Введение

11 сентября 2026 года математическое сообщество оказалось в центре скандала, который выходит далеко за пределы академических кругов. Двадцать пять лауреатов Филдсовской премии — высшей международной награды для математиков — опубликовали открытое письмо под названием «Серьёзное расхождение целей: ИИ и математика» (A Severe Misalignment of AI in Mathematics). Документ размещён на сайте движения Math and AI и продублирован в блоге Теренса Тао.

Под письмом поставили подписи математики с российскими корнями: Ефим Зельманов (медаль Филдса 1994), Максим Концевич (1998), Андрей Окуньков (2006) и Станислав Смирнов (2010). Всего же среди подписантов — цвет мировой математики: от Пьера Делиня, получившего медаль в 1978 году, до Ю Дэна, удостоенного её в 2026-м.

Это событие стало кульминацией нескольких месяцев нарастающего напряжения в отношениях между математическим сообществом и разработчиками искусственного интеллекта. И хотя формально письмо адресовано ИИ-компаниям, его последствия выходят далеко за пределы математики — оно затрагивает фундаментальные вопросы о том, каким будет труд в эпоху ИИ для всех нас.

Что послужило триггером

Непосредственным поводом стала череда громких заявлений ИИ-компаний. 8 сентября OpenAI объявила, что её внутренняя модель решила уравнение Навье — Стокса — одну из семи «Проблем тысячелетия», над которой математики бились почти столетие. По сообщениям, для этого использовалась система из примерно 10 000 ИИ-агентов, работавших параллельно 88 часов.

Однако радость от «прорыва» быстро сменилась скандалом. Математик из Нью-Йоркского университета Тристан Бакмастер и сотрудник Anthropic Левент Альпёге заявили, что работали над той же задачей и уже были близки к результату. Бакмастер обвинил OpenAI в том, что компания узнала об их подходе и «перехватила» проблему, использовав свою вычислительную мощь. Более того, по его словам, представитель OpenAI попросил исключить Альпёге из числа авторов работы. OpenAI отрицала доступ к их исследованиям.

Именно этот инцидент, по словам Тао, заставил 25 лауреатов Филдса за неделю подготовить и выпустить совместное заявление — они сочли ситуацию достаточно срочной. Показательно, что OpenAI в ответ отозвала спонсорство математического мероприятия в Калтехе после критики со стороны исследователей университета.

Суть претензий: бенчмарк против понимания

Ключевой тезис письма сформулирован жёстко: «Цели компаний, занимающихся ИИ, и цели математического сообщества серьёзно расходятся». Для ИИ-компаний решение математической задачи — это бенчмарк, показатель эффективности модели, громкий заголовок. Для математиков — лишь инструмент достижения главной цели: концептуального понимания и глубокого постижения сути предмета.

Авторы письма подчёркивают, что решение задач — это лишь «инструмент и средство», а не самоцель. Если забыть об этом, инструмент может обернуться против самой цели: «Массовое и всё более стремительное генерирование утверждений типа „верно/неверно“ способно уничтожить благодатную почву для новых идей, вместо того чтобы вдохнуть в них жизнь».

Особую тревогу вызывает разрыв цепочки передачи знаний. Заявления о решении задач публикуются в спешке, без должного описания, выделения новых методов и ссылок на предшественников. Это порождает серьёзные вопросы авторства и плагиата. Без участия математиков, готовых развивать и интегрировать эти идеи в канон, замыслы ИИ «так и не обретут полноценной жизни».

Проблема не только математики

Авторы письма прямо указывают, что видят здесь часть более широкой проблемы согласования целей (alignment), затрагивающей другие науки, творческие профессии и общество в целом. Математическое сообщество во многом подобно человечеству в миниатюре: его главные ресурсы — студенты и идеи. Годы обучения традиционно служили не только для получения ответа, но и для формирования понимания и умения ставить новые вопросы. Если ИИ будет выдавать результаты напрямую, этот фундаментальный процесс может быть подорван.

Теренс Тао в интервью New Scientist сформулировал это ещё более образно: «Эти компании сваливают туши сырого мяса на наш общинный деревенский стол и говорят: „Вот, держите, я решил вашу продовольственную проблему“. А потом просто уходят». Он подчёркивает, что математика должна пройти пять этапов, чтобы стать полезной: создание, проверка, объяснение, принятие и, наконец, усвоение в корпусе работ, преподаваемых следующему поколению. ИИ-компании заботятся только о первых двух.

Мнения других учёных и экспертов

Письмо 25 лауреатов — не изолированный акт. За несколько месяцев до него, в июне 2026 года, более 150 математиков опубликовали Лейденскую декларацию об искусственном интеллекте и математике, одобренную Международным математическим союзом. Вице-президент IMU Ульрике Тильманн заявила: «Будущее математических исследований должны определять человеческие суждения, справедливые и прозрачные практики, а также общие ценности мирового математического сообщества».

Лесли Энн Голдберг, руководитель факультета компьютерных наук Оксфордского университета и подписант Лейденской декларации, отметила: ошибочные решения ИИ-систем иногда сложно отличить от корректных математических доказательств, что создаёт серьёзную проблему, поскольку математические исследования опираются на предыдущие работы.

Показательна и позиция самого Теренса Тао, одного из самых авторитетных математиков современности и активного пользователя ИИ-инструментов. Он не призывает к отказу от технологии, но предупреждает: нерешённые задачи становятся «невозобновляемым ресурсом», а ИИ «сжимает пространство долгосрочных инвестиций» в исследования. В интервью The Economist Тао сформулировал это ещё короче: «Мы стали слишком хороши в оптимизации».

Петер Шольце, лауреат Филдсовской премии 2018 года, так прокомментировал Лейденскую декларацию: «Это замечательная декларация, появившаяся в нужный момент. Я думаю, она оказалась в превосходном месте, которое учитывает обе стороны».

Тимоти Гауэрс, лауреат Филдсовской премии 1998 года, опубликовал 12 августа 2026 года развёрнутый анализ математических результатов LLM. Он отметил, что самые громкие «прорывы» ИИ в математике — это в основном контрпримеры, а не доказательства. «Контрпример и доказательство — это не одно и то же достижение. Доказательство показывает, что нечто всегда истинно. Контрпример показывает, что нечто, якобы всегда истинное, таковым не является». Гауэрс подчёркивает, что хотя LLM действительно способны находить доказательства сложных утверждений, их сильнейшие результаты в доказательствах не соответствуют их сильнейшим результатам в опровержениях.

