Итоги 2025 года: 5 главных направлений в развитии искусственного интеллекта

Журнал Time не случайно назвал искусственный интеллект «человеком года», изобразив на обложке восемь лидеров ИИ-индустрии на строящемся небоскребе Эмпайр Билдинг Стэйт. Это — глубокая метафора: речь идет не просто о технологическом прогрессе, а о строительстве новой реальности, где граница между цифровым и физическим мирами постепенно размывается. В этом обзоре мы расскажем о 5 основных направлениях развития ИИ, которые продемонстрировали, как работает «универсальный растворитель», и как он меняет саму природу познания.

Главный концептуальный сдвиг 2025 года: переход от LLM (больших языковых моделей) в цифровом мире к автономному ИИ-агенту в физическом пространстве. Появились базовые модели (foundation models) для робототехники (RT-X, OpenVLA), которые позволяют роботам обобщать навыки, полученные при решении разных задач, подобно тому, как LLM обобщает языковые паттерны для построения новых высказываний.

Мультимодальные LLM, работающие не только с текстом, но с картинками, видео и аудио, начали управлять роботами. Системы типа Gemini 2.0 и GPT-4o позволяют роботу понять, например, команду «принеси красную чашку с дальней полки», хотя его не обучали именно на этой задаче — языковое понимание и визуальное восприятие объединены в едином представлении.

Платформы для синтетических данных (Genesis, NVIDIA Isaac Lab) решили одну из трудных проблем робототехники — дефицит обучающих примеров. Теперь роботов можно обучать в виртуальных мирах с физикой, а затем переносить навыки в реальность.

Китайские компании Unitree и Fourier Intelligence показали, что гуманоидный робот может стоить $13,000 — как автомобиль, а не как дом. Это меняет экономику внедрения роботов в повседневную жизнь.

Ключевые достижения:

В биологии и медицине ИИ дал то, что было недоступно раньше — способность работать с системами из миллионов взаимодействующих компонентов. AlphaFold 3 от DeepMind перешел от предсказания структуры отдельных белков к моделированию биомолекулярных комплексов — взаимодействий белков с ДНК и РНК. Это фактически моделирование молекулярных механизмов клетки, что открывает путь к рациональному дизайну лекарств.

Появились базовые модели (foundation models) для биологии — ESM для белков, Nucleotide Transformer для геномов. Это аналог GPT, но для молекулярной биологии: модели «понимают» язык ДНК и белков, предсказывают их поведение и эффекты мутаций.

Системы типа RFdiffusion и ProteinMPNN научились создавать белки с заданными функциями с нуля — как DALL-E генерирует изображения. Несколько препаратов, разработанных с помощью ИИ, вошли в клинические испытания, сокращая цикл от идеи до кандидата с лет до месяцев. В медицинской диагностике мультимодальные модели устойчиво превосходят человека в анализе рентгеновских снимков, ЭКГ, патологических срезов. Модели интегрируют данные из разных источников — геномику, протеомику (анализ белков), историю болезни пациента — в единую картину.

Ключевые достижения:

В материаловедении произошло то же, что с белками — переход от экспериментального перебора к генеративному дизайну. GNoME (Graph Networks for Materials Exploration) от DeepMind предсказала структуры 2.2 миллиона новых стабильных материалов — больше, чем было открыто за всю историю человечества. Из них 380,000 уже синтезированы в лабораториях.

ИИ стал инструментом для поиска материалов с заданными свойствами — высокотемпературных сверхпроводников, эффективных катализаторов для производства водорода, материалов для твердотельных батарей. Это ускорение на порядки: раньше на открытие одного нового материала уходили годы экспериментов, теперь — недели от предсказания до синтеза.

Microsoft и Pacific Northwest National Laboratory создали новый электролит для литиевых батарей с использованием ИИ за 18 месяцев вместо обычных 20 лет. Материал уже тестируется в прототипах батарей.

Особенно важно, что ИИ не просто находит материалы с нужными свойствами, но и предсказывает методы их синтеза — какие исходные вещества использовать, при каких температурах и давлениях проводить реакции.

