Искусственный интеллект и трансформация научной рациональности

В статье исследуется эпистемический статус результатов работы систем искусственного интеллекта в научном познании в условиях методологической непрозрачности их внутренней логики. Критически анализируется концептуальная установка алгоритмического эмпиризма, провозглашающая избыточность теоретических гипотез и объяснительных моделей в пользу масштабного автоматизированного выявления статистических корреляций. Опираясь на традицию философии науки и каузальный подход, автор обосновывает, что предсказательная точность не тождественна причинному объяснению и не создает достаточных оснований для доверия к выводам, а зависимость данных от условий сбора сохраняет потребность в содержательной интерпретации. При этом показано, что непрозрачность алгоритма сама по себе не исключает научной ценности результата. На материале предсказания структуры белков, поиска математических доказательств, генерации гипотез и работы автономных лабораторий демонстрируется, что решения могут быть обоснованы независимыми средствами: формальными верификаторами или экспериментами, выявляющими ошибки поиска, а не воспроизводящими их. Автор разграничивает обоснованность результата, его вклад в понимание и ответственность за использование, признавая ценность надежного прогноза или доказательства без их отождествления с объяснением изучаемого явления. Предложена гибридная модель исследования, распределяющая познавательные операции между человеком и машиной при взаимной корректировке данных, алгоритмов и теоретических положений. Для комплексной оценки этой модели сформулированы шесть критериев: человеческая значимость, методологическая реконструируемость, проверяемость и оспоримость, прослеживаемость вклада систем искусственного интеллекта, приращение понимания, а также институциональная ответственность и открытость критике. Сделан вывод, что интеграция искусственного интеллекта не отменяет идеалов рациональности, но усложняет нормы обоснования: масштабная автоматизация требует усиления независимой проверки, выработки консенсуса о критериях понимания исходных и полученных данных, обновления механизмов признания открытий исследовательским сообществом и сохранения безусловной ответственности ученого за научные выводы.

1. Гемпель 1998 – Гемпель К.Г. Логика объяснения. – М.: Дом интеллектуальной книги; Русское феноменологическое общество, 1998.

2. Кун 1975 – Кун Т. Структура научных революций / пер. с англ. И.З. Налетова. – М.: Прогресс, 1975.

3. Лакатос 2003 – Лакатос И. Методология исследовательских программ. – М.: АСТ; Ермак, 2003.

4. Лекторский 2025 – Лекторский В.А. Гуманизм против трансгуманизма. Прогноз и проект // Философские науки. 2025. Т. 68. № 1. С. 15–31.

5. О’Нил 2018 – О’Нил К. Убийственные большие данные: как математика превратилась в оружие массового поражения / пер. с англ. В. Дегтяревой. – М.: АСТ, 2018.

6. Перл, Маккензи 2023 – Перл Дж., Маккензи Д. Думай «почему?». Причина и следствие как ключ к мышлению / пер. с англ. Т. Мамедовой, М. Антипова. – М.: АСТ, 2023.

7. Поппер 2004 – Поппер К. Логика научного исследования / пер. с англ. под общ. ред. В.Н. Садовского. – М.: Республика, 2004.

8. Сергеев 2026 – Сергеев С.Ф. Автофагия синтетических данных: экологический предел эволюции генеративного искусственного интеллекта // Философские науки. 2026. Т. 69. № 1. С. 26–50.

9. Cory-Wright et al. 2024 – Cory-Wright R., Cornelio C., Dash S., El Khadir B., Horesh L. Evolving scientific discovery by unifying data and background knowledge with AI Hilbert // Nature Communications. 2024. Vol. 15. Article 5922.

10. Duede 2023 – Duede E. Deep learning opacity in scientific discovery // Philosophy of Science. 2023. Vol. 90. No. 5. P. 1089–1099.

11. Felin, Holweg 2024 – Felin T., Holweg M. Theory is all you need: AI, human cognition, and causal reasoning // Strategy Science. 2024. Vol. 9. No. 4. P. 346–371.

12. Jumper et al. 2021 – Jumper J., Evans R., Pritzel A., Green T., Figurnov M., Ronneberger O., …, Hassabis D. Highly accurate protein structure prediction with AlphaFold // Nature. 2021. Vol. 596. No. 7873. P. 583–589.

