Информатика материалов (Materials Informatics) вступает в этап, на котором искусственный интеллект используется не только для анализа данных или предложения новых составов, но и для определения вопросов, которые следует задавать, а также для проектирования самого исследовательского цикла. В статье, опубликованной 9 сентября 2026 года, этот переход рассматривается через роль больших языковых моделей (LLM) и интеллектуальных агентов в цикле разработки материалов.
Основная идея заключается не в том, что искусственный интеллект заменит исследователя, а в том, что изменится распределение ролей между человеком и системой. Вместо выполнения одного эксперимента с последующим анализом его результата можно построить повторяющийся контур, в котором алгоритм выбирает следующий эксперимент на основе предыдущих данных, а решения о проверке и вмешательстве остаются частью проектирования процесса.
От оптимизации результатов к выбору следующего эксперимента
В статье отмечается, что использование байесовской оптимизации в материаловедении уже позволяет последовательно выбирать следующие эксперименты. Метод опирается на предыдущие результаты и неопределённость модели, а затем выбирает точку, которая, как ожидается, будет наиболее полезной для исследования. Однако сам по себе этот подход не гарантирует полного объяснения результатов или выявления всех влияющих факторов; его основная цель — получить наилучшее значение при ограниченном числе экспериментов.
В обсуждении указывается, что успех байесовской оптимизации зависит от того, как определены переменные и ограничения. Если некоторые условия не включить или считать их находящимися за пределами области исследования, область рекомендаций искусственного интеллекта может измениться, не будучи очевидной для пользователя. Кроме того, сама постановка цели может быть исследовательской проблемой, особенно когда связь между составом материала и его характеристиками недостаточно известна.
Что добавляют большие языковые модели?
Большие языковые модели могут участвовать в формулировании вопросов: читать предыдущие записи, структурировать информацию, извлекать закономерности или формулировать первоначальные гипотезы. Однако в статье предупреждается, что эту способность нельзя приравнивать к автоматическому получению надёжного знания. Вывод, который модели строят на основе доступной информации, может отличаться от результата, которого стремится достичь исследователь, а их ответы могут отражать ограничения данных и способ формулировки вопроса.
По этой причине недостаточно просто встроить языковую модель в рабочий процесс. Необходимо создать механизм, связывающий вопрос с данными, экспериментом и критерием проверки, а затем возвращающий результат в исследовательский контур для обновления вопроса или выбора следующего эксперимента. В таком виде модель становится частью проверяемого процесса исследования, а не самостоятельным источником научных суждений.
Человек внутри контура или над ним
В статье рассматривается концепция human-on-the-loop как модель, в которой человек контролирует систему и имеет право вмешаться при необходимости, вместо того чтобы вручную участвовать в каждом шаге, как в модели human-in-the-loop. Эта идея связана с тем, что в статье в контексте разработки программного обеспечения называется «проектированием контуров» (loop engineering): определением места искусственного интеллекта в цикле, того, что контролирует человек, а также момента, когда процесс повторяется или прекращается.
Такой подход расширяет область проектирования от возможностей модели до проектирования всей системы. Вопрос заключается не только в том, способен ли искусственный интеллект предложить ответ, но и в том, кто его проверяет, как измеряется качество результата, какое действие следует за ним и когда решение возвращается человеку. В статье отмечается, что обсуждение роли человека в автоматизации активизировалось в течение 2025 года, а в 2026 году появились призывы учитывать проектирование контуров при разработке агентов искусственного интеллекта.
Почему это важно?
Практическое значение этого подхода состоит в том, что проекты в области материаловедения будут оцениваться не только по точности модели или числу экспериментов, которые она способна выполнить. Потребуется также чётко определить цели, область переменных, условия исключения и точки человеческого контроля. Чем выше способность системы переходить от одного результата к новому эксперименту, тем важнее становятся возможность отслеживать решения и проверять их.
Однако статья не представляет доказательств того, что агенты или языковые модели устранили эти ограничения. Напротив, она рассматривает их как открытые вопросы проектирования: как определить успешный результат? Как связать результат со следующим действием? И когда вмешательство человека необходимо? Поэтому основная ценность предлагаемого перехода заключается не в полной автоматизации исследований, а в перепроектировании исследовательского цикла так, чтобы использование искусственного интеллекта можно было проверять и исправлять.