Science: A New Golden Age — наука как инфраструктура

Новая золотая эпоха науки — и почему университетам стоит на это посмотреть

Доклад Майкла Кратсиоса Science: A New Golden Age сейчас, кажется, активно обсуждают во всех каналах и чатах про исследования, ИИ, технологическую политику и трансформацию экономики. На этом фоне меня удивляет, что крупные российские каналы об университетах и для профессионалов университетского управления будто обходят его стороной.

Странно, потому что доклад не сводится ни к американской научно-технологической политике, ни к ИИ. Если вынести за скобки обязательную политическую риторику про лидерство США, конкуренцию с соперниками, национальную безопасность и новый американский век, внутри останется интересный текст о том, как может меняться сама модель управления наукой.

Формально доклад небольшой: чуть больше ста страниц вместе с приложениями. Но текст плотный. Даже на внимательное чтение этих ста с небольшим страниц я сам не сразу нашёл время. Поэтому это будет не короткая выжимка, а развёрнутый конспект в формате двух больших постов для телеграма. По-моему, этот текст того заслуживает. Если времени совсем мало - просто посмотрите вложенные картинки. Для навигации хэштег #ScienceNewGoldenAge

В июле 2026 года Майкл Кратсиос, директор Бюро научно-технологической политики Белого дома, подготовил доклад президенту США с амбициозным названием Science: A New Golden Age — «Наука: новый золотой век».

Название звучит почти слишком торжественно. Но меня здесь интересует не обещание золотого века и не американская повестка сама по себе. Для моего сюжета важнее другое: Кратсиос описывает ситуацию, в которой старая институциональная машина науки перестаёт соответствовать масштабу, скорости и устройству современной исследовательской деятельности.

Проблема здесь не только в деньгах, талантах, публикациях и даже не только в ИИ. Проблема в том, как устроена сама научная система: кто получает финансирование, какие организации считаются нормальными исполнителями исследований, что считается результатом, как проверяется знание, как устроено признание вклада, как данные становятся инфраструктурой и кто вообще умеет соединять научное открытие с инженерным воплощением.

В этом месте доклад хорошо ложится в мой проект про университеты. Исследовательский университет был одной из главных институциональных форм, организовавших науку XIX–XX веков. Но если меняется сама научная деятельность, если исследование всё чаще требует платформ, вычислений, больших массивов данных, междисциплинарных команд, корпоративных лабораторий, национальных инфраструктур и новых механизмов проверки, то возникает неприятный, но важный вопрос: останется ли университет основной организационной единицей науки — или станет одним из узлов более сложной системы производства знания?

От Вэнивара Буша к Кратсиосу

Кратсиос явно ставит свой доклад в один ряд с классическим текстом Вэнивара Буша Science: The Endless Frontier 1945 года.

Буш после Второй мировой войны обосновал новую роль федерального правительства в поддержке фундаментальных исследований. Его доклад стал одной из интеллектуальных основ послевоенной американской научной системы: федеральное финансирование науки, университетские исследования, национальные лаборатории, грантовые агентства, Национальный научный фонд.

Сильно упрощая, эта система опиралась на то, что потом стали называть линейной моделью инноваций. Сначала фундаментальная наука производит новое знание. Затем оно переходит в прикладные исследования. После этого превращается в технологическую разработку. И только потом доходит до промышленного применения.

Кратсиос прямо говорит: даже в середине XX века это было упрощением, но сегодня такая схема совсем перестала описывать реальность. Современное открытие всё чаще возникает не как спокойная передача знания по цепочке от академии к промышленности, а как постоянный цикл между фундаментальными вопросами, инженерными инструментами, данными, вычислениями, экспериментальной инфраструктурой, производством и частными компаниями.

Здесь и начинается главный разворот. Доклад Кратсиоса не о том, что науке просто нужно больше денег. Он о том, что институциональная архитектура науки, унаследованная от середины XX века, нуждается в пересборке.

Эта пересборка у него держится на четырёх направлениях. Американская исследовательская система должна снова поставить в центр работающего учёного, а не сложившиеся институты. Государство должно изменить подход к распределению, выдаче и оценке исследовательских денег. Федеральная власть должна ставить ясные научно-технологические цели и развивать промышленную способность превращать открытия в технологическую силу. А вся научная система должна быть подготовлена к эпохе ИИ.

Последний пункт звучит современнее всего, но доклад не сводится к ИИ. ИИ здесь скорее катализатор: он делает видимыми старые проблемы и резко повышает цену институциональной инерции.

#современный_американский

Ресурсов всё больше, а отдача растёт не пропорционально

Один из центральных тезисов доклада: современная наука сталкивается с убывающей отдачей от дополнительных ресурсов.

