабіс неодноразово використовував її як зразок для DeepMind.
Компанії зі штучним інтелектом справді все більше схожі на новий тип науково-дослідних інститутів, які охоплюють кілька дисциплін, мають потужні інженерні здібності та комерційні канали виведення продукту.
DeepMind під’єднав Gemini до математики, геноміки та термоядерного синтезу; Isomorphic Labs співпрацює з фармацевтичними компаніями для розробки нових ліків; Anthropic запустила Claude Science; OpenAI інтегрувала ChatGPT і Codex у наукові процеси.
Відповідні результати вже з’явилися. Фізик Рожеріо Жорж розробив відкрите програмне забезпечення для ядерного синтезу за допомогою ШІ, а теоретичний інформатик Барна Саха та інші використали GPT-5.5 Pro для допомоги у доведенні багатовимірної геометрії.
OpenAI повідомила, що щотижня близько 1,3 мільйона людей використовують ChatGPT для вирішення складних наукових і математичних завдань, і планує безкоштовно надати доступ до передових моделей та Codex 100 000 дослідників університетів.
З точки зору особистого впливу, коли вчений переходить до бізнесу, його вплив може навіть збільшитися. Як зазначалося вище, у університеті він може керувати кількома десятками студентів, а в компанії зі штучним інтелектом — сотнями інженерів, величезними обчислювальними ресурсами та глобальними платформами даних. Методи, які раніше залишалися лише у наукових статтях, тепер легше переходять у ліки, програмне забезпечення, експериментальні пристрої та промислові системи.
Але ціна цього очевидна.
Дослідження NBER показало, що після тривалого переходу вченних з ШІ в бізнес середній випуск наукових статей зменшився на 65%. З 2000 по 2019 рік частка дослідників ШІ, найнятих компаніями, зросла з 48% до 68%, частка статей — лише з 27% до 32%, а частка патентів — з 86% до 95%.
Люди ще досліджують, але результати вже витікають з наукових статей у патенти, внутрішні моделі та комерційні таємниці. Коли Google оприлюднила Transformer, вона виховала цілу галузь. Сьогодні дані для навчання, ваги моделей та записи невдач все складніше виходять за межі серверів компаній.
Наука продовжує прискорюватися, але відкрита наука може затримати цей процес.
Вчені не залишили науку — наука залишає університети
Компанії зі штучним інтелектом можуть стати інститутами, але важко стати університетами.
Університет виконує завдання, яке часто ігнорують. Він повинен навчати велику кількість студентів, які ще не довели своєї цінності, а також зберігати на довгий термін питання, які наразі не мають застосування, не можуть бути оцінені або можуть проявити свою цінність лише через десятиліття.
Однак AI-компанії віддають перевагу професорам і досвідченим дослідникам, які вже довели свою цінність, і менш терплячі щодо розвитку новачків. Дані SignalFire показують, що у 2024 році новоиспечені випускники становили лише 7% співробітників великих технологічних компаній — це майже вдвічі менше, ніж у 2019 році.
🔗 https://www.signalfire.com/blog/signalfire-state-of-talent-report-2025
Компанії одночасно приваблюють визначних професорів та досвідчених дослідників з університетів і скорочують вклади у початкові посади та навчання. Вони можуть зібрати групу провідних вчених, але не обов’язково братимуть на себе відповідальність за масштабне виховання наступного покоління вчених.
Вплив уже відчувся в університетських класах. Студенти, яких інтерв’ював The Atlantic, з’ясували, що деякі курси раптово припинилися, оскільки професори поїхали «у відпустку» до компаній зі штучним інтелектом.
Тим часом, після виходу відомого професора аспіранти втрачають не лише один курс, але й доступ до рекомендованих ресурсів, дослідницької мережі, здатність організовувати дослідження та можливість отримати доступ до передових питань.
Більш підковані зміни відбуваються у дослідницьких темах.
Дизайн ліків, програмування, математичні міркування та відкриття матеріалів можуть підсилювати моделі та створювати продукти, тому їм легше отримати підтримку ресурсів. Теми, пов’язані з довгостроковими полевими дослідженнями, охороною природи тощо, часто знаходяться у складному становищі.
Проте історія любить підіграти з короткостроковим прибутком.
Теорія чисел довгий час вважалася найчистішою та найменш практичною галуззю математики, але згодом стала основою сучасної криптографії. Коли лазер тільки з’явився, його називали «рішенням, яке шукає проблему». На початковому етапі інтернет також було важко оцінити за допомогою комерційних моделей.
Значення державної наукової системи полягає в тому, що вона дозволяє людям досліджувати питання, чия цінність наразі не може бути пояснена.
А сьогоднішні компанії в галузі ШІ перебувають у інтенсивній конкуренції щодо продуктивності моделей, випуску продуктів та капітальних інвестицій. Навіть якщо вони готові інвестувати у фундаментальну науку, ресурси ймовірніше спрямуються у напрямки, що підвищують продуктивність моделей, підтримують продукти або формують патенти.
Майбутнє, ймовірно, принесе незручний процвітання.
Люди швидше знаходять нові ліки, доводять теореми та відкривають матеріали — найкращі вчені мають найпотужніші інструменти в історії. Одночасно виникають питання: хто вирішує, над чим досліджувати; хто готує наступне покоління вчених; і хто згоден продовжувати дослідження, за які ніхто не платить?
Вчені не залишили науку. Просто наука швидко виходить за межі університетів.
Іноді я уявляю університет і компанії з штучним інтелектом як два кінці річки. Університет більше схожий на верхів’я. Течія повільна, багато мулу, багато приток здаються безглуздими. Люди там вимірюють, записують, суперечать, а хтось витрачає життя на дослідження струмка, який ніколи не досягне міста.
Компанії з штучним інтелектом подібні до гідроелектростанцій нижчого течії. Вони можуть концентрувати потік, приводити в рух машини та генерувати величезну енергію, швидко переносячи науку у сферу ліків, програмного забезпечення та промисловості.
Гідроелектростанції, звичайно, важливі. Без них річка просто тече.
Але якщо всі підуть униз за електроенергією, верхів’я річки поступово висохне, і через кілька років всі зможуть лише сидіти у серверній, чекаючи на річку, яка більше не тече.
Коли математики зайняті вдосконаленням моделей, біологи — навчанням агентів, фізики — розширенням меж обчислювальних потужностей, людство, можливо, отримає потужніший ШІ. Проблеми, що залишаються позаду, не мають продуктових маршрутів, не забезпечують прибутку від інвестицій і тимчасово не мають пояснення застосування.
Вони дуже тихі. Наскільки тихі, що легко можна помилково вважати, що вони не важливі.