Американская наука на перепутье: кейс в пользу перестройки через vibe coding

Ещё пару лет назад я скептически относился к тому, что крупные языковые модели могут всерьёз помочь в научных исследованиях. А потом мы в компании потратили целый месяц на разработку скрипта для анализа данных CRISPR-экспериментов. Один из моих коллег предложил просто описать задачу ChatGPT, и через пару часов у нас был рабочий прототип. С тех пор я пересмотрел своё отношение. Сегодня я уверен: американская наука (да и мировая) стоит на пороге фундаментальной перестройки, и одной из главных движущих сил этого изменения станет vibe coding.

Однако, вглядываясь в то, как устроена наука в США сегодня, я вижу глубокие системные трещины. Мы не просто должны модернизировать отдельные процессы — нужна серьёзная перестройка, основанная на принципиально новых инструментах. И vibe coding — это не просто хайп, а реальный механизм, который может вернуть науке скорость и эффективность.

Что именно сломано в американской науке?

Учёные в США проводят блестящие исследования, но система вокруг них трещит по швам. С одной стороны, мы имеем передовые лаборатории, а с другой — непомерную бюрократию. Многие исследователи тратят до 50% своего времени на написание заявок на гранты, а не на науку. Срок от подачи заявки до получения финансирования в среднем превышает год. А если учесть, что большая часть заявок отклоняется, это становится настоящим испытанием. Парадокс: чем сложнее получить финансирование, тем консервативнее становятся исследования. Учёные предпочитают проверенные темы, а не прорывные.

В 2016 году опрос, опубликованный в Nature, показал, что более 70% исследователей не смогли воспроизвести результаты других лабораторий. Это подрывает доверие к научным публикациям и вредит репутации науки в целом. Плюс к этому огромное количество статей просто не читается, а многие результаты не находят применения в реальной экономике. По данным NSF, только около 30% научных статей из США когда-либо цитируются более одного раза. Остальные — информационный шум, который не двигает науку вперёд.

Ещё одна проблема — устаревшее программное обеспечение. Во многих лабораториях до сих пор используют фортрановские программы, написанные в 1980-х. Учёные тратят месяцы на адаптацию кода, вместо того чтобы заниматься наукой. А когда один исследователь уходит на пенсию, его код остаётся недокументированным, и следующему поколению приходится всё восстанавливать с нуля.

Что такое vibe coding и почему это переворот?

Термин «vibe coding» ввёл Андрей Карпаты (Andrej Karpathy) в 2025 году. Это подход, при котором разработчик пишет код не вручную, а формулирует задачу на естественном языке, а AI генерирует код. Такой код часто работает, а если что-то не так, вы просто уточняете запрос. Впервые это стало массово возможно благодаря моделям, таким как GPT-4, Claude 3.5 и другим. Сейчас это уже обыденность: люди создают целые приложения, не написав ни строчки кода вручную.

Для науки это открывает невероятные возможности. Вместо того чтобы вручную переписывать десятки тысяч строк кода для симуляции сложной биологической системы, вы можете просто описать её поведение словесно, подобрать библиотеки и получить прототип за часы. Это позволяет исследователям без глубокого программирования проверять гипотезы быстрее.

По сути, vibe coding демократизирует программирование. Раньше для создания вычислительного эксперимента нужно было быть профессиональным разработчиком. Теперь достаточно сформулировать гипотезу и попросить AI реализовать её в коде. Это колоссальный сдвиг, который перекраивает весь научный процесс.

Как мы используем AI в своей работе: личный опыт

В нашей научной группе мы используем AI на каждом этапе: от поиска литературы до обработки результатов. Например, мы пишем запрос в модель, чтобы она помогла найти подходящий статистический тест для наших данных. Или просим переписать код на Python, который раньше использовался в лаборатории, с учётом новых данных. Это экономит часы в день.