Ключевые достижения:

ИИ-модели погоды GraphCast, MetNet-3, Aurora показали результат, который казался невозможным — они стали точнее традиционных физических симуляций и при этом работают в тысячи раз быстрее. GraphCast от DeepMind предсказывает погоду на 10 дней вперед за минуту на одном процессоре, в то время как традиционная модель требует многих часов на суперкомпьютере.

Важно, что ИИ-модели лучше предсказывают экстремальные события — ураганы, волны жары, наводнения. GraphCast предсказал траекторию урагана Lee на 9 дней раньше традиционных моделей. Это не просто академическое улучшение — это спасенные жизни и миллиарды долларов предотвращенного ущерба.

Aurora от Microsoft работает с разрешением 0.1 градуса (около 11 км земной поверхности) и предсказывает не только погоду, но и качество воздуха, загрязнение. Модель обучена на 1.3 миллионах часов данных наблюдений и может делать прогнозы для любой точки планеты, включая регионы с недостатком метеостанций.

В климатическом моделировании ИИ помогает эмулировать сложные физические процессы — конвекцию в океане, образование облаков, взаимодействие атмосферы и биосферы. Это позволяет делать долгосрочные климатические прогнозы на десятилетия вперед с гораздо меньшими вычислительными затратами.

Ключевые достижения:

Способность ИИ заниматься математикой на высоком уровне — это не просто еще одно применение, а возможность его саморазвития. AlphaProof от DeepMind решила 4 из 6 задач Международной математической олимпиады 2024 года, получив серебряную медаль. Это уровень лучших старшеклассников мира в области, которая всегда считалась прерогативой человеческого интеллекта.

OpenAI o3 показала 25% успеха на наборе задач, созданных профессиональными математиками специально для проверки передового края математического рассуждения (benchmark FrontierMath). Для сравнения, o1 показала менее 2%, а GPT-4o практически 0%.

Рассуждающие модели (reasoning models) (o1, o3, Gemini 2.0 Flash Thinking) продемонстрировали принципиально новый подход — если дать модели время на внутренний поиск (chain of thought), она решает задачи качественно другого уровня сложности.

Формальная верификация с помощью ИИ-ассистентов в системах Lean, Coq, Isabelle открывает путь к гарантиям корректности кода. Если ИИ управляет роботом-хирургом или разрабатывает материал для космического корабля, нужны математические доказательства того, что система делает именно то, что должна и системы верификации сделали важнейший шаг в этом направлении.

Активно развивается направление, которое пытается математически объяснить, что происходит внутри нейросетей, и здесь достигнут значительный прогресс. Исследователи начинают понимать, как ИИ представляют знания, как формируются «схемы» (circuits) для решения типовых задач.

Ключевые достижения:

При всех достижениях 2025 года стало ясно, что есть вещи, которые пока не по силам нейросетевому «универсальному растворителю».

Причинность vs корреляция. ИИ блестяще находит статистические паттерны, но понимание причинно-следственных связей остается проблемой. Модель может предсказать, что произойдет, но не всегда может объяснить почему и что будет, если мы изменим условия.

Физическое понимание. ИИ может предсказать траекторию падающего мяча, обучившись на миллионах примеров. Но у него нет интуитивного понимания физики, которое есть у ребенка. Это становится критичным в робототехнике, когда робот сталкивается с ситуацией, которой не было в обучающих данных.

Обобщение за пределы обучающего распределения. Модели хорошо работают на данных, похожих на те, на которых обучались. Но радикально новые ситуации остаются проблемой.

Энергоэффективность. Обучение и использование больших моделей требует огромных вычислительных ресурсов. Человеческий мозг работает на 20 ваттах, GPT-5 нужны мегаватты для обучения.

Осознание этих границ — не признание поражения, а шаг к их преодолению. Именно понимание того, чего мы еще не можем, определяет направления исследований на ближайшие годы. Возможно, для преодоления этих границ понадобятся не просто улучшенные версии существующих архитектур, а принципиально новые подходы — гибридные системы, сочетающие нейросети с символьными рассуждениями, новые архитектуры, вдохновленные нейробиологией, или что-то совершенно неожиданное.

Но уже сейчас ясно: 2025 год войдет в историю как момент, когда искусственный интеллект окончательно вышел из цифрового мира и начал преобразовывать физическую реальность на всех уровнях — от атомов до планеты.