Тристан Бакмастер, оказавшийся в центре скандала с Навье — Стоксом, после инцидента заявил, что «гонка за решением математических задач стала бессмысленной» — ИИ-компании с их вычислительными ресурсами просто перехватывают результаты.

Лейденская декларация: предшественник и контекст

Лейденская декларация, опубликованная 2 июня 2026 года, стала важным предшественником письма 25 лауреатов. Она была разработана международным консорциумом из шестнадцати академиков после конференции «Механизация и математические исследования» в Лейденском университете в сентябре 2025 года. Декларация собрала 2000 подписей за неделю и была одобрена Международным математическим союзом.

Декларация защищает пять основных ценностей математических исследований и формулирует пять главных рисков ИИ для математики: ненадёжные результаты, проблемы авторства, непрозрачность, коммерциализация и эрозия академических ценностей. Она призывает математиков, исследовательские организации и правительства действовать сейчас, чтобы защитить основные ценности математики в эпоху искусственного интеллекта.

Журнал Nature в редакционной статье от 16 июня 2026 года поддержал Лейденскую декларацию, отметив, что она «представляет собой важную отправную точку для более широкого обсуждения роли ИИ в науке за пределами математики».

Реакция ИИ-компаний и дальнейшая эскалация

Конфликт между математическим сообществом и ИИ-компаниями продолжает нарастать. После публикации письма 25 лауреатов OpenAI отозвала своё спонсорство математического мероприятия в Калтехе, которое уже вызвало протесты более 770 математиков. Кроме того, появилась информация о том, что некоторые математики опасаются, что их использование Codex могло быть в свою очередь скормлено новым моделям OpenAI, что создаёт угрозу культуре открытых исследований.

Ситуация усугубляется тем, что если передовые лаборатории видят полезный путь к открытию, они могут потратить десятки миллионов долларов, используя LLM, чтобы обогнать оригинальных исследователей в доказательстве — динамика, которая будет стимулировать секретность и подрывать открытую науку.

Что это значит для IT-сообщества

Хотя письмо адресовано математикам и ИИ-компаниям, его последствия выходят далеко за пределы этих двух групп. Проблема «серьёзного расхождения целей» универсальна: она затрагивает любую область, где ИИ способен выдавать «готовый результат» быстрее, чем человек успевает осмыслить процесс его получения. Разработка ПО, научные исследования, журналистика, дизайн — везде возникает один и тот же вопрос: оптимизация под бенчмарк или углубление понимания?

Авторы письма не призывают к бойкоту технологий. Они признают потенциал ИИ для ускорения рутинных вычислений и подчёркивают, что математическому сообществу предстоит адаптироваться к переменам. Но то, принесут ли эти изменения пользу или окажут разрушительное воздействие, «во многом будет зависеть от решений людей, управляющих этой новой технологией».

Особенно показателен пример с формализацией доказательства Ферма. В сентябре 2026 года Anthropic объявила, что её модель Claude всего за 11 дней создала компьютерно-проверяемое доказательство Великой теоремы Ферма — проект, который, по оценкам Кевина Баззарда из Имперского колледжа Лондона, должен был занять около 10 лет. Баззард, который сам руководит проектом по формализации теоремы с 2024 года, признал: «Раньше у меня была 99,9% уверенность в правильности доказательства. После работы Claude я уверен на 100%». Однако он же предупредил о «кошмарном сценарии», когда появятся несколько несовместимых Lean-библиотек, что создаст новые проблемы для математического сообщества.

Этот пример наглядно демонстрирует двойственность ситуации: ИИ действительно может ускорять и углублять математические исследования, но без продуманной интеграции в существующую научную инфраструктуру его вклад может оказаться деструктивным.

Заключение

25 лауреатов Филдса сформулировали проблему, которую IT-индустрии ещё предстоит осознать в полной мере. Их письмо — это не анти-ИИ манифест, а призыв к осознанному выбору: ИИ может углубить и ускорить подлинные исследования, но только если решения людей, управляющих технологией, будут учитывать ценности научного сообщества, а не только бенчмарки.

Проблемы, с которыми сейчас сталкивается математика — потеря смысла, размывание авторства, спешка в ущерб качеству, разрыв цепочки передачи знаний — скоро станут проблемами всех наук. И от того, как они будут решены, зависит не только будущее математики, но и то, каким будет труд в эпоху ИИ для всех нас.

