ainews
Почему языковые модели не создают прорывных теорий — и при чём тут world models
Том Захави из Google Deepmind утверждает: языковые модели не способны на научные революции, потому что не умеют делать «манипулятивную абдукцию» — изобретать принципиально новые объяснения без готового шаблона. Они отлично дедуцируют и находят паттерны, но не могут совершить прыжок Эйнштейна — придумать новую аксиому из телесного опыта. Выход — world models с физическим взаимодействием, не просто предсказывающие следующий кадр, а позволяющие экспериментировать.
Если вы строите AI для науки или инноваций, это объясняет, почему языковые модели бьются в потолок и куда идти дальше. World models — новая точка роста, и кто первым освоит их в R&D, получит преимущество на годы вперёд.
Том Захави из Google Deepmind выпустил позиционный документ, где объясняет, почему LLM не могут совершить научный прорыв. Он опирается на схему Эйнштейна: открытие — это цикл из сенсорного опыта, интуитивного скачка к аксиомам и логического вывода проверяемых следствий.
Захави использует классификацию философа Чарльза Пирса: дедукция (вывод из правил), индукция (обобщение паттернов) и абдукция (изобретение объяснения). Обычную абдукцию — выбор наиболее вероятной причины из известных — языковые модели осилят. Но «манипулятивная абдукция» — создание нового объяснения, для которого ещё нет языкового шаблона, — это узкое место научного изобретения.
Проблема в том, что машины учатся на ошибке — разнице между предсказанием и реальностью. Эйнштейн работал без кризиса данных: физика Ньютона подтверждалась с высокой точностью, единственная аномалия (смещение орбиты Меркурия) объяснялась гипотетической планетой Вулкан. ИИ оптимизации просто придумал бы планету, а не переосмыслил пространство и время. Данные, подтвердившие ОТО (измерения Эддингтона), появились годы спустя после формулировки теории.
Откуда взялась абдукция у Эйнштейна? Из «самой счастливой мысли» — свободно падающего наблюдателя, который не чувствует гравитацию. Это телесная симуляция: Эйнштейн мысленно проиграл физическое ощущение в ускоряющемся лифте в космосе и понял, что ускорение и гравитацию изнутри не отличить. Архимед открыл закон выталкивания не через расчёт, а почувствовав, как поднялась вода в ванне.
Языковые модели лишены этого сенсорного заземления. Захави сравнивает их с «Китайской комнатой» Сёрла — человек манипулирует китайскими символами по правилам, не понимая ни слова. LLM манипулируют символами физики так же, без доступа к физическому опыту, который придаёт этим символам смысл.
AI Scientist от Sakana и AlphaEvolve от Deepmind автоматизируют научные процессы, но первый только рекомбинирует известное, а второй блестяще оптимизирует при наличии чёткого сигнала ошибки. У Эйнштейна такого сигнала не было.
Выход — физически согласованные world models. Видеогенераторы типа Veo просто предсказывают следующий кадр: яблоко падает не потому, что модель понимает гравитацию, а потому что падение — самое частое продолжение в данных. Это всё то же сопоставление паттернов. А вот world models с контролем действий (как Genie) позволяют агенту активно вмешиваться в симуляцию и запускать контрфактуальные эксперименты — например, мысленно обрезать трос лифта. Такая «синтетическая лаборатория» может дать петлю обратной связи, нужную для изобретения новых аксиом там, где языкового шаблона ещё нет.
Автор: Ксения Лаврова · Источник: the-decoder.com
Разработчикам. Если строите AI для исследований — не полагайтесь на чисто языковые модели для генерации гипотез. Инвестируйте в world models с физическим взаимодействием и симуляцией: Genie-подобные системы, позволяющие агенту экспериментировать в виртуальной среде, а не просто предсказывать следующий токен. Интеграция сенсорных данных и контрфактуальных экспериментов — новый фронтир.
Бизнесу. Текущие LLM автоматизируют R&D процессы, но не заменяют прорывное мышление. Если цель — настоящие инновации, делайте ставку на гибридные системы: языковые модели для дедукции и индукции плюс world models для генерации гипотез. Компании, которые первыми соберут такой стек, получат конкурентное преимущество в drug discovery, материаловедении, инженерии.
Инвесторам. Рынок world models и physically-grounded AI — следующая волна после LLM. Ищите стартапы, строящие action-controllable симуляторы и синтетические лаборатории для науки (Genie, Deepmind World Models). Sakana, Deepmind, стартапы вокруг embodied AI — зона роста. LLM-хайп упрётся в потолок, а world models откроют новые рынки: автономные агенты, робототехника, научные открытия.
- Разработка платформы world models для научных исследований: SaaS для drug discovery, материаловедения, физики — аренда синтетических лабораторий с контрфактуальными экспериментами.
- Гибридные системы LLM + world model: стартап, который собирает дедукцию GPT-5, индукцию AlphaFold и абдукцию Genie в единый пайплайн для R&D команд фармы и химии.
- Embodied AI для робототехники: модели, обучающиеся на физическом взаимодействии с миром, а не только на текстовых данных — рынок автономных агентов и роботов.
- Tooling для контрфактуальных экспериментов: фреймворки и API для разработчиков, которые хотят встроить world models в свои ML пайплайны.
- Образование и консалтинг: обучение R&D команд работе с новым классом моделей — переход от prompt engineering к design of experiments в симуляциях.
- Переоценка возможностей world models: они всё ещё в раннем состоянии, физическая согласованность симуляций далека от совершенства, реальные прорывы могут не случиться годами.
- Вычислительная сложность: world models требуют на порядки больше ресурсов, чем текстовые LLM — инфраструктурный барьер для большинства команд.
- Философский спор вместо практики: статья Захави — позиционный документ, не эмпирическое доказательство; можно потратить годы на поиски «телесного заземления», пока конкуренты будут просто улучшать LLM.
- Регуляторные и этические риски: автономные агенты в синтетических лабораториях — новая зона неопределённости для регуляторов, особенно в биотехе и химии.
Захави из Deepmind попал в точку: LLM — это мощные паттерн-матчеры, но не изобретатели. Они не могут сделать скачок Эйнштейна или Архимеда, потому что у них нет «тела» — сенсорного опыта, из которого рождаются прорывные аксиомы. Это не философская придирка, а практический потолок для AI Scientist и подобных систем: они автоматизируют рутину, но не создают новые парадигмы.
Вопрос в том, решат ли world models эту проблему на практике. В теории звучит убедительно: агент, который может мысленно обрезать трос лифта и наблюдать последствия, ближе к Эйнштейну, чем агент, который только жонглирует токенами. Но от Genie до рабочей синтетической лаборатории, которая изобретёт новую физику, дистанция огромная. Пока это сигнал для тех, кто строит AI для науки: не ждите чуда от чисто языковых моделей, инвестируйте в embodied и action-grounded системы. Кто первым соберёт гибрид LLM и world model — получит преимущество в drug discovery, материалах, инженерии.
Комментарии