Это не значит, что наука «перестала работать». Наоборот, научно-технологический прогресс продолжается. Но во многих зрелых областях для поддержания прежнего темпа прогресса требуется всё больше денег, исследователей, оборудования, данных, координации и организационной сложности.

Самый яркий пример — биомедицина и так называемый Eroom’s Law.

Название построено как Moore’s Law наоборот. Если закон Мура ассоциируется с экспоненциальным ростом вычислительных возможностей, то Eroom’s Law описывает обратную динамику в фармацевтических R&D: количество новых лекарств на единицу вложений долгосрочно снижается. В классической формулировке эффективность фармацевтических исследований, измеряемая количеством новых одобренных лекарств на миллиард долларов затрат с поправкой на инфляцию, снижалась примерно вдвое каждые девять лет с 1950 года.

Это не означает, что фармацевтическая наука стала бесполезной. Речь о другом: простая управленческая логика «дадим больше денег — получим пропорционально больше прорывов» больше не работает.

Отсюда неудобный вопрос. А что, если ограничение находится не только в объёме финансирования? Что, если проблема в сложности самих объектов, регуляторных требованиях, выборе задач, стимулах, организационных формах R&D и в том, как устроены гранты, лаборатории, публикации и карьера исследователя?

Похожий аргумент есть в известной работе Are Ideas Getting Harder to Find?: чтобы поддерживать прежний темп прогресса, в разных областях требуется всё больше исследовательского труда. В полупроводниках, чтобы удерживать темп закона Мура, с 1970-х годов понадобилось кратно больше исследователей. В сельском хозяйстве объём исследовательских усилий по отдельным культурам вырос во много раз, а рост урожайности оставался гораздо более стабильным. В медицине показатели отдачи исследований рака и сердечно-сосудистых заболеваний по сохранённым годам жизни на единицу исследовательского труда достигали максимума примерно в середине 1980-х, а затем снижались.

Для доклада отсюда следует: научный прогресс не остановился, но он становится всё более дорогим организационно.

Для проекта про университеты отсюда сразу вырастает вопрос: что происходит с исследовательским университетом, если поддержание прежнего темпа научного прогресса требует экспоненциального роста исследовательского ресурса?

Классическая университетская лаборатория, кафедра, аспирантура и грантовый проект были очень продуктивной институциональной сборкой. Но не факт, что именно эта сборка подходит для всех типов задач современной науки.

Прорыв производит не один гений и не одна кафедра

Показательный пример — Нобелевская премия по химии 2024 года. Она была присуждена Дэвиду Бейкеру за вычислительный дизайн белков, а Демису Хассабису и Джону Джамперу — за предсказание структуры белков.

По содержанию это история про protein design, AlphaFold, вычислительные модели, структурную биологию и новые возможности проектирования молекулярных систем. Но организационно она ещё интереснее.

Хассабис и Джампер работали в Google DeepMind — корпоративной междисциплинарной исследовательской лаборатории. Бейкер работал в университетской среде University of Washington, где постепенно сформировался крупный междисциплинарный центр по protein design, соединяющий университетские ресурсы, государственные гранты, частную филантропию, инженерную и вычислительную экспертизу.

Но и этой связки мало. Оба направления опирались на десятилетия развития общей инфраструктуры науки: Protein Data Bank, открытые структурные данные, международные стандарты, CASP — систему слепой сравнительной оценки методов предсказания структуры белков.

Такой прорыв нельзя честно приписать только одному университету, одной лаборатории или одной компании. Он произведён экосистемой, в которой соединяются университетские центры, корпоративные лаборатории, государственные агентства, фонды, открытые базы данных, международные сообщества оценки, стандарты и вычислительная инфраструктура.

Для моего проекта это один из ключевых сюжетов. Мы привыкли думать об исследовательском университете как о главном месте производства передового знания. И исторически это было важной частью его статуса. Но современные прорывы всё чаще производятся распределённой инфраструктурой, в которой университет — важный, но не единственный узел.

Университет от этого не исчезает. Но вопрос меняется.

Не «может ли университет сам произвести весь цикл прорыва?», а: какую позицию университет занимает в большой системе разделения научного труда?

Он может выращивать людей, давать долгий горизонт фундаментального поиска, создавать открытые данные, содержать приборную инфраструктуру, соединяться с корпорациями, участвовать в benchmarks, формировать новые стандарты проверки, поддерживать исследовательские центры на границе дисциплин и выступать площадкой для новых организаций. Но это уже совсем другой способ описывать университетскую науку, чем привычная картинка, где основной клеточкой является кафедра или индивидуальный PI с грантом.

FRO: исследовательский стартап без венчурной логики

Одна из наиболее интересных организационных форм в докладе — Focused Research Organizations, FRO.

