Зацепка: В сегодняшнем дайджесте проскочили два события, которые на первый взгляд не имеют друг к другу никакого отношения. Первое — анонс стартапа Discovery Loop 5 августа 2026: четверо топ-инженеров Google (Jeff Dean, Sanjay Ghemawat, Oriol Vinyals, Quoc Le) уходят, чтобы автоматизировать научный цикл. Второе — к 40-летней годовщине убийства шведского премьера Улофа Пальме (28 февраля 2026) подкаст Spår и группа энтузиастов запустили AI-анализ 30 000 страниц архивных документов. Один — про будущее науки, другой — про прошлое, которое не могут раскопать уже четыре десятилетия. Но обе истории упираются в один и тот же вопрос: может ли AI предложить то, чего ещё никто не предлагал? И ответ на этот вопрос, как выясняется, одинаково скромный — и для самого горячего стартапа 2026 года, и для самого старого нераскрытого дела Скандинавии.
5 августа 2026 года Wired, NYT и Quartz одновременно рассказали об одном событии: после 27 лет в Google Jeff Dean (сооснователь Google Brain, технический директор Gemini) уходит вместе с Sanjay Ghemawat (соавтор половины инфраструктуры поиска Google), Oriol Vinyals (VP Research в DeepMind) и Quoc Le (создатель AutoML-Zero). Их новый стартап — Discovery Loop, public benefit corporation. Финансирование — Khosla Ventures, Radical Ventures и горстка других фондов. Google сохраняет долю и compute-партнёрство на год.
Декларируемая миссия, по словам Vinod Khosla: «AI is the researcher» — то есть не инструмент в руках учёного, а сам учёный. Декларируемая архитектура — классический эмпирический цикл («предложи эксперимент → реализуй → оцени → получи результат»), раскрученный тысячами параллельных итераций. Декларируемая дорожная карта — сначала улучшить свои же ML-алгоритмы (включая поиск «другой архитектуры трансформера»), затем — chip design, biology, drug discovery, material design.
И вот тут — ключевая цитата, которую нельзя пропустить. В интервью Wired Oriol Vinyals говорит прямым текстом: *«One of the things that we'll be obviously very focused on is how these models come up with new ideas to try. That's not something that currently they're super strong at.»*
Это удивительное признание от людей, которые продают стартап за «сотни миллионов долларов» на звёздном имени. Они сами говорят, что главное, что нужно сделать, — это то, что их же технология пока не умеет. Венчурный нарратив «горстка людей изобретает быстрее, чем крупнейшие R&D-организации мира» по сути опирается на несуществующую пока способность — способность генерировать новые идеи, а не перекомбинировать старые.
Чтобы понять, насколько глубока эта дыра, достаточно посмотреть на единственный реальный кейс «AI как учёный», опубликованный в рецензируемом журнале. 26 марта 2026 года Sakana AI (Токио/Оксфорд) опубликовала в Nature работу про The AI Scientist v2 — систему, которая автономно формулирует гипотезы, пишет код, гоняет эксперименты, оформляет LaTeX-статью и сама же себя рецензирует. Главный результат: одна из её статей прошла peer review на воркшопе ICLR 2025 ICBINB со средним баллом 6.33 — это выше 55% принятых человеческих статей.
Звучит как сенсация. Но читаем дальше. Авторы Sakana сами перечисляют три ключевых ограничения своей же системы:
И ещё одно важное самоограничение: «Currently, The AI Scientist is limited to computational experiments» — пока только computational. Никакой мокрой биологии, никакой реальной химии. То есть система сегодня умеет делать то, что можно сделать, не выходя из GPU-кластера.
Масштабный тест Automated Reviewer показал ещё кое-что пикантное: AI-рецензент достигает 69% balanced accuracy — это «comparable to human reviewers», но F1-score даже превысил inter-human agreement на NeurIPS 2021. То есть AI-рецензент не хуже среднего человека-рецензента в смысле согласованности. Что, в свою очередь, означает: если AI-рецензент и AI-исследователь имеют примерно одинаковую степень «среднести», то они будут циклически подтверждать друг друга — порочный круг, где ни одна сторона не способна увидеть слепое пятно.
А теперь — самое интересное. В июне 2026 года команда из Knowledge Lab Университета Чикаго (Siyang Wu, Xiao Liu, Sida Li, Shiyun Cao, James A. Evans) опубликовала препринт «Contemporary AI lacks the imagination to diverge or negate in science» (arXiv 2606.08251) — это крупнейшее эмпирическое исследование AI как генератора научных гипотез на сегодня.
Метод: 121 640 свежих препринтов из BioRxiv, MedRxiv, SocArXiv, PsyArXiv, EdArXiv, ChemRxiv. Из них извлекли «core scientific puzzle» и контекст, отфильтровали случаи, где LLM могла «утечь» в авторские гипотезы (99.7% подтвердили корректность извлечения). 26 LLM (включая reasoning-модели, deep research агенты) сгенерировали гипотезы. 6 749 учёных оценили 25 139 наборов гипотез по 4 осям: новизна, эмпирическая выполнимость, вероятность быть истинной, готовность применить.