Список литературы

1. Ведущие математики мира заявили о вреде ИИ для науки // Парламентская газета. — 2026. — 12 сентября. — URL: https://www.pnp.ru/social/vedushhie-matematiki-mira-zayavili-o-vrede-ii-dlya-matematicheskoy-nauki.html
2. Лауреаты Филдсовской премии заявили об угрозах ИИ для математики // Реальное время. — 2026. — 12 сентября. — URL: https://realnoevremya.ru/news/406259-laureaty-fildsovskoy-premii-zayavili-ob-ugrozah-ii-dlya-matematiki
3. «Цели серьезно расходятся»: 25 лауреатов Филдсовской премии выступили против бесконтрольного внедрения ИИ в науку // ФедералПресс. — 2026. — 12 сентября. — URL: https://fedpress.ru/news/77/society/3451539
4. Top math prize winners warn AI race is threat to field // The Standard. — 2026. — September 12. — URL: https://www.thestandard.com.hk/world/article/342574/Top-math-prize-winners-warn-AI-race-is-threat-to-field
5. Top math prize winners warn AI race is threat to field // The Straits Times. — 2026. — September 12. — URL: https://www.straitstimes.com/world/top-math-prize-winners-warn-ai-race-is-threat-to-field
6. 突发！陶哲轩、邓煜等25位菲尔兹奖得主联合声明：AI公司正在摧毁数学 // 网易. — 2026. — 12 сентября. — URL: https://www.163.com/dy/article/L6KL83F00511AQHO.html
7. Лауреаты Филдсовской премии предупредили об угрозе ИИ для науки // Известия. — 2026. — 12 сентября. — URL: https://iz.ru/2165809/laureaty-fildsovskoi-premii-predupredili-o-ugroze-ii-dlia-nauki
8. 25 лауреатов Филдсовской премии критикуют компании ИИ за ущерб математическим исследованиям // KuCoin. — 2026. — 12 сентября. — URL: https://www.kucoin.com/ru/news/flash/25-fields-medalists-criticize-ai-firms-for-hurting-mathematical-research
9. Более 150 математиков призвали правительства не верить ажиотажу вокруг искусственного интеллекта // Naked Science. — 2026. — 10 июня. — URL: https://naked-science.ru/community/1193640
10. Top mathematicians are outraged by OpenAI's methods // Hindustan Times. — 2026. — September 12. — URL: https://www.hindustantimes.com/technology/top-mathematicians-are-outraged-by-openai-s-methods-101789184265574-amp.html
11. A Severe Misalignment of AI in Mathematics // Alessio Figalli, LinkedIn. — 2026. — September 11. — URL: https://www.linkedin.com/feed/update/urn:li:share:7504256800536584192
12. OpenAI Is Beefing With Mathematicians, Will No Longer Sponsor Caltech 'Mathathon' // Gizmodo. — 2026. — September 12. — URL: https://gizmodo.com/@openai-is-beefing-with-mathematicians-will-no-longer-sponsor-caltech-mathathon-2000810868
13. 陶哲轩邓煜究竟在反对什么：AI暴力解题摧毁人类数学精神 // 网易 / 量子位. — 2026. — 12 сентября. — URL: https://www.163.com/dy/article/L6KLAT4G05568W0A.html
14. 25位菲尔兹奖得主联合批评AI刷榜，具体指向哪些问题？ // 腾讯新闻. — 2026. — 12 сентября. — URL: https://news.qq.com/rain/a/20260912Q031NE00
15. 陶哲轩、邓煜等等25位菲尔兹奖得主发表联合声明 // 腾讯新闻. — 2026. — 12 сентября. — URL: https://news.qq.com/rain/a/20260912A05IVN00
16. The Leiden Declaration on Artificial Intelligence and Mathematics is published // Wadham College, Oxford. — 2026. — August 6. — URL: https://www.wadham.ox.ac.uk
17. Terence Tao: AI companies are harming mathematics // New Scientist. — 2026. — September 9. — URL: https://www.newscientist.com
18. The Leiden Declaration: Mathematics, AI, and Making Our Values Explicit // Communications of the ACM. — 2026. — June 25. — URL: https://cacm.acm.org
19. Gowers T. What sort of maths are LLMs good at? // Gowers's Weblog. — 2026. — August 12. — URL: https://gowers.wordpress.com
20. AI maths: the famous results are counterexamples, not proofs // The Next Web. — 2026. — August 17. — URL: https://thenextweb.com
21. AI 首次"形式化"证明费马大定理 // 光明网. — 2026. — 9 сентября. — URL: https://m.gmw.cn
22. Mathematicians are developing rules for AI use — other fields should follow // Nature. — 2026. — June 16. — URL: https://www.nature.com
23. OpenAI's feud with mathematicians is only escalating // TechCrunch. — 2026. — September 11. — URL: https://techcrunch.com
24. 25 Fields Medal Winners Including Terence Tao Sign Declaration Saying Rapid AI Proofs Are Harming Math In "Severe Misalignment" // OfficeChai. — 2026. — September 11. — URL: https://officechai.com
25. A Severe Misalignment of AI in Mathematics // Terence Tao's blog, What's new. — 2026. — September 11. — URL: https://terrytao.wordpress.com
26. Anthropic AI 'formalizes' proof of Fermat's last theorem — a milestone for mathematics // Nature. — 2026. — September 7. — URL: https://www.nature.com
27. 突发2026年9月数学界再掀集体抵制！千人联署叫停加州理工学院AI数学马拉松（Mathathon）赛事 // 澎湃新闻. — 2026. — 11 сентября. — URL: https://www.thepaper.cn
28. OpenAI 踢到鐵板！贊助校園駭客松慘遭 770 名數學家抵制 // TechBang. — 2026. — 12 сентября. — URL: https://www.techbang.com
29. Mathematicians call for AI regulation, warn of research integrity crisis // Rappler. — 2026. — June 8. — URL: https://www.rappler.com
30. AI threatens math, researchers warn // TU Eindhoven. — 2026. — June 3. — URL: https://www.tue.nl

Новое исследование OpenAI показало: ChatGPT не просто автоматизирует задачи — он меняет само разделение труда. Люди всё чаще используют ИИ для работы, которая раньше была «чужой». И это не изолированный феномен — целый ряд недавних работ подтверждает: профессиональные границы становятся подвижными, а вместе с ними меняются рынок труда, организационные иерархии и требования к навыкам.

Разбираем ключевые выводы.

1. Исследование OpenAI: как ИИ расширяет спектр рабочих задач

Анализ OpenAI Economic Research основан на случайной выборке из более чем 800 000 рабочих сообщений пользователей ChatGPT из США [1]. Каждое сообщение классифицировалось по детальной рабочей деятельности (DWA) из базы O\*NET Министерства труда США — это позволило сравнить, какую задачу выполняет пользователь, с тем, какая профессия исторически была закреплена за этой задачей.

Ключевые цифры [1]:

• 43,5 % всех рабочих сообщений, относящихся к конкретной профессии, касаются задач, исторически связанных с другой профессией.
• В пяти из восьми изученных групп (клиентский опыт, дизайн, HR, юриспруденция, маркетинг) межпрофессиональные задачи составляют более половины всех профессиональных запросов: от 53 % (маркетинг) до 77 % (клиентский опыт).
• 16,8 % всех рабочих сообщений в выборке (включая общие задачи вроде написания писем и планирования) выходят за пределы профессиональной границы пользователя.

Какие задачи «кочуют» чаще всего [1]:

Три роли профессий в новой экосистеме [1]:

1. Поглотители (дизайн). 35,2 % запросов дизайнеров — задачи из других профессий. При этом задачи дизайна почти не переходят к другим (всего 1,7 %). Дизайнеры становятся «универсальными солдатами» — берут на себя работу, которая раньше требовала инженеров, маркетологов или аналитиков.

1. Доноры (инженерное дело). Инженерные задачи активно заимствуются другими (7,4 % запросов работников из других сфер). При этом сами инженеры редко выходят за свои границы (всего 18,5 %).