Это некоммерческие исследовательские стартапы, создаваемые под конкретную сложную научно-техническую задачу. Обычно они ограничены по времени, собирают профессиональную команду инженеров и учёных, работают по milestones и ориентированы на создание общественно доступной исследовательской инфраструктуры.

Их результат — не обязательно статья и не обязательно коммерческий продукт. Это могут быть открытые datasets, инструменты, платформы, стандарты, протоколы, технологии и инфраструктура, которыми потом пользуется более широкое исследовательское сообщество. После выполнения миссии такая организация может быть распущена.

По сравнению с университетской лабораторией, стартапом и национальной лабораторией здесь работает другая логика.

Университетская лаборатория часто слишком мала и слишком завязана на временную сборку аспирантов и postdocs. Стартап должен строить защищаемую коммерческую позицию и интеллектуальную собственность. Национальная лаборатория рассчитана на долгую жизнь и крупную государственную инфраструктуру. А FRO занимает промежуточную нишу: задача слишком велика для обычного университетского гранта, слишком общественно значима и плохо присваиваема для венчурного капитала, слишком быстрая и специфичная для классической государственной лаборатории.

Для меня это симптом. Новая организационная форма появляется не потому, что кому-то захотелось придумать модный формат, а потому что старая система плохо закрывает определённый тип задач.

Это хорошо ложится на одну из рабочих гипотез моего проекта: новая форма знания требует новой организационной формы.

В истории университетов это уже происходило много раз. Средневековая лекция, диспут, немецкий семинар, лаборатория, клиника, исследовательская группа, graduate school, профессиональная школа, корпоративная лаборатория — всё это не просто «форматы работы», а институциональные ответы на изменение того, как производится и передаётся знание.

FRO — один из современных кандидатов на такую форму.

#ScienceNewGoldenAge #современный_американский

Проблема не только в производстве открытий, но и в проверке знания

Один из сильных фрагментов доклада — разговор о кризисе воспроизводимости.

Обычно эту тему обсуждают как методологическую: плохая статистика, маленькие выборки, p-hacking, publication bias, слабые протоколы, неаккуратная работа с данными. Всё это важно. У Кратсиоса, однако, вопрос разворачивается институционально.

Наука является кумулятивной системой. Один недостоверный результат может породить новые гипотезы, стать основанием для грантов, запустить новые эксперименты, повлиять на клинические или технологические разработки. Ошибка масштабируется каскадно.

В психологии крупные replication projects показали, что значительная часть результатов не воспроизводится по строгим статистическим критериям. В экспериментальной экономике около трети известных результатов не воспроизводились по основному критерию. В доклинической биомедицине есть оценки, согласно которым невоспроизводимые результаты связаны с десятками миллиардов долларов нецелевых расходов ежегодно. Но здесь важнее не конкретная цифра, а институциональный вывод: если научная система плохо проверяет собственные результаты, она начинает строить новые этажи знания на ненадёжном основании.

Ключевой вопрос — устройство стимулов.

Академическая система вознаграждает новизну, эффектные результаты, публикации в престижных журналах, цитируемость, гранты и приоритет открытия. Проверка чужого результата имеет большую общественную ценность, но маленькую карьерную ценность для исследователя.

Получается классический разрыв: общественная ценность репликации высока, а индивидуальная карьерная ценность низка.

После этого воспроизводимость перестаёт быть просто вопросом «давайте учёные будут аккуратнее». Это вопрос о том, есть ли в научной системе отдельная функция проверки знания — со своей инфраструктурой, финансированием, профессиональными ролями, организационными формами и системой признания.

Отсюда сильный вопрос к исследовательскому университету: что он производит — новые утверждения или надёжное знание, на котором другие могут безопасно строить следующий шаг?

Если система карьеры и признания награждает прежде всего novelty, positive results, publications, citations и impact factor, то она воспроизводит определённый тип исследовательского поведения. Проблема воспроизводимости — это не только проблема статистики. Это проблема того, какого исследователя воспроизводит современный университет.

Метанаука: наука должна исследовать собственные институты

Один из заметных терминов доклада — metascience, метанаука.

В русском языке этот термин может звучать немного философски, будто речь идёт о размышлении «над наукой» вообще. Но в докладе смысл более управленческий и институциональный.

Метанаука здесь — это систематическое исследование того, как устроена научная система: какие механизмы финансирования работают лучше, как peer review отбирает проекты, какие гранты создают больше прорывов, какие стимулы ведут к конформизму, как меняется поведение исследователей при разных правилах и какие организационные формы дают лучшую отдачу.

В английском тексте это сформулировано очень прямо: федеральным научным агентствам предлагается создать empowered metascience unit — подразделение по метанауке с реальными полномочиями, которое подчиняется руководителю агентства, проводит контролируемые эксперименты с механизмами экспертизы и финансирования и может внедрять изменения во всей организации.

