Что-то на научном

Можно ли написать научную статью с ChatGPT?

Недавно в «Успехах химии» вышла классная статья про использование ИИ при подготовке научных текстов. Авторы — большая группа российских химиков и редакторов научных журналов, разобрали разные сценарии: перевод, улучшение английского, структурирование текста, аннотации, работа с литературой, ответы рецензентам.

Классно, что академики (а их там немало в авторах) не стали обсуждать в сотый раз, «убьет ли условный ChatGPT науку», а приняли как факт, что ученые им уже пользуются, и сформулировали некоторые правила.

Но у меня возник другой вопрос. А сами издательства то вообще разрешают все это делать?

Я полез смотреть актуальные политики, и оказалось, что единого ответа в 2026 году нет. С простыми вещами все более-менее спокойно. Написали текст сами и попросили ИИ поправить английский, грамматику или стиль? С этим практически везде ок. Более того, такое редактирование у многих издателей даже не требует отдельной декларации.

А вот с генерацией текста правила уже расходятся.

Самую жесткую границу проводит Taylor & Francis: ИИ можно использовать для улучшения уже написанного текста, но он не должен создавать первый черновик статьи или отдельного раздела. Springer Nature идет чуть дальше: ИИ может подготовить черновик раздела на основе ваших материалов и тезисов. Но научная аргументация, интерпретация результатов и выводы должны исходить от автора, а существенное использование ИИ нужно раскрыть. Frontiers формально еще либеральнее: его правила прямо допускают текст, созданный ИИ. Главное — задекларировать использование ИИ, проверить результат и полностью отвечать за содержание.

Получается три разных границы: ИИ только редактирует текст, ИИ пишет по вашим тезисам, ИИ может генерировать основной текст под вашей ответственностью.

Есть и еще одна занятная тенденция. Некоторые издатели начинают относиться к промптам почти как к части исследовательского протокола.

RSC при существенном использовании ИИ просит описывать его в Methods, включая промпты. Taylor & Francis рекомендует сохранять полную историю использования ИИ, особенно если он участвовал в методологии. Frontiers вообще предлагает при необходимости прикладывать промпты и то, что получилось в результате в Supplementary.

В общем, теперь в науке промпт превращается в еще один параметр, который нужно зафиксировать для воспроизводимости работы.

Что делать-то теперь, как жить? Если используете таки ИИ при подготовке статьи 🤫😁
1. Поправили язык и опечатки — живите спокойно, не дергайтесь;
2. Сделали полный перевод, серьезный рерайт или перестроили текст — стоит проверить что журнал пишет, про использование ИИ;
3. У вас там генерация целых абзацев и разделов (привет всем review) — правила издательств сильно расходятся, но лучше сразу сохранять название модели, версию, дату и ключевые промпты.

Как проводить первую встречу бизнеса и ученых?

Я довольно часто организую такие встречи — соединяю компании и научные команды, у которых потенциально могут быть общие задачи. Вчера провел очередную и подумал, что у хорошей первой встречи есть довольно простая механика. А испортить ее, наоборот, очень легко 😁 Поэтому вот несколько моих наблюдений.

1. За столом должны быть не только эксперты, но и руководство.
Вчера со стороны научной организации были директор и его заместитель по науке, а также профильный научный лидер. Даже идеальный разговор двух ученых или инженеров может закончиться словами «очень интересно, давайте как-нибудь продолжим». Нужен кто-то, кто способен потом реально двигать взаимодействие внутри организации.

2. Не надо сразу продавать решение. Сначала надо понять задачу.
«Нам интересны новые материалы», «AI», «математическое моделирование» — это еще не запрос. Гораздо полезнее выяснить: что сейчас долго? дорого? что приходится много раз проверять экспериментально? какое решение бизнес хотел бы научиться принимать быстрее?

Вчера именно так из довольно широкой дискуссии постепенно появилась конкретная прикладная задача, которую уже можно разбирать с профильной R&D-командой.

3. Показывайте то, что действительно умеете. И не бойтесь говорить, чего пока не умеете.
Круто, когда вы можете рассказать что уже делали в этой области, скажем, где есть рабочая модель, где нужна доработка. Особо важно понимание собственных ограничений — "вот этого пока не знаем". Мне кажется, честно обозначенные границы компетенций создают гораздо больше доверия, чем попытка продать неготовое решение.

Плюс очень помогает показать команду, инфраструктуру, оборудование. Это запоминается и дает вашему визави чувство уверенности.

