Как учёные используют AI для симуляции чёрных дыр — и что это меняет для вас

Вы, наверное, видели уже немало материалов про AI в маркетинге: «автоматизируй», «делегируй нейросети», «экономь 10 часов в неделю». Всё это звучит убедительно, пока не начинаешь разбираться в деталях.

Недавно вышла история про астрофизика Чи-Кван Чана из Аризонского университета. Он — участник международного проекта Event Horizon Telescope, который в 2019 году опубликовал первое в истории изображение чёрной дыры. Сейчас команда движется к созданию первого видео сверхмассивной чёрной дыры. И вот для решения одной конкретной задачи Чан начал использовать AI.

Этот кейс — хороший повод поговорить об AI в науке и в работе эксперта без шума и завышенных ожиданий.

В чём вообще проблема с симуляцией чёрных дыр

Смотрите, в чём тут дело. Учёные не могут наблюдать чёрную дыру напрямую: свет не вырывается за горизонт событий — границу, за которой ничто не возвращается назад. Поэтому изучают то, что происходит вокруг: раскалённую плазму, которая закручивается у края и излучает свет.

Плазму вблизи сверхмассивных чёрных дыр сложно смоделировать. Частицы там настолько горячие и разреженные, что практически не сталкиваются друг с другом — вместо этого они спирально закручиваются вдоль магнитных линий. Чтобы правильно смоделировать такое поведение, нужно отслеживать триллионы электронов и ионов, каждый из которых совершает крошечные витки. Компьютер вынужден делать очень мелкие шаги расчёта — и уходит на это большую часть времени, вместо того чтобы моделировать картину в целом.

«Десятилетиями это ограничивало реалистичность симуляций чёрных дыр», — говорит Чан.

Проблема понятная: вместо того чтобы смотреть на лес, компьютер считает каждую иголку на каждой сосне.

Как AI вошёл в эту задачу — и почему именно так

Чан предположил, что можно найти математический способ переформулировать задачу — чтобы компьютер перестал следить за каждым микровитком. Но вручную перебирать все возможные математические подходы — это годы работы.

Он обратился к Codex (AI-инструменту OpenAI для работы с кодом), чтобы тот генерировал кандидатуры алгоритмов и тестировал их на известных решениях. Codex предлагал много вариантов — и большинство из них не работало. Но это нормально: большинство научных гипотез тоже не подтверждаются.

Важен другой момент: Чан и его команда использовали AI не как оракула, который выдаёт ответ. Они получали от него предложения — и дальше сами проверяли, тестировали, понимали физику. Ни одно решение не принималось только потому, что его предложила нейросеть.

«Мы не принимаем идею потому, что она пришла от Эйнштейна, от талантливого студента или от AI-модели. Мы принимаем её только после многократных проверок», — Чи-Кван Чан.

Это и есть правильная модель работы с AI — не вместо проверки, а до неё.

Что этот подход говорит об AI в работе эксперта

Давайте по шагам переложим это на вашу реальность — если вы дизайнер, маркетолог, копирайтер или консультант.

1. AI хорош для расширения пространства идей. Он может предложить 20 вариантов там, где вы придумаете 3. Большинство окажутся слабыми — и это нормально. Один рабочий вариант из двадцати — уже ценность.
2. AI плохо работает как замена экспертизы. Чан не отдал симуляцию чёрных дыр «на аутсорс» нейросети. Он использовал её для генерации черновиков, которые потом тестировал сам. Там, где нельзя проверить результат — AI опасен. Там, где результат можно измерить — он полезен.
3. Ценность AI — в скорости перебора, а не в качестве суждения. Нейросеть быстро обходит много вариантов. Оценивать эти варианты всё равно должны вы.

Об этом же — про риски деквалификации при работе с AI — я писал подробно в статье «Что нельзя отдавать AI: ловушка деквалификации в маркетинге». Суть там та же: AI ускоряет процесс, но не заменяет профессиональное суждение.

Почему наука — честная модель для оценки AI

Чан говорит любопытную вещь: наука, возможно, одна из лучших областей для применения современного AI — именно потому, что научные идеи можно строго проверить.

Тут есть нюанс, который стоит взять себе на заметку. В науке у каждой гипотезы есть критерий проверки: эксперимент, известное решение, воспроизводимый результат. Ошибка видна сразу. Это делает AI-помощь безопасной: даже если нейросеть напредлагала ерунды, это быстро обнаруживается.

В маркетинге и экспертном контенте тоже есть измеримые результаты: конверсия, отклики, продажи. Проблема в том, что многие эксперты используют AI для задач, где результат сложно проверить быстро — например, для написания постов или стратегических советов. И тогда ошибка нейросети живёт долго, незамеченная.

Поэтому простое правило: если вы не можете проверить результат работы AI в течение разумного времени — не доверяйте ему эту задачу целиком. Используйте как черновик, а не как финальный ответ.

Что будет, если алгоритмы Чана сработают

Если новые подходы окажутся рабочими, учёные смогут симулировать триллионы частиц вокруг чёрных дыр — вместо того чтобы упрощать физику ради вычислительной мощности. Это откроет возможности для исследований, которые сейчас просто недоступны.

Масштаб другой, но логика та же, что и в вашей работе: правильно поставленный инструмент — будь то алгоритм или нейросеть — снимает ограничение, которое раньше казалось непреодолимым. Не потому что инструмент «умный», а потому что он берёт на себя механический перебор, освобождая вас для суждений, которые только вы и можете сделать.

Именно об этом — о том, где AI даёт реальный результат, а где только создаёт видимость активности — я разбираю на конкретных примерах в статье «AI в маркетинге: где заканчивается шум и начинается реальный результат».

Чему учит этот кейс: три вывода для работы с AI

Если коротко — вот что стоит взять из истории Чана:

• Чётко сформулируйте задачу. Чан не просил AI «изучить чёрные дыры». Он поставил конкретную математическую проблему. AI работает лучше, когда задача узкая и проверяемая.
• Не принимайте первый результат. Большинство предложений нейросети не работали — и это ожидаемо. Ценность в потоке вариантов, а не в одном «правильном» ответе с первой попытки.
• Проверяйте сами. Команда Чана инспектировала каждый алгоритм, понимала физику, тестировала на известных данных. AI — источник идей, не источник истины.

Это работает и в науке о чёрных дырах, и в написании контента, и в разработке продуктовых предложений. Разница только в том, что вы проверяете.

Если вам интересно, как выстраивать работу с AI без деквалификации и потери собственной экспертизы — загляните в мой Telegram-канал. Там разборы, конкретные примеры и наблюдения из практики — без инфошума.

По мотивам материала OpenAI News «How an astrophysicist uses Codex to help simulate black holes».

100 нейросетей
для экспертов

Подборка, которой реально пользуются — пришлю на почту. Без спама, отписка в один клик.

Для решения
любых задач

Для роста
и эффективности

Для бизнеса
и карьеры

🎁 Заберите 100 нейросетей для экспертов

Получить подборку Соглашаюсь на обработку email и получение писем