Это существенный сдвиг.

Обычно научные агентства тщательно оценивают заявки исследователей, но гораздо слабее оценивают собственные механизмы отбора. Они как будто предполагают, что их процедуры естественны: peer review, панели экспертов, короткие проектные гранты, отчётность, indirect costs, привычные дисциплинарные рамки.

Кратсиос предлагает относиться к самой системе финансирования как к объекту исследования и проектирования. Вопрос не только в том, какие проекты профинансировать, а в том, какой механизм отбора подходит для какого типа задач; где нужен консенсус экспертов, а где он убивает радикальные идеи; где лучше ставка на проект, а где — на человека; где нужен быстрый грант за 48 часов, а где долгий горизонт на 7–10 лет; где работает prize challenge, где advanced market commitment, где regranting, где ARPA-модель, где FRO; как агентство понимает свой портфель риска и как узнаёт, что его грантовая система действительно производит открытия, а не только корректно распределяет деньги.

В такой рамке метанаука — попытка сделать управление наукой более научным. Не в смысле бюрократического scientism, а в смысле готовности проверять собственные процедуры, экспериментировать с ними и менять их на основе evidence.

Для университетов это отдельный вызов. Университеты часто требуют evidence-based решений от преподавателей и исследователей, но собственные академические процедуры — найм, tenure, публикационные требования, оценку научной продуктивности, распределение нагрузки, грантовую поддержку — редко подвергают такой же строгой проверке.

Не все науки надо финансировать одинаково

Один из сильных управленческих выводов доклада таков: не существует одного универсального механизма финансирования науки.

Консенсусное peer review хорошо подходит для одних задач, но плохо для других. Оно может эффективно продвигать уже сложившиеся направления, но отсеивать высокорисковые, междисциплинарные или слишком нестандартные идеи.

Поэтому Кратсиос предлагает расширять «арсенал» механизмов.

Один пример — golden tickets, «золотые билеты», когда отдельный эксперт может протолкнуть необычную заявку, которой не хватает общего консенсуса. Это способ защитить рискованные проекты от усредняющей логики экспертной панели.

Другой пример — fast grants, быстрые гранты с минимальной бюрократией и очень коротким сроком принятия решения. В докладе приводится пример частной программы, где решения принимались за 48 часов, а подготовка заявки занимала около 30 минут, а не 6–9 месяцев.

Ещё один подход — долгосрочная поддержка людей, а не только проектов. Пример — Howard Hughes Medical Institute, который давал сильным исследователям долгий горизонт, крупное финансирование и минимальную отчётность. Смысл не в том, что любому учёному надо просто дать много денег и не спрашивать за результат. Смысл в том, что для некоторых типов открытий важна свобода движения, которую плохо даёт короткий проектный грант.

К этому же семейству механизмов относятся prize challenges, advanced market commitments, regranting, ARPA-модели, X-Labs и curiosity-driven institutes.

Мысль здесь простая: разные типы научной работы требуют разных институциональных оболочек. Есть исследования, где нужна индивидуальная свобода. Есть задачи, где нужна команда из 10–100 человек. Есть проблемы, где нужен программный менеджер с сильной властью. Есть направления, где важен быстрый эксперимент. Есть области, где нужен десятилетний горизонт. Есть задачи, где результатом должна быть не статья, а платформа, dataset или benchmark.

Одинаковый грантовый механизм для всего этого — слишком грубый инструмент.

Предварительный вывод

Если собрать эти тезисы вместе, картина получается довольно цельной.

Современная наука сталкивается сразу с несколькими связанными ограничениями. Снижается research productivity: для поддержания темпов прогресса требуется всё больше ресурсов. Растёт организационная сложность исследований: прорывы требуют крупных междисциплинарных экосистем. Классическая университетская лаборатория не подходит для всех типов задач. Слабые стимулы к репликации снижают надёжность научного знания. Производство новых утверждений масштабируется быстрее, чем их проверка. Журнальная модель научной коммуникации всё хуже соответствует масштабу современной науки. А рядом с университетом всё активнее появляются новые организационные формы: FRO, открытые инфраструктуры, benchmarks, computational notebooks, альтернативные publication platforms.

Отсюда управленческий вывод первой части: новая золотая эпоха науки требует не только большего финансирования, но и новой архитектуры научной деятельности.

И здесь во второй части появляется ИИ — не как волшебная кнопка ускорения, а как фактор, который резко усиливает все описанные противоречия.

#ScienceNewGoldenAge #современный_американский

ИИ, золотой стандарт и новая инфраструктура исследований

В первой части #ScienceNewGoldenAge я писал, что доклад Майкла Кратсиоса Science: A New Golden Age интересен не столько как американский политический документ, сколько как попытка описать новую архитектуру управления наукой.