1. Двунаправленные (маркетинг). Единственная сфера, которая одновременно берёт задачи извне (24,3 %) и отдаёт свои задачи другим (8,9 % — самый высокий показатель).

Размер компании имеет значение [1]. В малом бизнесе ИИ используют шире: среди типичных пользователей доля межпрофессиональных задач в компаниях с 2–5 сотрудниками на 13 % выше, чем в компаниях с 101+ сотрудниками (18,9 % против 16,3 %). В небольших командах нет специалиста по каждой узкой функции — ИИ становится «виртуальным коллегой», закрывающим пробелы.

2. Что говорят другие исследования: контекст и подтверждения

2.1. От задач к ролям: как агентный ИИ меняет профессиональные структуры

Исследование, опубликованное в 2025 году в ScienceOpen, показывает, что агентный ИИ (способный выполнять многошаговые рабочие процессы автономно) меняет не просто отдельные задачи, а целые роли [2]. Авторы выделяют пять паттернов трансформации ролей: консолидация, сегментация, элевация, смещение и создание. Агентный ИИ не только переопределяет границы рабочих мест, но и меняет организационные иерархии, координацию рабочих процессов и требования к навыкам. Это перекликается с выводами OpenAI: изменения идут не «сверху» (когда компания переписывает должностные инструкции), а «снизу» — когда сами работники начинают использовать ИИ для выхода за привычные рамки.

2.2. Трансформация рабочих мест против замещения

Исследователи Федерального резервного банка Миннеаполиса и Федерального резервного банка Сан-Франциско (2025) разработали количественную модель, в которой профессии «связывают» множество задач, а работники с разными наборами навыков выбирают профессии на основе сравнительных преимуществ [3]. Автоматизация меняет относительную важность задач внутри каждой профессии.

Ключевой вывод: в профессиях с высокой степенью автоматизации (например, офисные и административные роли) работники, специализирующиеся на обработке информации, уходят и теряют в зарплате. Но те, кто специализируется на взаимодействии с клиентами и координации, остаются и получают прирост — работа перебалансируется в сторону их сильных сторон. Это важное дополнение к исследованию OpenAI: автоматизация не равна потере работы, она меняет состав задач внутри профессии, и одни навыки становятся более ценными, чем другие.

2.3. GitHub Copilot: смещение к ядру профессии

В работе Hoffmann, Boysel, Nagle, Peng и Xu (2024) изучается влияние GitHub Copilot на распределение задач у разработчиков открытого ПО [4]. Доступ к Copilot побуждает разработчиков смещать задачи в сторону основной работы — написания кода — и уходить от вспомогательных задач управления проектами. Эффект сильнее у разработчиков с относительно более низкими способностями. Исследователи также отмечают, что ИИ может уплощать организационные иерархии в экономике знаний. Это созвучно с данными OpenAI о малом бизнесе: когда инструмент даёт возможность выполнять задачи без посредников, вертикальные структуры становятся менее жёсткими.

2.4. Победители и проигравшие генеративного ИИ: данные фриланс-бирж

Оксфордское исследование Kässi и Braesemann (2025) анализирует более 100 кластеров навыков на крупной фриланс-платформе [5]. После запуска ChatGPT спрос на заменяемые навыки (письмо, перевод) сократился на 20–50 % относительно контрфактического тренда, с самым резким падением для краткосрочных проектов (1–3 недели). В то же время спрос на дополняемые навыки вырос: машинное обучение — на 24 %, разработка чат-ботов на базе ИИ — почти втрое. Однако рост был неравномерным: спрос на начинающих фрилансеров в целом снизился. Это указывает на сдвиг в сторону более специализированной экспертизы, а не равномерного роста во всех областях.

2.5. Что на самом деле делают люди с ИИ?

Исследование Agarwal и соавторов (2025) на основе 4 миллионов взаимодействий с Claude AI, сопоставленных с задачами O\*NET, выявило, какие характеристики задач привлекают наибольшее использование ИИ [6]. Задачи, требующие высокой креативности, сложности и когнитивной нагрузки, но низкой рутинности, привлекают наибольшее вовлечение ИИ. Авторы выделили три архетипа задач: динамическое решение проблем, процедурная и аналитическая работа и стандартизированные операционные задачи. При этом всего 5 % задач обеспечивают 59 % всех взаимодействий с ИИ.

Это важный нюанс: ИИ используют не для «скучной» работы, а для сложной, творческой и нестандартной. Люди делегируют ИИ именно те задачи, которые требуют высокой когнитивной нагрузки, но при этом не являются рутинными.

2.6. Индекс автоматизации на основе парадокса Моравека

Schaal (2025) разработал индекс автоматизации, основанный на парадоксе Моравека: задачи, лёгкие для людей, могут быть сложны для машин, и наоборот [7]. Оценка 19 000 задач O\*NET по вариативности выполнения, неявному знанию, обилию данных и алгоритмическим разрывам показала, что наивысшая автоматизируемость — у управленческих, STEM и научных профессий. Наименьшая — у обслуживания, сельского хозяйства и строительства.

Положительная связь между заработной платой и автоматизируемостью ставит под сомнение классическую концепцию skill-biased technological change. Если раньше технологии заменяли низкоквалифицированных работников, то теперь под угрозой — высокооплачиваемые когнитивные профессии.

2.7. Профессиональные границы в эпоху ИИ

Серия исследований, опубликованных в Journal of Management Studies (2024–2025), показывает, как профессионалы перестраивают границы своей работы в ответ на ИИ [8–10]. Pemer и Werr (2024) изучили «Большую четвёрку» аудиторских фирм в Швеции и обнаружили, что профессионалы активно расширяют свою экспертизу через цифровизацию, комбинируя новые цифровые навыки с традиционными [8]. Faulconbridge и соавторы (2023) документируют, как бухгалтеры и юристы защищают и расширяют границы своей работы, развивают новые коллаборации с «внешними», пересматривают определения «своих» и «чужих» и пересматривают внутренние границы [9]. Эти стратегии переплетены: профессионалы одновременно участвуют в нескольких взаимозависимых режимах «работы над границами». Beane и Leonardi (2024) рассматривают организацию как систему взаимозависимых слоёв процессов; эффект ИИ зависит от того, какой слой затронут [10].

3. Что это значит для бизнеса, HR и образования

Совокупность исследований позволяет сформулировать несколько практических выводов.