13. Kapoor, Narayanan 2023 – Kapoor S., Narayanan A. Leakage and the reproducibility crisis in machine-learning-based science // Patterns. 2023. Vol. 4. No. 9. Article 100804.

14. Karniadakis et al. 2021 – Karniadakis G.E., Kevrekidis I.G., Lu L., Perdikaris P., Wang S., Yang L. Physics-informed machine learning // Nature Reviews Physics. 2021. Vol. 3. No. 6. P. 422–440.

15. Kitchin 2014 – Kitchin R. The Data Revolution: Big Data, Open Data, Data Infrastructures and Their Consequences. – London: SAGE Publications, 2014.

16. Leonelli 2016 – Leonelli S. Data-Centric Biology: A Philosophical Study. – Chicago: University of Chicago Press, 2016.

17. Lu et al. 2024 – Lu C., Lu C., Lange R.T., Foerster J., Clune J., Ha D. The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery // arXiv. 2024. arXiv:2408.06292.

18. MacLeod et al. 2020 – MacLeod B.P., Parlane F.G.L., Morrissey T.D., Häse F., Roch L.M., Dettelbach K.E., …, Berlinguette C.P. Self-driving laboratory for accelerated discovery of thin-film materials // Science Advances. 2020. Vol. 6. No. 20. Article eaaz8867.

19. Merchant et al. 2023 – Merchant A., Batzner S., Schoenholz S.S., Aykol M., Cheon G., Cubuk E.D. Scaling deep learning for materials discovery // Nature. 2023. Vol. 624. No. 7990. P. 80–85.

20. Messeri, Crockett 2024 – Messeri L., Crockett M.J. Artificial intelligence and illusions of understanding in scientific research // Nature. 2024. Vol. 627. P. 49–58.

21. Norelli et al. 2025 – Norelli M.F., Votsis I., Williamson J. The interplay of data, models, and theories in machine learning // Philosophy of Science. 2025. Vol. 92. No. 5. P. 1383–1393.

22. Romera-Paredes et al. 2024 – Romera-Paredes B., Barekatain M., Novikov A., Balog M., Kumar M.P., Dupont E., …, Fawzi A. Mathematical discoveries from program search with large language models // Nature. 2024. Vol. 625. No. 7995. P. 468–475.

23. Rudin 2019 – Rudin C. Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead // Nature Machine Intelligence. 2019. Vol. 1. P. 206–215.

24. Schölkopf et al. 2021 – Schölkopf B., Locatello F., Bauer S., Ke N.R., Kalchbrenner N., Goyal A., Bengio Y. Toward causal representation learning // Proceedings of the IEEE. 2021. Vol. 109. No. 5. P. 612–634.

25. Song et al. 2024 – Song P., Yang K., Anandkumar A. Towards Large Language Models as Copilots for Theorem Proving in Lean // arXiv. 2024. arXiv:2404.12534v1.

26. Sullivan 2024 – Sullivan E. Do machine learning models represent their targets? // Philosophy of Science. 2024. Vol. 91. No. 5. P. 1445–1455.

27. Symons, Alvarado 2022 – Symons J., Alvarado R. Epistemic injustice and data science technologies // Synthese. 2022. Vol. 200. Article 87.

28. Termine et al. 2026 – Termine A., Ratti E., Facchini A. Machine learning and theory-ladenness: A phenomenological account // Synthese. 2026. Vol. 207. Article 94.

29. Thurston 1994 – Thurston W.P. On proof and progress in mathematics // Bulletin of the American Mathematical Society. 1994. Vol. 30. No. 2. P. 161–177.

30. Trinh et al. 2024 – Trinh T.H., Wu Y., Le Q.V., He H., Luong T. Solving olympiad geometry without human demonstrations // Nature. 2024. Vol. 625. No. 7995. P. 476–482.

31. Wang et al. 2023 – Wang H., Fu T., Du Y., Gao W., Huang K., Liu Z., …, Zitnik M. Scientific discovery in the age of artificial intelligence // Nature. 2023. Vol. 620. No. 7972. P. 47–60.

32. Willard et al. 2023 – Willard J., Jia X., Xu S., Steinbach M., Kumar V. Integrating scientific knowledge with machine learning for engineering and environmental systems // ACM Computing Surveys. 2023. Vol. 55. No. 4. Article 66. P. 1–37.