Главная мысль первой части: современная наука сталкивается не просто с нехваткой денег или талантов, а с организационными ограничениями. Для поддержания прежнего темпа прогресса требуется всё больше ресурсов. Прорывы всё чаще производятся не отдельной кафедрой или лабораторией, а сложными экосистемами. Классическая грантовая система плохо подходит для некоторых типов задач. Репликация имеет большую общественную ценность, но слабую карьерную отдачу. А университет перестаёт быть единственной и самодостаточной «клеточкой» науки.

Теперь — вторая часть: ИИ, «золотой стандарт исследований», Миссия «Генезис», инфраструктура данных, научные публикации и выводы для университетов. Справочный перечень приоритетных областей исследований вынесу отдельно в комментарий, чтобы не перегружать основной текст.

ИИ: утверждения производить легко, проверять трудно

В докладе есть сильная мысль про ИИ.

ИИ может сделать каждого исследователя продуктивнее на уровне отдельных действий: быстрее писать тексты, генерировать гипотезы, готовить обзоры, искать литературу, писать код, оформлять заявки, делать черновики статей.

Но если бы главным препятствием научного прогресса было производство таких артефактов, мы уже жили бы в золотом веке науки.

Проблема начинается дальше: генерация научно выглядящих утверждений дешевеет гораздо быстрее, чем проверка их истинности.

Можно сказать жёстче: становится проще произвести правдоподобное научное утверждение, чем установить, является ли оно знанием.

Это видно уже сейчас на примере AI research. Растёт поток статей на конференции, растёт нагрузка на reviewers, появляются LLM-generated papers и LLM-generated reviews. Исследователи начинают тратить время не только на оценку новых результатов, но и на борьбу с низкокачественными текстами и рецензиями, произведёнными ИИ.

Кратсиос приводит образ с лесными пожарами. На протяжении долгого времени США агрессивно подавляли малые лесные пожары. Каждое отдельное вмешательство выглядело успехом. Но в результате накапливалось топливо — сухостой, кустарник, подстилка — и последующие пожары становились гораздо разрушительнее.

ИИ может оказать похожее воздействие на науку. На уровне отдельного исследователя он повышает продуктивность. На уровне системы может усилить накопление плохих, непроверенных, поверхностных или ошибочных результатов.

Поэтому ИИ в докладе — не просто инструмент ускорения науки. Это фактор, который требует пересборки институтов науки: финансирования, публикации, академического вознаграждения, репликации, data sharing, peer review и верификации.

Здесь нужно различать две логики. AI as output generator увеличивает поток научно выглядящих утверждений. AI as verification infrastructure может, наоборот, помочь масштабировать проверку: находить ошибки, воспроизводить вычислительные среды, сверять результаты, поддерживать reviewers и создавать continuous quality control.

От того, какая из этих двух логик победит, действительно зависит многое.

«Золотой стандарт исследований»: не красивая метафора, а инфраструктура доверия

Один из ключевых концептов доклада — Gold Standard Science, «наука золотого стандарта».

Здесь легко сбиться. «Золотой стандарт» звучит как лозунг: настоящая наука, качественная наука, строгая наука. Но в докладе речь идёт о достаточно конкретном наборе принципов, особенно важных в эпоху ИИ.

В мае 2025 года президент США подписал указ «О восстановлении науки золотого стандарта». Согласно докладу, он закрепляет принципы для исследований, финансируемых из федерального бюджета: воспроизводимость, открытость, информирование об ошибках и неопределённости, междисциплинарное сотрудничество, скептицизм по отношению к предположениям, фальсифицируемость гипотез, независимую экспертизу, принятие отрицательных результатов и отсутствие конфликта интересов.

В английском варианте ключевая формула звучит так: reproducibility, transparency, data sharing, and falsifiability.

Но дело не в самом перечне принципов. В докладе «золотой стандарт» нужен как основание для AI-powered discovery.

Если ИИ обучается на загрязнённой базе научной литературы, он будет не исправлять плохую науку, а масштабировать её. Если корпус знаний полон невоспроизводимых результатов, неполных методов, скрытых отрицательных результатов, слабой документации и publication bias, то ИИ будет строить новые гипотезы на ненадёжной основе.

Поэтому Кратсиос пишет, что Миссия «Генезис» должна создать не только генератор научных открытий, но и сопоставимый по масштабу верификатор.

Для меня это одна из самых сильных идей доклада: если мы создаём инфраструктуру генерации открытий, мы должны одновременно создавать инфраструктуру проверки, сопоставимую с ней по масштабу.

Иначе научная система будет производить всё больше утверждений, но не всё больше надёжного знания.

