Наукой нужно заниматься осознанно

Звонок, который развернул карьеру

Главный выбор случился после стажировки в Яндекс Research. Я уже фактически договорился двигаться по индустриальному пути: аналитика, Data Science, работа в компании. И параллельно у меня была небольшая научная деятельность с моим научным руководителем Евгением Владимировичем Бурнаевым.

Я очень хорошо помню момент: еду домой, стою на станции электричек, и мне звонит научный руководитель. Спрашивает, что я решил после стажировки. Я отвечаю: вроде договорился работать. А он говорит: нет, давайте вы пойдете ко мне в науку. Мы обсудили задачи, условия, и этот разговор фактически развернул мою траекторию.

Так я оказался в науке уже по-взрослому. Сначала стажировка, потом аспирантура, исследовательская работа, своя группа. И я до сих пор благодарен Евгению Владимировичу Бурнаеву за то, что он меня в этот момент вытянул в науку. Отдельно благодарен Глебу Гусеву, который познакомил меня с ним подробнее. Иногда научный путь решается не абстрактным «призванием», а конкретным звонком конкретного человека в правильный момент.

Наукой нужно заниматься осознанно

Я не считаю, что в науку нужно идти просто по инерции: закончил бакалавриат, потом магистратура, потом аспирантура, потому что так принято. Наукой нужно заниматься осознанно. Это отдельный путь со своей логикой, своей карьерой, своими рисками и своими преимуществами.

Мне кажется, молодым людям нужно гораздо раньше рассказывать, как на самом деле устроена научная работа. Не романтическими лозунгами, а практично: как публикуются статьи, как работают конференции, как устроены гранты, как делать научно-исследовательские работы для компаний, как выступать на семинарах, как выбирать тему, как общаться с научным руководителем, как строить карьеру.

Я многое осваивал опытным путем. Но хорошо было бы, если бы такие вещи объясняли уже на старших курсах бакалавриата, когда база получена и человек начинает выбирать, кем он хочет быть. Вдохновлять важно, но одного вдохновения мало. Нужно показывать механику научной профессии.

ИИ как помощник учёного

Сегодня я, как и многие исследователи, постоянно пользуюсь большими языковыми моделями. Есть бытовой слой: поправить текст, заявку на грант, отчёт, письмо, сделать несколько версий формулировки и потом собрать лучший вариант. Это не заменяет автора, но ускоряет техническую работу.

Есть более важный слой — работа с идеями. В области искусственного интеллекта новые статьи выходят с такой скоростью, что физически невозможно все читать. Поэтому современные LLM-сервисы и научные поиски помогают быстро проверить, было ли уже что-то похожее, какие есть релевантные работы, где может быть слабое место идеи, в какую соседнюю область стоит заглянуть.

Это не значит, что модель выдает готовое научное открытие. Но она помогает ориентироваться, задавать правильные вопросы и быстрее входить в новую область. Например, если для генеративных моделей вдруг становится нужна специфика дифференциальных уравнений в частных производных, раньше пришлось бы долго искать литературу самому. Сейчас можно быстрее найти вход, а дальше уже работать головой.

Главный навык: генерировать, проверять, выбирать

В науке сейчас особенно важна способность работать с огромным потоком информации. Нужно уметь из сотен статей выделять те несколько процентов, которые действительно полезны, а не тонуть в junk science и информационном шуме. Это важно не только для науки, но и вообще для жизни.

Но если говорить именно про исследователя, я бы выделил три навыка. Первый — генерировать новые идеи. Второй — быстро их проверять. Третий — выбирать из них то, что действительно перспективно, и доводить до конца. В этом есть смесь инициативности, креативности, амбициозности и дисциплины.

При этом идеи не рождаются из пустоты. Генеративные модели сначала «насматриваются» на огромные массивы данных, а потом создают новое. С человеком похоже: чтобы генерировать хорошие идеи, нужен широкий кругозор, насмотренность, много знаний. Без базы творить в науке почти невозможно.

Генеративный ИИ вне текстов

Моя исследовательская группа занимается генеративным искусственным интеллектом. Часто, когда люди слышат «генеративный ИИ», они сразу думают о текстах, чат-ботах, LLM. Но область этим не ограничивается. Есть генеративные модели для изображений и других типов данных, и именно с изображениями я много работаю.