1. Профессиональные границы больше не являются жёсткими. Работники используют ИИ для задач из соседних областей — и делают это не эпизодически, а системно. Компании, которые продолжают мыслить в терминах фиксированных должностных инструкций, рискуют отстать [1, 2].

2. В малом бизнесе ИИ даёт конкурентное преимущество. Возможность «закрывать» задачи без привлечения узких специалистов снижает барьеры для небольших команд [1].

3. Автоматизация не равна потере работы — она меняет её состав. В профессиях, где ИИ автоматизирует часть задач, выигрывают те, кто может переключиться на задачи, требующие человеческих навыков: координацию, взаимодействие с клиентами, социальный интеллект [3, 7]. Вопрос не в том, заменит ли ИИ профессию, а в том, какую часть соседних профессий работник сможет взять на себя с его помощью.

4. Спрос на навыки смещается в сторону специализации. На фриланс-рынке падает спрос на начальный уровень и заменяемые навыки, растёт — на сложные, дополняемые ИИ [5]. Это требует пересмотра подходов к обучению и найму.

5. Обучение должно выходить за рамки профессии. Если маркетологу нужны основы анализа данных, а продажнику — базовый SQL, это не «капризы», а реальность. Институтам образования и корпоративным университетам стоит воспринимать человеко-машинное сотрудничество как рабочую гипотезу и выстраивать учебные программы вокруг компетенций, а не должностных инструкций [11].

6. Профессионалы активно перестраивают границы своей работы. Вместо пассивного ожидания изменений специалисты сами переопределяют, что входит в их компетенцию, а что нет [8, 9]. Это создаёт новые возможности для тех, кто готов к пересборке собственной роли.

Заключение

Исследование OpenAI и смежные работы показывают: мы уже живём в мире, где профессиональные границы — это не стены, а линии, которые можно пересекать. ИИ не просто меняет как мы работаем — он меняет кто что делает. И этот сдвиг будет только нарастать.

Для бизнеса это означает необходимость пересмотреть:

• структуру должностных инструкций и KPI (они должны отражать не фиксированный набор задач, а способность к их перекомбинации);
• процессы контроля и подотчётности (если сотрудник делает работу из соседней области, кто проверяет качество?);
• подходы к обучению и развитию персонала (навыки работы с ИИ и межпрофессиональная грамотность становятся базовыми).

Для каждого из нас — готовность к тому, что наша профессия перестанет быть «коробкой» с фиксированным набором задач и станет скорее «платформой» для сборки решений из разных областей.

И возможно, главный вопрос сегодня звучит не «заменит ли ИИ мою работу?», а «какую часть соседней работы я смогу делать с помощью ИИ?»

Список литературы

1. OpenAI Economic Research. Work at the Frontier: How AI is expanding what people do at work. — 2026. — 15 p.

1. From Tasks to Roles: How Agentic AI Reconfigures Occupational Structures Across Industries / A. I. M. Al‐Mansoori, S. S. Al‐Mansoori, M. Al‐Mansoori [et al.] // ScienceOpen Preprints. — 2025. — DOI: 10.14293/PR2199.002638.v1.

1. Job Transformation, Specialization, and the Labor Market Effects of AI / R. A. C. B. M. S., F. R. B. of Minneapolis, F. R. B. of San Francisco. — 2025. — (Working Paper).

1. Hoffmann M., Boysel S., Nagle F., Peng S., Xu K. Generative AI and the Nature of Work // CESifo Working Paper. — 2024. — No. 11329. — DOI: 10.2139/ssrn.4955706.

1. Kässi O., Braesemann F. Winners and losers of generative AI: early evidence of shifts in freelancer demand // Journal of Economic Behavior and Organization. — 2025. — Vol. 235. — P. 106845. — DOI: 10.1016/j.jebo.2024.106845.

1. Agarwal P., Alon U., Berman R., Gornet S., Hessel M., Li L., Sorensen T. What Work is AI Actually Doing? Uncovering the Drivers of Generative AI Adoption // arXiv Preprint. — 2025. — arXiv:2510.23669.

1. Schaal J. A theory-based AI automation exposure index: Applying Moravec's Paradox to the US labor market // arXiv Preprint. — 2025. — arXiv:2510.13369.

1. Pemer F., Werr A. Professional service firms and digitalization: A boundary‑work perspective // Journal of Management Studies. — 2024. — Vol. 61, No. 5. — P. 1901–1928. — DOI: 10.1111/joms.12992.

1. Faulconbridge J., Sarwar A., Spring M. How Professionals Adapt to Artificial Intelligence: The Role of Intertwined Boundary Work // Journal of Management Studies. — 2024. — Vol. 61, No. 6. — P. 2345–2372. — DOI: 10.1111/joms.13045.

1. Beane M., Leonardi P. Technology and organizational change: A pace‑layer perspective // Journal of Management Studies. — 2024. — Vol. 61, No. 4. — P. 1401–1426. — DOI: 10.1111/joms.12951.

1. Hutson J. Designing for Complementarity: Skills, Work, and Education in the Age of AI — A Review // Journal of Business and Social Sciences. — 2025. — Vol. 4, No. 1. — P. 1–18.

Статья подготовлена по материалам открытых исследований и предназначена для внутреннего использования в корпоративной среде.

Введение

Представьте себе мир, где новый аэрокосмический сплав проектируется не за десятилетия, а за месяцы. Где цифровой двойник турбинной лопатки предсказывает её поведение в экстремальных условиях ещё до того, как первый грамм материала будет произведён. Где экспериментальные данные автоматически питают модели машинного обучения, а те, в свою очередь, оптимизируют следующий эксперимент без участия человека.

Это не футуристический сценарий — это дорожная карта, которую сегодня прокладывают ведущие мировые организации. За последние 15 лет сформировался глобальный консенсус: будущее материаловедения — за цифровым континуумом, объединяющим многомасштабное моделирование, экспериментальную характеризацию, управление данными и искусственный интеллект в единую экосистему.