Отсюда уже следуют конкретные элементы инфраструктуры: открытые API, стандарты совместимости, machine-auditable replication packages, форматы представления вычислительных исследований, пригодные для машинной проверки, премии за успешное воспроизведение или опровержение влиятельных статей, интеграция проверки в журнальные платформы, грантовую отчётность и AI research tools, а также continuous replication mechanisms.

В идеале проверка должна быть не редкой героической практикой отдельных энтузиастов, а постоянным, дешёвым и масштабируемым слоем научной системы.

Научный журнал — инфраструктура другой эпохи

Про научные публикации доклад говорит довольно резко.

Научный журнал возник в XVII веке как технология коммуникации небольшого научного сообщества. Первые ключевые журналы появились в 1665 году. Тогда речь шла о сотнях активных исследователей и переписке по почте.

Сегодня масштаб совсем другой: миллионы исследователей, миллионы статей ежегодно и десятки тысяч научных журналов. Но базовая модель легитимации знания через журнальную статью и peer review сохраняет черты старой инфраструктуры.

Дело не только в перегрузке. Кратсиос перечисляет более глубокие ограничения журнальной модели. Журналы создают искусственный дефицит, поощряют секретность вместо открытого сотрудничества, делают легитимацию знания зависимой от узкого круга рецензентов, плохо принимают нулевые результаты и неудачные эксперименты, скрывают методологические развилки и поощряют гладкий narrative вместо честного описания исследовательского процесса. А университетская карьера при этом часто оптимизируется под количество публикаций, цитирования и impact factor.

В эпоху ИИ эти показатели становятся ещё более уязвимыми для закона Гудхарта: когда показатель становится целью, он перестаёт быть хорошим показателем.

Если текст, обзор, заявка, рецензия и даже правдоподобный результат могут генерироваться в промышленных масштабах, то publication count и citation metrics становятся ещё менее надёжными признаками научного вклада.

Поэтому доклад обращает внимание на альтернативные формы публикации: препринты, открытые datasets, код, протоколы, negative results, notebook publications, динамические статьи, которые обновляются по мере изменения данных, open peer review, быстрые циклы воспроизведения и обсуждения.

Научная статья может перестать быть единственной или даже основной единицей научного результата. Вместо неё всё большее значение могут получать datasets, software, protocols, benchmarks, models, executable notebooks, open infrastructure, machine-readable replication packages и continuously updated research objects.

Для университетов это болезненный сдвиг. Потому что университетская система признания до сих пор в огромной степени завязана на статью: статья как результат, журнал как фильтр качества, цитирование как мера влияния, публикационный список как основание карьеры.

А если меняется единица научного результата, вслед за ней должна меняться и система признания.

#современный_американский

Наука и ремесло: почему публикаций и патентов недостаточно

Отдельная сильная линия доклада — союз науки и ремесла.

Кратсиос критикует представление о технологической мощи как о совокупности патентов, инструкций и оборудования. Он предлагает различать три компонента технологии: инструменты, эксплицитные инструкции и процессуальные, или неявные, знания.

Пример с производством чипов здесь особенно нагляден. Инструменты — это литографические машины, установки травления, имплантеры. Инструкции — чертежи, рецепты, пошаговые процедуры. Но есть ещё процессуальное знание: как справляться со сбоями, повышать yield, понимать влияние переменных на очистку пластин, проектировать следующий технологический узел с учётом производительности и операционных рисков.

Это знание живёт в головах опытных инженеров и техников. Его нельзя полностью записать в manual.

Кратсиос вспоминает Полани: «мы знаем больше, чем можем рассказать».

Та же логика работает в науке. Гарри Коллинз в исследовании лабораторий, пытавшихся воспроизвести новый тип лазера в 1970-х, показал, что опубликованных источников было недостаточно. Успеха добивались те, кто провёл время в лаборатории со специалистом, уже умеющим это делать.

Для университетов это важный сюжет. Публикации и патенты — не конечная цель научного прогресса, а промежуточные артефакты более широкого процесса: подготовки людей, передачи ремесла, накопления tacit knowledge, формирования инженерной и экспериментальной культуры.

Если исследовательская система теряет связь с производством, мастерством, лабораторной техникой, приборами, прототипированием и практической передачей опыта, она теряет нечто более фундаментальное, чем «прикладной блок». Она теряет способность превращать знание в действие.

Для проекта «Университеты» это напрямую связано с различением подготовки, обучения, воспитания и образования. Можно обучить знаковой системе, дать картину мира и сформировать ценностную иерархию, но подготовка к действию требует освоения средств, инструментов, материалов, ситуаций, ошибок, обратной связи и ремесленного слоя деятельности.

ИИ не отменяет этот слой. Наоборот, делает его более важным. Когда интеллект становится дешевле, ограничение смещается в мир атомов: приборы, лаборатории, фабрики, материалы, прототипы, производственные цепочки, люди с руками и опытом.