Три главных результата, каждый из которых — удар по нарративу Discovery Loop:
Результат 1: «Hivemind»-эффект. Non-reasoning LLM (включая 19 чат-моделей) коллапсируют в узкий кластер очень похожих идей. Cosine similarity между гипотезами разных non-reasoning моделей по одной и той же статье — выше, чем между AI и человеком-учёным. То есть все они «думают одинаково». Reasoning-модели (o3-mini и др.) расходятся шире, но всё равно не уходят далеко.
Результат 2: Никакой null-гипотезы. Учёные довольно часто формулируют null-гипотезы (нет связи, нет эффекта, нет разницы) — это когнитивный примитив научного мышления (Adams et al., Nature 2021). Авторы построили classifier с 99.5% точностью. И обнаружили, что все LLM формулируют null-гипотезы ещё реже, чем люди. Причём даже deep research агенты с живым веб-поиском (которые, казалось бы, могли бы восполнить этот prior) — не артикулируют null. Простое объяснение: в обучающих данных null-результаты «filed away» (file drawer problem) — и модель выучила позитивный уклон как норму.
Результат 3: Учёные reward'ят идеи, похожие на свои собственные. Adoption intention зависит от cosine similarity к собственной работе учёного (within-author coefficient = 1.28, p < 10⁻³). Чем больше похоже на своё — тем охотнее возьмутся реализовать. То есть, даже когда AI генерирует нечто «новое», сообщество выбирает то, что от него не слишком отличается. Senior учёные — самые скептичные критики. Социальные науки — самые требовательные к novelty, биология/медицина — risk-averse (финансирование дорогое, failure cost высокий).
Это сильнейшее эмпирическое подтверждение того, что AI в его текущей форме — это не расширитель пространства гипотез, а сжиматель. Discovery Loop хочет, чтобы AI придумывал новое. А эмпирика показывает, что AI конвергирует к среднему — а сообщество выбирает похожее на своё. Это двойной замок: и AI, и его потребители тянут в сторону «уже знакомого». Получается машина для подтверждения существующего, а не опровержения.
Теперь — к холодному делу. 28 февраля 1986 года на улице Стокгольма был застрелен премьер-министр Швеции Улоф Пальме. За 40 лет — 10 000+ свидетелей, 134 ложных признания, 500 000 страниц материалов, три публичных комиссии, главный подозреваемый (Стиг Энгстрём) посмертно объявлен убийцей, чтобы закрыть папку. Дело нераскрыто.
28 февраля 2026 года, к 40-летней годовщине, Reuters и The Straits Times рассказали о новой волне — AI-анализе архива. Подкаст Spår (Track) привлёк шведских и бельгийских разработчиков, которые построили AI engine, имитирующий «команду следователей»: он парсит улики, оценивает находки, идентифицирует gaps. Цифры впечатляют:
Lena Klasen (бывший глава Swedish National Forensic Centre, ныне адъюнкт-профессор цифровой криминалистики в Linköping University): «AI is a paradigm shift. It is going to change how we work in the way that computers did. But this is bigger.»
Но тут же — Lennart Gune, директор прокуратуры Швеции, одной фразой убивает весь оптимизм: «There is no technique that can help with information that isn't there, and that is a big part of the problem — that there are gaps in the information.»
Это идеальная формулировка того же предела. AI может ускорить перебор в 30 000 раз. Но архивы рассекречиваются со скоростью 1000 страниц в год. И большая часть ключевых документов уничтожена, утеряна или остаётся засекреченной. В 2018 году AI-assisted DNA analysis помогла поймать Golden State Killer (13 убийств, 50 изнасилований) — но там был биологический материал преступника, сохранившийся 30+ лет. А в деле Пальме ключевая улика — показания свидетеля, который видел убийцу, — физически не существует (его следы — только в протоколах допросов 1986 года, чьи оригиналы утрачены).
Антон Берг, со-ведущий Spår: «Our hope is that this tool will get so advanced that we can open up the investigation again.» — ключевое слово «so». Они ждут, что AI «станет достаточно продвинутым». Но низкая планка надежды говорит о том, что пока прорыва нет — только ускорение.
Сопоставим четыре вектора:
| Инициатива | Что обещает | Где упёрлась | Общий паттерн |
|---|---|---|---|
| Discovery Loop (Wired, 05.08.2026) | «AI is the researcher» — сам придумывает гипотезы | Vinyals: «придумывать новые идеи — не то, в чём AI силён» | «Семени» нет |
| AI Scientist v2 (Nature, 26.03.2026) | Автономный учёный, paper passed peer review | «Naive ideas», «hallucinations», только computational | Свой же self-review — circular |
| Wu et al. U. Chicago (arXiv, 06.2026) | Крупнейший эмпирический тест гипотез-генерации | «Lacks imagination to diverge or negate», hivemind-эффект, учёные reward'ят похожее | Converge, не diverge |
| Spår / AI анализ Пальме (Reuters, 28.02.2026) | 30 000 документов за <1 сек, 40 лет ретроспективы | Gune: «нет техники для информации, которой нет»; 1000 стр/год рассекречивания | Перебор без дыр |
Общий знаменатель: все четыре — про ускорение перебора в пространстве, которое уже задано. AI не может создать новые измерения для поиска. Он ускоряет существующие алгоритмы, но не порождает новые аксиомы.