В этом обзоре мы рассмотрим ключевые стратегические документы и инициативы, формирующие это будущее: от Инициативы по геномике материалов (MGI; Materials Genome Initiative) и интегрированного вычислительного материаловедения (ICME; Integrated Computational Materials Engineering) до дорожной карты NASA Vision 2040 и растущей роли искусственного интеллекта и машинного обучения (AI/ML; Artificial Intelligence/Machine Learning). Также будут проанализированы аналогичные инициативы в России, Китае, Европейском Союзе и Японии, а также рассмотрен практический кейс реализации цифрового инжиниринга (Digital Engineering) на примере платформы вычислительного инжиниринга (Computational Engineering) Noyron.

---

1. Инициатива по геномике материалов (MGI): 15 лет трансформации

Запущенная в 2011 году администрацией Обамы, Инициатива по геномике материалов (MGI; Materials Genome Initiative) стала первым системным шагом к переосмыслению того, как разрабатываются и внедряются новые материалы. Её ключевая идея проста и амбициозна: если геномика произвела революцию в биологии, то аналогичный подход может трансформировать материаловедение [7].

В 2021 году было опубликовано обновление стратегического плана MGI, определяющее направления на следующее десятилетие. Стратегия фокусируется на трёх ключевых элементах [7]:

1. Вычислительные инструменты — от расчётов на основе теории функционала плотности (DFT; Density Functional Theory) до многомасштабного моделирования.
2. Экспериментальные инструменты — включая высокопроизводительные методы характеризации.
3. Цифровая инфраструктура данных — обеспечивающая FAIR-принципы (Findable, Accessible, Interoperable, Reusable).

Ключевым механизмом реализации MGI стала программа DMREF (Designing Materials to Revolutionize and Engineer our Future) Национального научного фонда США (NSF; National Science Foundation) , поддерживающая междисциплинарные исследовательские группы с быстрым циклом обратной связи между экспериментом и теорией [30].

---

2. Интегрированное вычислительное материаловедение (ICME): от теории к практике

Параллельно с MGI развивалась дисциплина, которая должна была сделать её идеи реальностью — интегрированное вычислительное материаловедение (ICME; Integrated Computational Materials Engineering) [2].

ICME — это не просто набор инструментов, а философия проектирования, при которой модели материалов всех масштабов (от квантового до макроскопического) интегрируются в единый инжиниринговый конвейер. Ключевая концепция — PSPP-связи (Processing-Structure-Property-Performance): обработка определяет структуру, структура — свойства, свойства — производительность [2].

Наибольший прогресс достигнут в области конструкционных материалов и их механических свойств. ICME активно применяется при разработке новых металлических сплавов, особенно в аэрокосмической и автомобильной промышленности. Однако, как отмечают специалисты, в области керамических материалов ICME используется значительно реже [2].

Ключевые барьеры на пути широкого внедрения ICME носят не столько технический, сколько культурный и организационный характер. Интеграция моделей материалов с системами автоматизированного проектирования (CAD; Computer-Aided Design) и инженерного анализа (CAE; Computer-Aided Engineering) остаётся нетривиальной задачей, требующей не только технологических, но и организационных решений [2].

---

3. NASA Vision 2040: Дорожная карта для многомасштабного моделирования

Пожалуй, самый амбициозный и детальный документ в этой области — «Vision 2040: A Roadmap for Integrated, Multiscale Modeling and Simulation of Materials and Systems» , опубликованный Национальным управлением по аэронавтике и исследованию космического пространства (NASA; National Aeronautics and Space Administration) в 2018 году [3].

Дорожная карта описываете будущее состояние, в котором моделирование материалов и систем будет полностью интегрировано в единую кибер-физико-социальную экосистему. К 2040 году [3]:

• Модели материалов будут бесшовно связаны с моделями процессов и конструкций.
• Данные будут автоматически собираться, аннотироваться и становиться доступными для повторного использования.
• Оптимизация будет учитывать неопределённости на всех масштабах.
• Сертификация будет в значительной степени основываться на моделировании, а не на физических испытаниях.

Девять ключевых элементов

Документ выделяет девять взаимосвязанных направлений (Key Elements), которые должны быть развиты для достижения цели [3]:

1. Модели и методологии
2. Многомасштабные инструменты измерения и характеризации
3. Оптимизация и методологии оптимизации
4. Принятие решений и количественная оценка и управление неопределенностью (UQ; Uncertainty Quantification)
5. Верификация и валидация (V&V; Verification and Validation)
6. Данные, информатика и визуализация
7. Рабочие процессы и среды сотрудничества
8. Образование и подготовка кадров
9. Вычислительная инфраструктура

Особое внимание уделяется модельно-ориентированным определениям (Model-Based Definitions) — цифровым спецификациям, связывающим геометрию, микроструктуру и свойства материалов с технологическими процессами. Это переход от статических эмпирических кривых к динамическим моделям, которые адаптируются к изменениям в проектировании [3].

---

4. Инфраструктура данных: фундамент цифрового материаловедения

Без надёжной инфраструктуры данных все остальные усилия теряют смысл. Эту проблему осознают все ключевые игроки.

Инициативы TMS

Общество минералов, металлов и материалов (TMS; The Minerals, Metals & Materials Society) провело масштабное исследование «Building a Materials Data Infrastructure» , которое выявило ключевые барьеры и предложило конкретные рекомендации по их преодолению. Среди вызовов — долгосрочное хранение данных, стандартизация форматов, вопросы интеллектуальной собственности и стимулы для обмена данными [4].

Европейские инициативы

В Европе активно развивается проект Materials Commons , создающий федеративную цифровую инфраструктуру для обмена данными о материалах. Ключевая идея — единая точка доступа к распределённым ресурсам данных и инструментов рабочих процессов [10].

Принципы FAIR

Центральным принципом современных инициатив по управлению данными стали FAIR-принципы , обеспечивающие, чтобы данные были Findable (находимыми), Accessible (доступными), Interoperable (интероперабельными) и Reusable (пригодными для повторного использования). Эти принципы сегодня являются стандартом де-факто для научных данных в материаловедении [19].

---

5. Верификация, валидация и количественная оценка неопределенности (V&V&UQ)

По мере того как моделирование становится основой принятия решений, вопросы верификации и валидации (V&V; Verification and Validation) , а также количественной оценки неопределенности (UQ; Uncertainty Quantification) выходят на первый план. Эти три процесса, объединяемые под общим термином V&V&UQ , являются критическими для обеспечения достоверности результатов моделирования и их приемлемости для сертификации.