«Миссия Генезис»: ИИ для науки как национальная инфраструктура

Главный инфраструктурный проект доклада — Genesis Mission, «Миссия Генезис».

Она описывается как флагманская американская инициатива в формате AI for science. Её цель — использовать ИИ, вычисления, научные приборы и данные, чтобы удвоить продуктивность и влияние американской науки и инженерии в течение десятилетия.

Ключевой элемент — American Science and Security Platform, Американская платформа науки и безопасности. Она должна соединить суперкомпьютеры, ИИ-системы, научные инструменты и datasets в единый discovery engine.

Важно: это не просто «дать учёным доступ к ChatGPT для исследований». Речь о национальной инфраструктуре, где вычисления, данные, модели и приборы соединяются в контур научного открытия.

Опора делается на национальные лаборатории Министерства энергетики США. В докладе подчёркивается, что 17 национальных лабораторий DOE — это крупнейшая концентрация научной инфраструктуры в мире: около 40 тысяч учёных, инженеров и технических специалистов, примерно 20 млрд долларов ежегодного финансирования, ускорители частиц, синхротронные источники света, суперкомпьютеры, экспериментальные установки в материаловедении, термоядерной энергетике и ядерной безопасности.

При этом федеральное правительство не пытается заменить частный сектор. Наоборот, оно признаёт, что frontier AI capabilities сосредоточены в частных лабораториях, а вычислительные кластеры стоят миллиарды долларов. Поэтому нужны специально сконструированные формы партнёрства между государственными лабораториями, университетами, компаниями, производителями полупроводников, облачными провайдерами и исследовательскими организациями.

Ещё один акцент: «Генезис» должен выбирать задачи, а не просто финансировать ИИ вообще.

Кратсиос пишет, что не каждая научная проблема подходит для ИИ. Наиболее перспективные задачи имеют три признака: большие комбинаторные пространства поиска, значительные объёмы структурированных данных и ясные метрики прогресса. Предсказание структуры белка — идеальный пример: огромное пространство возможных конфигураций, десятилетия структурных данных и benchmarks вроде CASP.

Поэтому Министерству энергетики поручено определить не менее 20 научно-технологических задач национального значения. Они должны охватывать передовое производство, биотехнологии, критически важные материалы, ядерное деление и синтез, квантовую информационную науку и полупроводники. Этот список должен ежегодно пересматриваться с учётом научного прогресса и национальных приоритетов.

Это важное различение: роль государства не в абстрактном финансировании ИИ-исследований, особенно когда частного капитала там и так много. Роль государства — направлять ИИ на задачи, прорыв в которых открывает целые ветви последующих открытий и применений.

Четыре нерешённые проблемы AI for science

В докладе отдельно выделены четыре проблемы, без решения которых ИИ не сможет полноценно трансформировать науку.

Первая — выбор задач. Не всякая научная проблема подходит для ИИ. Наиболее перспективны области, где есть большие пространства поиска, структурированные данные и ясные метрики.

Вторая — институциональный потенциал. AI for science требует не только моделей, но и новых организационных форм, механизмов финансирования, партнёрств, гибких команд, FRO, ARPA-подходов, метанауки и обновления системы проверки.

Третья — инфраструктура данных. Научные данные — сырьё для ИИ-открытий. Но большая часть ценных данных недоступна, не обработана или закрыта лицензиями. Нужны две линии: открывать государственные данные и создавать стимулы для исследователей готовить и публиковать собственные datasets, включая экспериментальные записи, negative results и operational data лабораторных процедур.

Четвёртая — интеграция ИИ с экспериментальной инфраструктурой. Автономные лаборатории, роботизированные установки и closed-loop experimentation могут резко сократить сроки открытия новых материалов и технологий. Но для этого приборы должны уметь взаимодействовать друг с другом: через открытые интерфейсы, стандартизированные форматы данных, совместимость между поставщиками и модернизацию научного приборостроения.

Хорошая деталь: Кратсиос пишет, что учёные, пытающиеся построить автоматизированные workflows, иногда тратят месяцы просто на то, чтобы заставить разные приборы взаимодействовать друг с другом.

Барьер AI for science — не только в интеллекте. Он в грязной, скучной, но критически важной инфраструктуре: интерфейсах, форматах, протоколах, данных, лабораторной автоматизации, supply chains, приборах и стандартах.

#ScienceNewGoldenAge #современный_американский

Наука как инфраструктурная система

Если собрать инфраструктурные предложения доклада, получится большая карта.

Вычислительная инфраструктура включает суперкомпьютеры, high-performance computing, compute clusters, AI models и scientific foundation models. Инфраструктура данных включает открытие федеральных datasets, AI-ready datasets, American Science Cloud, стимулы для исследователей делиться данными, хранение experimental records, negative results и laboratory procedure data.

