🚨Я ТОЛЬКО ЧТО ПРОЧИТАЛ НЕКОТОРОЕ ШОКИРУЮЩЕЕ. Исследователи только что обучили ИИ предсказывать, какие научные идеи будут успешными, прежде чем будет проведен какой-либо эксперимент. Теперь он лучше оценивает исследования, чем GPT-5.2, Gemini 3 Pro и любые другие топовые модели ИИ на рынке. И он научился, изучая 2,1 миллиона научных статей, без единого человеческого ученого, который бы учил его, что такое "хорошая наука". Вот что они сделали. Команда китайских исследователей создала две системы ИИ. Первая, названная Scientific Judge, была обучена на 700 000 пар статей с высоким и низким цитированием. Каждая пара была из одной и той же области и одного и того же временного периода. Единственная задача ИИ: выяснить, какая статья окажет большее влияние. Это сработало. Теперь ИИ предсказывает, какие исследования будут успешными с точностью 83,7%. Это выше, чем у GPT-5.2. Выше, чем у Gemini 3 Pro. Выше, чем у любой существующей модели на переднем крае. Затем они создали вторую систему. Scientific Thinker не просто оценивает идеи. Он предлагает их. Вы даете ему научную статью, и он генерирует последующую идею с высоким потенциальным влиянием. При тестировании в лоб против GPT-5.2 идеи Scientific Thinker оценивались как более влиятельные 61% времени. Он генерирует лучшие направления исследований, чем самые умные модели ИИ в мире. Становится еще страннее. Они обучили Judge только на статьях по информатике. Затем они протестировали его на биологии. Физике. Математике. Областях, которые он никогда не видел. Он все равно сработал. 71% точности на статьях по биологии, на которых он никогда не обучался. ИИ не научился тому, что делает информатику хорошей. Он научился тому, что делает науку хорошей, в целом. Затем исследователи проверили, может ли он предсказать будущее. Они обучили его на статьях до 2024 года, а затем попросили оценить статьи 2025 года. Он предсказал, какие из них получат популярность с точностью 74%. ИИ научился выявлять победителей раньше, чем научное сообщество. Вот о чем никто не говорит. Модель с 1,5 миллиарда параметров, маленькая по сегодняшним стандартам, прыгнула с 7% до 72% точности после обучения. Это 65-пунктный скачок. Способность оценивать научное качество не является какой-то возникающей свойством массивных моделей. Это можно научить маленьким, дешевым, быстрым системам ИИ, которые может запустить любой....