Один из важных практических примеров — сверхразрешение изображений. Это есть у каждого из нас в телефонах, видеосвязи, сервисах обработки изображений. Сигнал сжимается, передается, ухудшается, а потом его нужно восстановить так, чтобы картинка стала лучше. На удивление, многие такие downstream-задачи сегодня решаются технологиями генеративного ИИ.

Мне интересны задачи, где на входе есть одно изображение, а на выходе должно появиться другое: плохое качество — хорошее качество, испорченная картинка — восстановленная, низкое разрешение — высокое. Но самое сложное начинается, когда у нас нет пар «плохая картинка — хорошая картинка», по которым можно просто обучить модель.

Оптимальный транспорт Канторовича и нейросетевые алгоритмы

Когда мы занимались задачами сверхразрешения на непарных данных, стало понятно: сама задача плохо поставлена. Если нет точных пар, существует много вариантов, куда и как отобразить изображение. Но если у нас слон в плохом разрешении, мы хотим получить слона в хорошем разрешении, а не кота в хорошем разрешении.

Мы заметили, что эта проблема очень хорошо ложится на теорию оптимального транспорта. На бытовом уровне оптимальный транспорт можно объяснить так: есть склады, есть пункты выдачи, есть товары, и нужно развезти их так, чтобы потратить меньше ресурсов. Эта теория развивалась давно, а в XX веке огромный вклад в нее внес советский математик Леонид Витальевич Канторович, получивший Нобелевскую премию в контексте экономических приложений.

Мы поставили задачу непарного переноса домена изображений как задачу оптимального транспорта, но уже в более современной, непрерывной и выборочной постановке. Нужно было не просто сопоставить две выборки, а восстановить отображение, которое сможет работать с новыми данными. Так возник цикл алгоритмов, который мы называем нейросетевым оптимальным транспортом. За этот цикл работ я получил научную премию Сбера.

Наука и индустрия: дельта компенсируется свободой

В искусственном интеллекте конкуренция науки и индустрии особенно заметна. Направление хайповое, компании готовы забирать сильных людей на промышленные задачи с большими зарплатами. Даже если человек одарен для науки, у него могут быть жизненные обстоятельства, и он выберет более понятный индустриальный путь.

Поэтому наука должна быть нормально профинансирована. Она не обязана всегда платить столько же, сколько индустрия, но разрыв не должен быть разрушительным. В науке есть то, что компенсирует часть этой дельты: больше свободы, более интересные и амбициозные задачи, возможность формировать направление.

Нужны совместные лаборатории с компаниями, R&D-лаборатории, специализированные научные институты вроде AIRI. Это уже начинает работать. Важно, чтобы человек видел: научный трек — это не бедная альтернатива индустрии, а полноценная траектория, где можно делать работу мирового уровня и при этом оставаться рядом с практикой.

Будущее ИИ невозможно предсказать спокойно

Я осторожен с прогнозами. В 2019 году я был на Петербургском международном экономическом форуме как лауреат премии Яндекса и задал экспертам вопрос: что будет с ИИ через пять лет? Сейчас понятно, что за эти пять лет произошло гораздо больше, чем многие тогда могли представить.

Сегодня развитие идёт прежде всего вокруг фундаментальных моделей, LLM, рассуждений, агентных систем. Уже обсуждаются сценарии, где агенты смогут выполнять исследовательскую работу сначала на уровне стажера, а потом и научного сотрудника. Если появится сильный агент-учёный, вслед за ним появятся агенты-программисты, инженеры, дизайнеры.

Это вызывает и технологический интерес, и тревогу, и этические вопросы. Что дальше делать учёному? Уходить на пенсию? Искать новые роли? Я не берусь уверенно прогнозировать. Но почти все современные технологии уже так или иначе движутся вокруг ИИ, и игнорировать это невозможно.

Перезагрузка: игры, VR, лыжи и бег

Если говорить о восстановлении, я с детства геймер. Люблю компьютерные игры, особенно старые, которые запали в душу: Half-Life, Total War и другие. Недавно по совету друга купил VR-шлем и снова попробовал играть в таком формате. Для меня это способ переключиться, даже если со стороны странно: весь день за компьютером, а потом ещё немного за компьютером.

В университете я много занимался спортом, особенно беговыми лыжами. Сейчас, к сожалению, меньше, потому что нужно выезжать на трассу, но стараюсь хотя бы бегать, когда появляется время. В науке важно не только генерировать идеи, но и сохранять ресурс, чтобы эти идеи доводить до конца.