AI4S в Сингапуре: от компьютерных прогнозов к работающим технологиям

Сингапурская программа AI for Science (AI4S) стоимостью S$120 млн — это инициатива Национального исследовательского фонда Сингапура (NRF), призванная сделать искусственный интеллект частью повседневной научной работы. Речь идёт не только о поиске закономерностей в данных: ИИ должен помогать формулировать гипотезы, планировать эксперименты, анализировать измерения, проверять программный код и доводить лабораторные находки до технологий, пригодных для практического применения.

Первые восемь проектов были представлены 16 июня 2026 года. Они объединяют специалистов по машинному обучению с учёными из конкретных областей, а также с зарубежными университетами и исследовательскими организациями. Важно, однако, что описанные показатели — это цели программы, а не уже подтверждённые коммерческие результаты.

Главный акцент — преодолеть разрыв между прогнозом и производством

Материалы: лаборатория, которая проверяет идеи на практике

Самый наглядный пример подхода AI4S — Materials Data Foundry, совместная лаборатория Национального университета Сингапура (NUS) и Университета Торонто стоимостью S$10 млн. Она объединит ИИ, роботизированные установки и измерения in situ, то есть прямо в процессе эксперимента.

Обычные модели часто обучаются на уже опубликованных свойствах материалов. Materials Data Foundry должна дополнить такие данные информацией о том, как именно материал был синтезирован и как он ведёт себя в реальных условиях. В планах — десятки тысяч реакций, поиск кандидатов, которые действительно можно изготовить, и выпуск открытых программных инструментов.

Практический результат здесь должен выглядеть не как список веществ, предсказанных алгоритмом, а как воспроизводимая «рецептура» производства. Среди потенциальных направлений — материалы для технологий за пределами кремниевой электроники и квантовых систем, долговечные электрокатализаторы для чистого водорода и устойчивые к коррозии покрытия.

Катализаторы: сначала вычислительный поиск, затем эксперимент

Проект A*STAR и Имперского колледжа Лондона создаст фундаментальную модель поверхностных явлений и облачную платформу для прогнозирования свойств катализаторов и условий их синтеза. Предполагается, что это поможет искать решения для более чистого топлива, сырья на основе углекислого газа и химикатов биологического происхождения.

В основном описании программы заявлено ускорение вычислительного скрининга в 500 раз. Поэтому утверждения о том, что процесс станет «почти в пять раз быстрее и дешевле», следует воспринимать осторожно, если только они не относятся к отдельному показателю последующего этапа разработки.

Надёжный код, созданный искусственным интеллектом

NUS и Имперский колледж также разрабатывают инструменты, способные автоматически анализировать, тестировать и формально проверять программное обеспечение, включая доказательство его корректности. При этом менее формальные методы рассуждения будут использоваться для интерпретации кода, документация к которому отсутствует или неполна.

Испытания планируются на критически важном программном обеспечении — например, сетевых протоколах и компонентах ядра Linux. Одна из целей проекта — дать ИИ-агентам возможность проверять код, написанный другими ИИ-системами.

ИИ для медицины, сельского хозяйства и энергетики

Биомедицина: объединить разные уровни биологических данных

Проект MultiOmicsFM, который ведут NUS и A*STAR, должен стать фундаментальной моделью, одновременно анализирующей данные о ДНК, РНК и активности генов. Исследователи планируют использовать для этого мультимодальные наборы данных Сингапура, включающие представителей разных этнических групп, чтобы изучать риски заболеваний и оптимизировать мРНК-терапии.

Отдельный проект BloodCounts! развивает модель DeepCBC. Она будет работать не только с итоговыми показателями общего анализа крови, но и с полным набором исходных параметров теста, дополненным изображениями мазков крови. Это должно помочь извлечь из распространённого анализа больше диагностической информации и улучшить прогнозирование, в частности, риска инсульта и онкологических заболеваний.

Сельское хозяйство: цифровые двойники полей

NUS и Университет Иллинойса создадут цифровые двойники сельскохозяйственных территорий Юго-Восточной Азии. Это виртуальные модели полей, которые объединяют наблюдаемые данные с научными принципами агрономии.

Задача проекта — разработать понятные для специалистов прогнозы и инструменты поддержки решений: когда сажать культуры, как расходовать ресурсы и как планировать цепочки поставок. Таким образом, речь идёт не только о непрозрачных прогнозах алгоритма, но и о моделях, способных объяснить основания своих рекомендаций.

Другие направления

В портфель восьми проектов также входят ИИ-разработанные интерфейсы для более эффективной передачи энергии. В совокупности программа охватывает материаловедение, вычислительную технику, геномику, медицину, энергетику и сельское хозяйство, а не ограничивается одной отраслью.

Почему Сингапур делает ставку на AI for Science

Замкнутый цикл исследований. ИИ может предложить перспективный материал, молекулу, эксперимент или фрагмент кода. Но окончательное решение принимается только после автоматизированных экспериментов, высокопроизводительного скрининга, измерений и формальной проверки. Именно Materials Data Foundry лучше всего иллюстрирует этот замкнутый цикл: модель предлагает следующий шаг, лаборатория проверяет его, а полученные данные улучшают модель.

Подготовка специалистов нового типа. AI4S ставит задачу обучать «двуязычных» учёных — исследователей, которые одинаково уверенно работают с ИИ и профильной дисциплиной, будь то материаловедение, науки о жизни или квантовые технологии. Такой подход позволяет учитывать научную постановку задачи, качество данных и реальные ограничения эксперимента ещё до обучения модели.

Международная исследовательская площадка. Сингапур объединяет финансирование NRF, международные партнёрства в рамках кампуса CREATE, общую цифровую и экспериментальную инфраструктуру, открытые инструменты и участие промышленности. Два проекта Имперского колледжа, например, реализуются через Imperial Global Singapore на базе CREATE и рассчитаны на доступ исследователей со всего мира.

Главная проверка для AI4S будет состоять не в том, насколько быстро модели строят прогнозы. Важнее, приведут ли они к подтверждённым и масштабируемым результатам: производственным протоколам, эффективным катализаторам, надёжным данным для клинических решений и безопасному программному обеспечению.