Экспериментальная инфраструктура строится вокруг национальных лабораторий, user facilities, testbeds, синхротронов, ускорителей, автоматизированных лабораторий, роботизированных платформ и closed-loop experimentation. Инфраструктура проверки предполагает reproducibility standards, machine-auditable replication packages, APIs, continuous replication, премии за воспроизведение и опровержение, а также AI-enabled verification systems.

Публикационная инфраструктура должна поддерживать препринты, repositories, dynamic notebooks, open peer review, публикацию данных, кода, протоколов, отрицательных результатов и методических заметок. Институциональная инфраструктура включает FRO, X-Labs, ARPA-модели, curiosity-driven institutes, public-private partnerships, pre-competitive consortia, regranting systems и prize challenges.

Кадровая инфраструктура строится не только вокруг аспирантуры и академической карьеры, но и вокруг fellowship programs, portable graduate fellowships, practitioner-in-residence, apprenticeships, community colleges, industry credentials, включения skilled craftspeople, technicians и machinists в научную систему. Промышленная инфраструктура связана с advanced manufacturing, regional innovation clusters, manufacturing institutes, связью университетов с производственными экосистемами, восстановлением tacit knowledge и feedback loops между исследователями, инженерами и техниками.

Коротко: Кратсиос предлагает смотреть на науку не как на совокупность учёных, грантов и статей, а как на сложную инфраструктурную систему.

Возможно, это и есть главный сдвиг.

Что всё это значит для университетов

Для моего проекта про университеты доклад Кратсиоса важен не как американская технологическая программа, а как симптом возможной смены институциональной архитектуры науки.

Исследовательский университет исторически институционализировал несколько ключевых вещей: лабораторию, кафедру, аспирантуру, профессорскую карьеру, связь исследования и преподавания, журнал как форму признания результата, грант как механизм финансирования и академическую дисциплину как рамку знания.

Но современная наука всё чаще распределена между университетами, корпорациями, национальными лабораториями, фондами, FRO, открытыми базами данных, benchmark-платформами, облачными лабораториями, автономными экспериментальными установками, международными сообществами проверки и публично-частными консорциумами.

Университет не исчезает. Но он перестаёт быть самодостаточной моделью описания науки.

Тогда сильный университет будущего, возможно, будет определяться не тем, что пытается встроить внутрь себя весь научно-инновационный цикл, а тем, как он занимает позицию в более сложной системе разделения труда.

Он может быть местом выращивания исследователей, местом долгого фундаментального поиска, держателем приборной инфраструктуры, партнёром корпоративных лабораторий, участником FRO, производителем открытых datasets, создателем benchmarks, площадкой для replication и validation, узлом региональной производственной экосистемы, местом передачи tacit knowledge и архитектором новых образовательных и исследовательских траекторий.

Но для этого ему придётся ответить на неприятный вопрос: какие функции он действительно способен выполнять лучше других организаций, а какие должны быть вынесены в новые формы?

Мой главный вывод

Доклад Кратсиоса можно читать как политический документ о технологическом лидерстве США. Так он и написан.

Но для меня он интереснее как текст о том, что наука больше не помещается в старые организационные формы.

Снижается отдача от дополнительных ресурсов. Прорывы производятся экосистемами, а не одиночными лабораториями. Классическая грантовая система плохо поддерживает некоторые типы задач. Репликация имеет огромную общественную ценность, но слабую карьерную отдачу. ИИ удешевляет производство научно выглядящих утверждений, но не автоматически удешевляет проверку. Научный журнал остаётся инфраструктурой другой эпохи. Данные, код, протоколы, benchmarks и executable notebooks становятся самостоятельными научными результатами. Техническое ремесло и tacit knowledge оказываются не менее важны, чем публикации и патенты. Наука требует не только финансирования, но и новой архитектуры проверки, координации, признания и инфраструктуры.

Поэтому «новый золотой век» — не обещание, что ИИ сам всё ускорит. Наоборот: доклад постоянно напоминает, что без институциональной пересборки ИИ может не ускорить науку, а масштабировать её дисфункции.

Главный вопрос для меня звучит так: если исследовательский университет был одной из главных форм организации науки XIX–XX веков, какие институциональные формы смогут организовать производство знания в XXI веке — и какую роль среди них сохранит университет?

Готового ответа у меня пока нет. Но, кажется, именно здесь проходит одна из главных линий современной трансформации университета.

Не вокруг очередного списка навыков. Не вокруг лозунга про междисциплинарность. Не вокруг абстрактного «университета 4.0». А вокруг гораздо более жёсткого вопроса:

какая организационная форма сегодня способна производить не просто больше научных утверждений, а больше надёжного знания, на котором можно строить следующий шаг?

#ScienceNewGoldenAge #современный_американский