4. Деньги все-таки стоит обсудить, просто не надо начинать с них.
Нужно понимать, существует ли вообще реальный путь к проекту. Может оказаться, что задача бизнесу интересна, но финансирования на нее в ближайшие циклы просто не предусмотрено. Это не обязательно конец разговора. Научная команда может решить, что готова сама инвестировать какое-то время в проверку гипотезы, если видит большой потенциальный рынок или шанс зайти в будущий проект.

Ну и конечно тут важно выяснить маршрут. А кто и как вообще у вас в компании принимает решения? Какие бюджетные циклы, какие особенности. В общем то, что очень сильно может влиять на способность заплатить.

5. Хорошая первая встреча заканчивается следующим шагом.
В идеале нужно четко понимать, какое дейтсвие кто совершает и в какой срок. Я обычно в конце еще раз проговариваю "так, значит мы вам это присылаем до конца недели, вы нам вот то до 20 числа, и далее делаем встречу до конца месяца, верно?". Лишним не будет, правда. Даже если уже это проговорили по ходу встречи.

В общем, первая встреча бизнеса и ученых нужна не для того, чтобы продать НИОКР. Она нужна, чтобы понять, есть ли вообще из чего этот НИОКР собирать.

Если после полутора часов разговора стало понятнее, какая есть задача, кто может ее решить и что делать дальше, — встреча уже прошла не зря.

До 10 сентября открыт прием заявок в Акселератор МГУ.

Это программа для студентов, аспирантов, сотрудников и выпускников МГУ и других университетов. Причем приходить можно как с уже существующим проектом — вплоть до TRL 5+, так и просто с желанием попробовать себя в технологическом предпринимательстве, если конкретной идеи пока нет.

В этом году основные направления — DeepTech / LifeScience и Digital.

То есть если по-русски, то хороший профиль получается: новые материалы, химические технологии, биотех, медтех, приборостроение, робототехника, энергетика, аддитивные технологии, а также ИИ, цифровое моделирование, интернет вещей, нейроинтерфейсы и вот это все.

В структуре Акселератора будет образовательная программа, индивидуальная работа с проектами, эксперты из бизнеса и индустрии, инвесторы и институты развития. Плюс призовой фонд 4 млн рублей.

Некоторая статистика тоже есть: с 2022 года через акселератор прошло уже более 1500 участников, а только за последние два года выпускники программы привлекли около 25 млн рублей грантов Фонда содействия инновациям.

В общем, если у вас есть научная разработка и давно хотелось проверить, можно ли вокруг нее собрать стартап, — вполне хороший повод попробовать. А если вы уже что-то делаете, то как минимум получить внешний взгляд на проект и познакомиться с потенциально полезными людьми тоже лишним не будет.

Дедлайн — 10 сентября 2026 года.

Подать заявку: startup.msu.ru

Ну вот и академический базис для вайбресерчинга подъехал 😁

Вчера написал про то, как вайбресрчу свои старые экспериментальные данные в Codex, а сегодня принес вам уже немного матчасти. Я, собственно, в своих экспериментах использую библиотеку Scientific Agent Skills от K-Dense. И очень удачно ребята буквально сейчас выложили препринт, где нормально объясняют, что это вообще такое и зачем научному агенту нужны отдельные скиллы.

Главная мысль статьи прекрасна своей простотой: написать работающий код и провести корректный научный анализ — вообще не одно и то же. Агент вполне способен написать питон-код, который запустится без единой ошибки, построит красивый график и даже выдаст убедительные цифры. Проблема в том, что при этом он может выбрать неправильный статистический тест, не учесть множественные сравнения, перепутать уровень независимых наблюдений или просто некорректно использовать специализированный научный пакет. Код работает — результат мусор. В науке такое, как мы знаем, иногда случается даже без ИИ 😁.

И вот Scientific Agent Skills — попытка добавить между «LLM умеет программировать» и «LLM занимается исследованием» еще один слой: процедурное научное знание. Скилл здесь — это инструкция. Она объясняет, когда применять конкретный подход, в какой последовательности выполнять операции, что обязательно проверить, где остановиться и какие ограничения учитывать. К ней могут прилагаться документация, референсы и уже готовые исполняемые скрипты.

Сейчас в библиотеке 163 скилла по 16 направлениям. Есть 21 скилл по науке о данных, 10 по физике и материаловедению, 8 по статистике и дизайну эксперимента, отдельные блоки по поиску данных и литературы, научной визуализации, химии, геномике, автоматизации лабораторий и т.д.