Верификация (Verification) — это процесс определения того, насколько правильно модель решает уравнения, которые она должна решать (решение правильных уравнений). Валидация (Validation) — это процесс определения того, насколько правильно модель описывает реальное физическое явление (правильные уравнения). Количественная оценка неопределенности (Uncertainty Quantification) — это процесс количественного анализа источников неопределенности (входные данные, параметры модели, экспериментальные погрешности) и их влияния на выходные результаты моделирования.

Фундаментальные работы в этой области выполнены Американским обществом инженеров-механиков (ASME; American Society of Mechanical Engineers) и Американским институтом аэронавтики и астронавтики (AIAA; American Institute of Aeronautics and Astronautics) .

• ASME V&V 10 — «Guide for Verification and Validation in Computational Solid Mechanics» предоставляет сообществу вычислительной механики твердого тела общий язык, концептуальную основу и общие рекомендации по внедрению процессов V&V [24].
• AIAA G-077-1998 — «Guide for the Verification and Validation of Computational Fluid Dynamics Simulations» устанавливает ключевую терминологию, фундаментальные концепции и общие процедуры для проведения V&V в области вычислительной гидродинамики (CFD; Computational Fluid Dynamics) [25].

Классическим трудом, обобщающим эти подходы, является монография Уильяма Л. Оберкампфа (William L. Oberkampf) и Кристофера Дж. Роя (Christopher J. Roy) «Verification and Validation in Scientific Computing» [26].

Международная ассоциация инженерного моделирования, анализа и симуляции (NAFEMS; International Association for the Engineering Modelling, Analysis and Simulation Community) также активно развивает эту область, предлагая практические руководства, такие как «Guidelines for Validation of Engineering Simulations», и продвигая системный «кирпичный» подход к построению доверия к моделям [6].

---

6. Российская дорожная карта: «Технологии новых материалов и веществ»

В России основным стратегическим документом в этой области является Дорожная карта развития высокотехнологичного направления «Технологии новых материалов и веществ» (ДК ТНМиВ) , утверждённая Правительством Российской Федерации в 2020 году [1].

Документ включает четыре основных направления [1]:

1. Полимерные композиционные материалы
2. Аддитивные технологии
3. Редкоземельные металлы
4. Цифровое материаловедение — добавлено в 2023 году

Реализацией дорожной карты занимаются Госкорпорация «Росатом» , Российская академия наук (РАН) , МГТУ им. Н.Э. Баумана и Новосибирский государственный университет. Росатом развивает комплекс цифровых инструментов, включающий базы данных, алгоритмы и методики для решения задач материаловедения [12].

Специфика российского подхода — фокус на импортозамещение и критические материалы, что обусловлено внешними экономическими условиями и необходимостью технологической независимости [11].

---

7. Китайская стратегия: «Инженерная наука и технологии Китая до 2040 года»

Один из наиболее системных азиатских документов — «Стратегия развития инженерной науки и технологий Китая до 2040 года: Отчёт по областям химической промышленности, металлургии и материалов» (中国工程科技2040发展战略·化工、冶金与材料领域报告) [13].

Документ охватывает 11 подотраслей и включает [13]:

• анализ мировых тенденций
• технологическое прогнозирование до 2040 года
• стратегические цели и архитектуру
• ключевые задачи и пути развития
• рекомендации по фундаментальным исследованиям

Выпущен под эгидой Китайской инженерной академии (CAE; Chinese Academy of Engineering) с участием около 300 академиков и 900 экспертов [14].

Этапный план развития до 2040 года включает четыре этапа [15]:

Ключевые направления [14, 15]:

• Материальная геномика и интеллектуальное проектирование материалов (AI-дизайн, цифровые двойники)
• Передовые металлы (жаропрочные сплавы, титан, алюминий, магний)
• Керамические матричные композиты
• Передовые полимеры и композиты
• Передовые функциональные материалы

---

8. Европейский Союз: EMMC и цифровая трансформация

Европейский совет по моделированию материалов (EMMC; European Materials Modelling Council) с 2015 года выпускает серию дорожных карт [8]. Последняя редакция (2025) посвящена цифровой трансформации материаловедения и созданию общеевропейской инфраструктуры [8].

Ключевые рекомендации EMMC [9]:

• Развитие стандартизированных форматов данных для материалов
• Создание федеративной инфраструктуры (Materials Commons)
• Интеграция моделирования и экспериментов
• Подготовка кадров нового типа
• Развитие интероперабельных инструментов

Смежные европейские инициативы:

• Materials Commons — общеевропейская инфраструктура для обмена данными о материалах [10]
• Нидерланды — дорожная карта «Химия передовых материалов» (до 2040 года) с акцентом на функциональные материалы, тонкие плёнки, покрытия и материалы для устойчивой энергетики.
• Великобритания — «Дорожная карта термоядерных материалов 2.0» (Управление по атомной энергии Великобритании (UKAEA; United Kingdom Atomic Energy Authority) , 2025).

---

9. Япония: «Инновации в материалах 2040»

Японский документ «Инновации в материалах 2040: Дорожная карта ключевых материальных технологий для автомобильной промышленности, электронных компонентов и полупроводников» (マテリアル・イノベーション2040) содержит подробные дорожные карты для трёх ключевых отраслей [16].

Ключевые цифровые технологии [16]:

• Информатика материалов (MI; Materials Informatics)
• Информатика процессов (PI; Process Informatics)
• Квантовые компьютеры
• Робототехника

Анализирует 30 ключевых материалов на основе патентного и литературного анализа, описывая их эволюцию до 2040 года [17].

Дополнительные стратегические документы:

• «Стратегия укрепления инновационного потенциала в области материалов» (Канцелярия Кабинета министров Японии (CAO; Cabinet Office) , 2025) [17]
• «Дорожная карта по направлению "Материалы (стратегические полезные ископаемые и компонентные материалы)"» (Министерство экономики, торговли и промышленности Японии (METI; Ministry of Economy, Trade and Industry) , 2026) [18]

---

10. Цифровые двойники (Digital Twins): виртуальное отражение реальности

Цифровые двойники — одна из самых горячих тем в современном материаловедении и инжиниринге. Согласно определению Министерства обороны США (DoD; U.S. Department of Defense) (DoD Instruction 5000.97), цифровой двойник — это «виртуальное представление продукта, системы или процесса, которое использует наилучшие доступные модели, данные с датчиков, информацию из физической системы и входные данные для зеркального отражения и прогнозирования активности системы» [5].