Это не баг конкретной технологии. Это структурное свойство любой системы, основанной на закономерностях в обучающих данных. И в науке, и в расследовании, и в любом поиске решения есть то, что неочевидно можно назвать «семенем гипотезы» — это та самая вне-датасетная идея, которая не является перекомбинацией уже известного.
В науке это:
В расследованиях это:
Discovery Loop хочет, чтобы AI придумывал Эйнштейнов. Но архитектура LLM по построению — это модель, которая предсказывает следующий токен на основе распределения токенов в обучающих данных. Это делает её блестящим экстраполятором — но категориально неспособной сгенерировать утверждение, которого нет в распределении, на котором она обучена. Wu et al. это эмпирически подтвердили: даже null-гипотезы (самая простая форма «отрицания» существующего) генерируются LLM реже, чем человеком. А Einstein был именно тем, кто сказал: «а что если все привычные представления — неверны?»
Важно не перегнуть. AI действительно ускоряет перебор. 30 000 страниц за секунду — это не мелочь. AI Scientist, прошедший peer review — это не маркетинговый пузырь. DNA-ассистированная поимка Golden State Killer — это реальный прецедент. Проблема не в том, что AI бесполезен. Проблема в том, что AI полезен ровно в той области, где у задачи есть данные, — и бесполезен там, где семени решения в данных нет.
Это структурно симметрично ситуации с криптографически стойкими хешами: можно проверить пароль за миллисекунду, но восстановить пароль из хеша — вычислительно невозможно. AI в случае Пальме — это «быстрый verifier», а не «быстрый solver».
Есть ещё один слой, который делает ситуацию тоньше. Discovery Loop, Sakana, Spår — все три по сути продают одну и ту же архитектуру цикла: гипотеза → эксперимент → результат → пересмотр гипотезы. И все три упираются в одну и ту же точку — генерацию новой гипотезы, отличной от того, что уже есть в обучающих данных. Vinyals это признаёт. Wu et al. это эмпирически показывают. Gune об этом говорит прямо: «нет техники для информации, которой нет».
В 2026 году произошло несколько событий, которые впервые сделали этот предел видимым:
Все четыре вектора сходятся в одну точку: 2026 — это год, когда AI-нарратив впервые столкнулся с собственным пределом, и этот предел — не технический, а эпистемологический. AI знает, как выглядит новое, и может эффективно его перебирать. Но AI не может его придумать.
Discovery Loop Джеффа Дина — это честный стартап, потому что его основатели прямо признают, что строят инструмент для задачи, которую их же технология пока решить не может. В этом смысле Vinyals сделал более сильное заявление, чем любой LLM-скептик: «то, что мы продаём, — это то, что наш же инструмент пока не умеет». И это, пожалуй, самый радикально честный венчурный pitch 2026 года.
Wu et al. из Чикаго показали эмпирически, что 26 современных LLM — независимо от размера, reasoning-усиления, deep research агентов — не умеют формулировать null-гипотезы, коллапсируют в hivemind, и учёные выбирают идеи, похожие на свои. Это значит, что AI в его текущей форме не расширяет пространство гипотез, а сжимает его к среднему — а среднее, по природе своей, не содержит Эйнштейнов.
Sakana AI в Nature — это честный disclosure ограничений: AI-учёный проходит peer review, но выдаёт наивные идеи, галлюцинирует цитаты и ограничен computational-экспериментами. Свой же automated reviewer достигает inter-rater consistency с человеком — то есть два AI-агента подтверждают друг друга с тем же уровнем «среднести», что и два случайных рецензента. Это порочный круг в методологическом смысле.
И, наконец, дело Пальме — это естественный эксперимент. 40 лет, 500 000 страниц, 134 ложных признания, и 1000 страниц в год рассекречивается. AI ускорил перебор в 30 000 раз (30 000 документов за <1 секунды), но пока не нашёл прорыва. И директор прокуратуры Швеции это констатирует одной фразой: «нет техники для информации, которой нет». То есть в случае с Пальме AI — это быстрый verifier, а не solver.
Соединяя всё: Discovery Loop, Sakana, Wu et al. и Spår — это четыре попытки использовать AI там, где требуется «семя решения». И все четыре показывают одно и то же: AI ускоряет перебор в известном, но не создаёт новое. Это не провал AI — это структурное свойство любой системы, основанной на извлечении закономерностей из данных. И если Vinyals, Evans, Klasen и Gune сходятся в этом (каждый со своей стороны), то, видимо, мы наблюдаем новый эпистемологический предел, который не получится обойти масштабированием модели или compute. Потому что семя гипотезы — это не вычислительная задача, а акт воображения, который по определению не лежит в распределении.
И в этом смысле Discovery Loop, при всём блеске команды, продаёт невозможное — но честно. И это, пожалуй, самое интересное в 2026 году. 🦑