Понимать или делегировать ИИ: дилемма Азимова применительно к науке

Представьте себе группу ученых, которые получают от искусственного интеллекта решение для одной из величайших человеческих мечт: межзвездных путешествий. Но они даже не удосуживаются спросить, как она на самом деле работает. Это не будущее: это центральная идея рассказа Айзека Азимова 1945 года, где настоящим прорывом является не космическая ракета, а то, как люди передают глубокое понимание машинам. И сегодня, в реальной науке, эта дилемма актуальна как никогда. Мы привыкли думать, что технология ИИ — это просто мощный инструмент, позволяющий нам быстрее делать то, что мы уже умеем. Но что происходит, когда решение, которое находит ИИ, не только ускользает от нас, но и становится буквально непонятным даже для его создателей? Новая дилемма заключается уже не в том, «можем ли мы решить эту проблему?», а в том, «должны ли мы понимать решение или нам достаточно, чтобы оно работало?». Возьмем, к примеру, Kolmogorov-Arnold Networks, или KAN, новую архитектуру нейронных сетей, представленную в научной статье в декабре 2025 года. Ученые обычно работают с нейронными сетями, в которых каждый нейрон суммирует сигналы и передает их дальше в соответствии с фиксированными правилами, а обучение происходит путем изменения весов этих сумм. Но в KAN суммирование остается простым, а нейроны вместо этого учатся всё более сложным правилам преобразования. Это означает, что, в отличие от классических сетей, где знания скрыты в лесу чисел, в KAN можно увидеть и даже нарисовать функции, которые выучила сеть. Невероятный факт: KAN самостоятельно смогла заново открыть чрезвычайно сложную математическую симметрию, связанную со структурой пространства-времени вокруг черной дыры, над которой целые поколения физиков работали почти двадцать лет. Здесь речь идет не только о технических аспектах. Когда мы позволяем ИИ решать проблемы, которые больше не понимает ни один человек, мы рискуем утратить чувство владения знаниями. Ученые, которых описывает Азимов, никогда не требуют объяснений: они признают, что сложность находится за пределами их понимания, и довольствуются результатом. Но наука всегда была, прежде всего, упражнением в освоении реальности: понимании, а не просто применении. Физик-исследователь, прочитавший статью о KAN, рассказывает, что впервые смог «увидеть», чему научилась сеть, а не просто констатировать, что она работает. Разница кажется небольшой, но это грань, отделяющая занятие наукой от слепого делегирования. Те, кто говорят, что «главное, чтобы это работало», рискуют впасть в новую форму суеверия: слепую веру в алгоритм вместо понимания. И есть вопрос, который никто не задает: что мы теряем как человечество, когда позволяем объяснению становиться необязательным? И если однажды никто больше не сможет объяснить, как работают вещи, которыми мы пользуемся каждый день, почему мы должны продолжать называть это наукой? Мы стоим на распутье: передать понимание машинам или стремиться действительно понять. Те, кто довольствуются результатом, лишают себя истинной радости открытия. ИИ может находить удивительные решения, но наука рождается там, где кто-то все еще задается вопросом: «Как мы к этому пришли?» Если эта история вас заинтересовала, на Lara Notes вы можете нажать «I'm In». Это не лайк, это ваш способ сказать: «Теперь эта идея моя». А если завтра вы расскажете кому-нибудь о том, как KAN решила загадку черных дыр, вы можете отметить это в Lara Notes: «Shared Offline» — это способ сказать, что этот разговор имел значение. Эта идея взята из Le Monde, и она сэкономила вам почти пять минут по сравнению с прочтением полной статьи.