Один из кейсов: у нас долго не получалось разобраться с форматом данных, который выдавал секвенатор. Проблема стояла так, что вручную это заняло бы недели. Благодаря AI мы описали формат, и он сгенерировал код для конвертации за один вечер. Мы активно используем API OpenAI для автоматизации обработки данных. ASI Biont поддерживает подключение к OpenAI через API — подробнее на asibiont.com/courses.

Таких примеров масса. Наши сотрудники, которые раньше тратили часы на рутинную обработку таблиц, теперь пишут запросы и получают готовые графики и модели за минуты. Это не просто ускорение — это смена культуры. Исследователь становится не придатком компьютера, а его полноправным пользователем.

Почему именно американская наука требует перестройки?

Америка всегда была лидером фундаментальной науки, но сегодня ей приходится конкурировать с частными компаниями, которые внедряют AI гораздо быстрее. Например, компании вроде DeepMind уже используют AI для предсказания структуры белков (AlphaFold), и их методы становятся стандартом. Но в академической среде такие инструменты внедряются медленно. Учёные зачастую вынуждены работать с большими вычислительными мощностями, но не имеют доступа к современным AI-инструментам. При этом многие университетские курсы всё ещё не включают обучение работе с AI в научных исследованиях.

Сравним с частным сектором: в биотех-стартапах, таких как Insitro или Recursion Pharmaceuticals, AI используется на каждом этапе — от открытия молекул до оптимизации клинических испытаний. Это позволяет им двигаться в разы быстрее академических лабораторий. Академическая же наука, опираясь на государственное финансирование, часто оказывается скованной правилами и протоколами, которые не поспевают за технологиями.

Кроме того, американские университеты сталкиваются с кризисом воспроизводимости и репрезентативности. Многие исследования проводятся на ограниченных выборках, а результаты не публикуются из-за «негативных» данных. AI может помочь создать более комплексные модели и симуляции, которые будут учитывать больше факторов, чем обычные эксперименты.

Что нужно изменить? Практические рекомендации

Перестройка науки не может сводиться к закупке нового софта. Нужны системные изменения:

1. Интеграция AI и vibe coding в обязательные курсы. Уже сейчас в MIT и Стэнфорде есть курсы по применению ML в науке, но этого мало. Необходимо учить студентов не просто пользоваться готовыми инструментами, а создавать собственные AI-пайплайны. Это должно стать базовым навыком, как статистика.

2. Финансирующим агентствам (NIH, NSF) стоит выделять гранты на разработку AI-инструментов для исследований. Например, можно финансировать создание открытых библиотек для анализа данных конкретных областей. Это удешевит вход в науку и ускорит прогресс.

3. Университетам создать центры поддержки научного программирования на основе AI. Они должны помогать исследователям, которые не являются программистами, внедрять AI в свою работу. Это может быть как консультирование, так и создание готовых решений.

4. Заменить рутину автоматизацией. Вместо того чтобы заставлять учёных тратить часы на заполнение форм и форматирование таблиц, нужно дать им инструменты, которые сделают это автоматически. Например, AI может генерировать заявки на гранты, анализировать данные и даже писать черновики статей. Это освободит время для творчества.

5. Стимулировать воспроизводимость с помощью AI. AI может автоматически генерировать документацию, которая позволяет другим лабораториям воспроизводить эксперименты. Это снизит кризис воспроизводимости и повысит доверие к науке.

Заключение

Перестройка американской науки неизбежна. Вопрос лишь в том, как быстро мы сможем осознать необходимость перемен. Применяя AI и vibe coding, мы можем сократить путь от гипотезы к открытию на годы. И это не просто модная тенденция — это выживание науки как эффективного инструмента в современном мире.

Я призываю всех учёных, администраторов и студентов не ждать, пока система изменится сама. Начните с малого: попробуйте использовать AI в своей текущей работе, изучите основы vibe coding. Как показывает наш опыт, это не только ускоряет процесс, но и возвращает радость от исследований, которые сегодня тонут в бюрократии и рутине. Будущее науки — за теми, кто способен перестроиться и взять на вооружение новые инструменты. США уже теряют позиции в ряде областей из-за консерватизма. Пора менять правила игры.