Тот самый ход 37: когда ИИ перестал быть просто программой
Март 2016 года. Сеул. Ли Седоль, 18-кратный чемпион мира по го, делает паузу. На 37 ходу матча против программы AlphaGo он подносит руку ко лбу, затем к губам. Камера фиксирует растерянность. Компьютер только что сделал ход, который не сделал бы ни один человек. Ход, который эксперты сначала сочли ошибкой. Пять лет тренировок, миллионы сыгранных партий, и нейросеть выдала нечто за гранью человеческой логики. Это был момент, когда искусственный интеллект перестал имитировать нас и начал думать иначе.
Move 37 — ход в верхнюю правую часть доски — был оценен профессионалами с вероятностью 1 из 10 000. AlphaGo увидела долгосрочную стратегическую ценность там, где люди видели лишь слабость. Это был не баг, а фича — признак подлинно нечеловеческого интеллекта.
Десять лет спустя, в 2026-м, мы не играем в го. Мы решаем с помощью наследников AlphaGo структуру белков, проектируем материалы и пишем математические доказательства. Игра была лишь полигоном. Настоящая битва теперь — в лабораториях.
От игровой доски к белковым структурам: как один алгоритм изменил всё
Технология, победившая в го, — это симбиоз глубоких нейросетей и обучения с подкреплением (Reinforcement Learning). AlphaGo училась, играя сама с собой. Этот же принцип лег в основу AlphaFold. Выпущенный в 2024 году AlphaFold 3 решил задачу фолдинга белков с точностью, о которой биологи не смели мечтать. Но к 2026-му все говорят уже о AlphaFold 4 и его применении для дизайна новых ферментов и лекарств.
Деньги и таланты хлынули в AI for Science. DeepMind и OpenAI теперь воюют не за геймеров, а за ученых. Как пишут в стратегической гонке за учёных, эта битва определит, кто будет контролировать следующую волну открытий. Лаборатории в Принстоне и Кембридже уже используют автономных AI-ассистентов для планирования экспериментов — об этом читайте в материале про закрытые встречи в Принстоне.
2026 год: что могут потомки AlphaGo сегодня?
Гонка вооружений не стихает. Google, опираясь на архитектуру Gemini, выпустил в 2025 году серию прорывных моделей, о которых подробно рассказано в хронологии AI-революции от Google. Gemini Ultra 2.0 теперь решает олимпиадные задачи по математике — золотая медаль IMO тому доказательство. Но это не просто калькулятор. Модель демонстрирует рассуждения, похожие на человеческие, что открывает путь к AI-исследователям.
Однако не все так гладко. Фундаментальные изъяны остаются. Тот же алгоритм, который блещет в го, может споткнуться на простой игре в Nim из-за проблем с обобщением и поиском по дереву. Почему ИИ проигрывает в Nim — это напоминание, что путь к AGI усеян не только победами.
Тем временем, инструменты становятся доступнее. Британские исследователи ищут обходные пути для доступа к передовым моделям, как описано в статье «AlphaFold для всех?». А если вы хотите сами попробовать силы в deep learning, начните с проверенного курса по обучению с подкреплением от DeepLearning.AI (партнерская ссылка).
Что дальше? AGI или специализированные оракулы?
OpenAI публично пообещал создать автономного AI-исследователя к 2028 году. Это конец науки или её новая эра? Вопрос открыт. Многие эксперты скептичны. AGI — искусственный общий интеллект — остается святым Граалем. Но эволюция идет не по пути создания единого разума, а через рои узкоспециализированных агентов.
Представьте: один агент проектирует молекулу, другой — проверяет ее токсичность на симуляции органов, третий — планирует синтез в лаборатории роботов. Это не один AlphaGo, это экосистема. И для экспериментов в таких гибридных средах отлично подходит платформа Weights & Biases (партнерская ссылка), которая стала стандартом для отслеживания ML-экспериментов в 2026 году.
Не ждите появления единого супер-интеллекта в ближайшие пять лет. Ждите армию туповатых, но невероятно эффективных в своей узкой задаче ботов. Они уже меняют ландшафт открытий.
Ирония в том, что Move 37 был красивой, почти поэтичной аномалией. Сегодняшние прорывы менее зрелищны. Это не один гениальный ход, а миллионы микрооптимизаций в симуляциях. Но impact — воздействие — несопоставимо. Алгоритм, рожденный для игры, теперь ускоряет открытие лекарств от рака и материалов для термоядерного синтеза.
Так куда мы движемся? Через десять лет после того исторического матча ясно одно: игры были лишь разминкой. Настоящая партия только начинается. И ставка в ней — не титул чемпиона мира, а будущее человеческого знания. Если вы думаете, что ИИ для науки — это далекое будущее, посмотрите на итоги недели в AI. Будущее уже здесь, оно просто неравномерно распределено.
Совет на последок: не пытайтесь предсказать следующий Move 37. Готовьтесь к тому, что его сделает машина. А ваша задача — понять, как использовать этот ход в реальном мире.
