ИИ создаёт материалы будущего, но без российских данных он слеп — вот в чём загвоздка

6:07

26.09.2025 00:15

Россия имеет все шансы занять лидирующие позиции в новой научной дисциплине — ИИ-материаловедении. Однако для этого, как подчеркивают специалисты, необходимо наладить полноценный обмен данными между исследовательскими школами и разработчиками систем искусственного интеллекта. Без доступа к реальным экспериментальным результатам алгоритмы обречены на топтание на месте, ведь работа исключительно с виртуальными моделями не дает ожидаемого прорыва.

"Существующие материаловедческие ИИ-системы развиваются на базе синтетических данных, полученных при помощи компьютерного моделирования", — отметил начальник управления развития перспективных технологий ИИ Сбербанка Семён Будённый.

По его словам, пока что ИИ вынужден повторять лишь приблизительные теоретические выкладки, что тормозит развитие отрасли. Ситуация могла бы кардинально измениться, если бы исследовательские институты и лаборатории открыли свои базы с результатами реальных экспериментов. Именно там хранится информация, которая способна вывести российскую науку на передний план.

Зачем нужен обмен реальными данными

Буденный обратил внимание, что в последние годы в мире появилось несколько передовых ИИ-платформ, которые уже сегодня могут самостоятельно проектировать новые материалы и тестировать их свойства. Потенциал для создания аналогичных систем есть и в России: здесь работают школы, где создают и изучают материалы будущего, и сильные команды в сфере искусственного интеллекта. Но без кооперации между ними любое развитие будет фрагментарным.

"Сейчас нам для обучения моделей катастрофически не хватает данных", — добавил Семен Буденный.

По его словам, даже незначительное изменение структуры материала способно кардинально повлиять на его характеристики. Это делает процесс моделирования особенно сложным и требует большого количества достоверных данных для обучения нейросетей.

Позиция Росатома

Свою точку зрения высказал и научный руководитель программы "Материалы и технологии" госкорпорации "Росатом" Алексей Дуб. Он подчеркнул, что недостаток открытых баз данных является серьезным тормозом не только для ИИ в материаловедении, но и для всей индустрии создания новых композитов.

"Проблема доступа к базам данных и обмена результатами практических экспериментов является одним из главных препятствий", — заявил Алексей Дуб.

По его мнению, устранение этого барьера позволит значительно ускорить прогресс российской науки.

Сравнение мирового и российского подхода

Подход	Особенности	Последствия
Международный опыт	Широкий обмен данными между университетами, лабораториями и ИИ-платформами	Быстрое появление новых материалов и технологий
Российская практика	Данные остаются внутри организаций, доступ ограничен	Замедленный прогресс, сложности при обучении моделей

Ошибка → Последствие → Альтернатива

Ошибка: работа исключительно с синтетическими данными.
Последствие: ИИ повторяет теоретические модели, без практической пользы.
Альтернатива: внедрение экспериментальных данных из университетов и научных центров.
Ошибка: закрытость материаловедческих школ.
Последствие: отсутствие доверия и замедленный прогресс.
Альтернатива: развитие кооперации через отраслевые консорциумы.
Ошибка: недооценка роли ИИ в науке.
Последствие: упущенные мировые позиции.
Альтернатива: активное внедрение алгоритмов в исследования и производство.

А что если…

Представим, что Россия запустила открытую платформу, где исследователи и компании выкладывают результаты экспериментов, а нейросети учатся на этих данных. Через несколько лет ИИ-платформы смогут предлагать новые сплавы для авиации, суперпрочные композиты для энергетики или уникальные полимеры для медицины. Это не просто ускорит науку, но и укрепит экономику.

FAQ

Как выбрать платформу для обмена данными?
Лучше ориентироваться на государственные и крупные отраслевые проекты, где выше уровень защиты информации.

Сколько стоит внедрение ИИ в материаловедение?
Стоимость зависит от масштаба проекта: от миллионов рублей для университетских решений до миллиардов для промышленных внедрений.

Что лучше — синтетические или реальные данные?
Оба вида нужны, но реальные результаты экспериментов делают модели точнее и приближают их к практике.

Мифы и правда

Миф: ИИ может самостоятельно придумать новый материал.
Правда: без экспериментальных данных нейросети ограничены в возможностях.
Миф: обмен данными приведет к утечке секретов.
Правда: современные технологии анонимизации позволяют надежно защитить информацию.
Миф: ученые не нуждаются в ИИ.
Правда: совместная работа исследователей и алгоритмов дает более быстрый результат.

3 интересных факта

Первые ИИ-платформы для материаловедения появились в США и Китае около десяти лет назад.
В Японии активно применяют нейросети для прогнозирования свойств новых магнитных материалов.
В России уже есть проекты, где ИИ тестирует полимеры для медицины и электроники.

Исторический контекст

1960-е: первые компьютерные модели для расчетов свойств металлов.
1990-е: появление мощных суперкомпьютеров и начало активного моделирования.
2010-е: прорыв нейросетевых технологий, старт проектов по ИИ в материаловедении.
2020-е: создание первых платформ, способных самостоятельно предлагать новые материалы.