Суть этих скиллов в том, что при запросе «построй мне что-нибудь научной по этим данным» наш ИИ агент получает набор инструкций в духе: «если решаешь такую задачу — используй вот этот воркфлоу, сначала проверь вот это, потом сделай вот это, вот здесь не делай такой вывод, а результат проверь таким способом». То есть эти инструкции "бьют по рукам", чтобы агент работал адекватно.

Еще важно, что скиллы подгружаются по необходимости, а не все сразу. Агент постоянно видит только их короткие описания, а полную инструкцию читает уже тогда, когда конкретный скилл понадобился. Поэтому библиотека может быть довольно большой, не превращая контекст модели в свалку из миллионов токенов.

Классно! От меня что требуется? 😂

Чтобы начать работать нужно просто попросить ваш ИИ установить эту библиотеку (скормить ссылку в Codex, Claude Code, Cursor или чем вы пользуетесь). Причем не ставить все скиллы, а подключать те, которые реально нужны под ваш проект (авторы статьи тоже так советуют).

Так что если кто-то захотел тоже немного повайбресерчить — я бы начинал отсюда)

Ну что, время для вайбресерчинга?

А то ведь из каждого утюга слышим про вайбкодинг и очередные «революционные» B2B SaaS, которые теперь может собрать буквально каждый. А из околонаучных телеграм-каналов — очередные страхи и переживания о том, что статьи уже пишутся с ИИ, рецензируются с ИИ и скоро, видимо, читаться тоже будут исключительно ИИ.

И вот мне кажется, что между этими двумя мирами есть какой-то странный неформализованный разрыв.

С одной стороны, весь вайбкодинг во многом про то, что теперь можно довольно легко что-то сделать. Не обязательно нормально уметь программировать: объясняешь агенту, чего хочешь, он пишет код, запускает, чинит ошибки, переписывает — и в итоге у тебя появляется приложение, сайт, сервис или ещё что-нибудь «классное». В том числе появляется куча всего «для ученых».

AI for Science, конечно, отдельная большая и очень интересная тема. Но какого-то готового инструмента, от которого я как обычный экспериментатор сказал бы: «вот, это прямо радикально изменило мою научную работу, кайф!», — я пока не встретил.

С другой стороны, мы прекрасно освоили главную суперсилу языковых моделей — генерировать какие угодно тексты. Сколько уже было прекрасных скриншотов из опубликованных статей, где авторы забыли убрать, а редакторы не заметили что-нибудь в духе: «Конечно! Вот переработанная версия вашего обзора…».🤣 И в итоге значительная часть видимого «ИИ в науке» пока выглядит как нейрослоп: одинаковые тексты с характерными —, двоеточиями, «важно отметить» и красивыми картинками.

Но недавно меня осенило, что можно более адекватно на эту нейроистерию посмотреть))

Так что в выходные теперь разбираю данные, которые у меня лежат уже довольно давно: РФА, ДСК, XAS, Раман — в общем, нормальный такой набор экспериментального добра, до которого не доходили руки.

Я просто как следует задолбал Sol 5.6 в Codex, чтобы он поставил мне все нужные Python-пакеты, объяснил, где лежат данные и что с ними нужно делать. И дальше происходит довольно забавная вещь: можно оставить компьютеру задачу на выходные — разобрать файлы, собрать серии образцов, привести все к единому виду, нормализовать там, где нужно, построить графики, проверить странности и подготовить результаты для дальнейшего анализа. А с телефона подключаться по ходу и управлять.

Тут ты не просишь, чтобы ИИ «придумал научный результат». Это по сути ровно та рутинная работа, которую раньше нужно было либо несколько часов делать самому руками в Python / Origin / Excel, либо отдавать кому-то из младших коллег (а потом все равно несколько раз объяснять и переделывать).

Ну, то есть у меня это скорее такой процесс: «Вот данные. Вот что они означают. Ничего не потеряй. Собери серии вот так. Эти образцы сравни отдельно. Посмотри вот эту зависимость. Построй вот так, в таком стиле».

Дальше можно идти глубже: первичный скрининг возможных фаз по РФА, поиск зависимостей между составом и характеристиками спектров, сопоставление данных из разных серий итп.

Понятно, что интерпретировать результат, понимать физический смысл и решать, чему вообще можно верить ты должен сам. Иначе получится полная хрень, собственно как и в вайбкодинге без знаний разработки 😁.

В общем, что? Вайбресерчим, получается 🐗