За последнее десятилетие (2015–2025) цифровые двойники прошли путь от нишевой концепции до трансформационного инструмента, обеспечивающего интеграцию данных в реальном времени, прогностическое моделирование и виртуальные испытания [20].

Особый интерес представляют цифровые двойники материалов (Digital Material Twins) — виртуальные реплики, реконструируемые из пространства данных с помощью инструментов анализа и моделей материалов. Они позволяют передавать пространственно и временные свойства материалов на протяжении всего жизненного цикла продукта, преодолевая границы отдельных компаний [28].

NASA активно развивает эту концепцию. В одном из проектов цифровой двойник электрической системы Orion был интегрирован с моделями от требований до проектной реализации, обеспечивая прогностику быстрее реального времени и возможность обработки телеметрических данных миссии Artemis I [3].

---

11. AI и машинное обучение: новый двигатель материаловедения

Искусственный интеллект и машинное обучение стремительно трансформируют материаловедение, предлагая инструменты для навигации в сложности, ускорения открытий и оптимизации дизайна материалов [21, 22].

Согласно недавнему обзору, опубликованному в MRS Bulletin, развитие AI в материаловедении идёт по трём основным направлениям [21]:

1. Ускорение многомасштабного моделирования — использование суррогатных моделей и нейросетей для замены дорогостоящих расчётов.
2. Интеграция AI в научную инфраструктуру — от автоматизированных лабораторий до семантических баз данных.
3. Генеративный и воплощённый интеллект — системы, способные не только предсказывать, но и предлагать новые решения.

Отдельное направление — информатика материалов (Materials Informatics) , использующая методы машинного обучения для извлечения знаний из больших массивов данных [4, 23]. Это включает:

• Прогнозирование свойств материалов на основе состава и структуры.
• Обратный дизайн — поиск составов и структур с заданными свойствами.
• Автоматическую характеризацию микроструктурных изображений.

Следующий рубеж — полностью автономные лаборатории, где AI управляет экспериментами, обрабатывает данные в реальном времени и принимает решения о следующем шаге без участия человека [22].

---

12. Вычислительный инжиниринг в действии: кейс LEAP 71 и Noyron

В 2026 году компания Electro Optical Systems (EOS) совместно с LEAP 71 продемонстрировала, как вычислительный инжиниринг (Computational Engineering) и аддитивные технологии могут реализовать принципы, заложенные в дорожных картах, на практике [1].

LEAP 71 является пионером в новой области вычислительного инжиниринга (Computational Engineering) , где сложные физические продукты создаются с помощью крупных программных моделей [4†L34-L36]. В этой парадигме инженеры кодируют свои знания в компьютерные алгоритмы, а результирующая вычислительная модель (Computational Engineering Model, CEM) синтезирует геометрию и предоставляет данные для производственного процесса [4†L36-L38].

Платформа Noyron

Центральным элементом цепочки разработки выступает Large Computational Engineering Model Noyron, созданная компанией LEAP 71 [27]. Noyron представляет собой фундаментальную вычислительную модель для инжиниринга, которая кодирует экспертные знания, физику (например, тепловые модели), правила производственных процессов и связанные данные в единую согласованную структуру [0†L4-L8].

В отличие от традиционных CAD-систем, где конструктор вручную вычерчивает геометрию, Noyron использует принцип параметрического кодирования физических законов. Инженер задаёт высокоуровневые входные параметры (тягу, тип топлива, давление, целевой материал), после чего программный комплекс автономно синтезирует трёхмерную модель, руководствуясь расчётами газодинамики, теплопередачи и прочности [1].

Мультидисциплинарный анализ

Noyron реализует мультидисциплинарный анализ в рамках единого вычислительного конвейера на основе слабосвязанного итерационного решения:

• Гидравлическое сопротивление — решение уравнений Навье-Стокса для турбулентных потоков в каналах регенеративного охлаждения.
• Управление термическими напряжениями — передача полей температур и давлений в структурный блок для анализа термонапряжённого состояния.
• Оптимизация массы — на основе распределения напряжений (по критерию Мизеса) в недогруженных зонах выполняется удаление материала, что позволяет сократить массу компонента на 30–40 % без потери запаса прочности [9].

Материалы и аддитивная печать

Критическим материалом для камеры сгорания выступил сплав CuCr1Zr (медь-хром-цирконий) с теплопроводностью около 350 Вт/(м·К), позволяющей отводить тепловые потоки до 20 МВт/м² [8]. EOS решила проблему печати этого высокотеплопроводного сплава с помощью специализированной оптики и адаптивных стратегий сканирования, обеспечив плотность материала более 99,9 % и герметичность конструкции.

Хронология: от прототипов к промышленным заказчикам

Аппаратная независимость

Платформа Noyron интегрирована с принтерами EOS, HBD, Farsoon и Nikon SLM, работая с материалами от CuCr1Zr до Inconel 718. Это подтверждает, что Noyron оперирует фундаментальными физическими законами, а не настройками конкретного оборудования, что позволяет тиражировать решение на любую индустриальную базу.

---

13. Общие вызовы и перспективы

Несмотря на впечатляющий прогресс, остаются серьёзные вызовы:

Культурные барьеры

Интеграция материаловедения и системного инжиниринга требует не только технических, но и культурных изменений. Специалисты разных дисциплин должны научиться говорить на одном языке и работать в единых цифровых средах [2, 3].

Инфраструктура данных

Стандартизация форматов, онтологий и метаданных остаётся серьёзной проблемой. Без неё обмен данными между организациями и даже внутри крупных корпораций остаётся сложным [4, 19].

Образование

Подготовка кадров нового типа — специалистов, владеющих одновременно материаловедением, вычислительными методами, наукой о данных и системным мышлением — требует пересмотра образовательных программ [3, 9].

Интеллектуальная собственность

Вопросы защиты интеллектуальной собственности и экспортного контроля ограничивают обмен данными и моделями между организациями, замедляя прогресс [2, 4].

---

Сравнительная таблица по регионам

---

Заключение: Путь к 2040 году

Анализ ключевых дорожных карт и стратегических инициатив показывает удивительный консенсус: будущее материаловедения — за цифровым континуумом, объединяющим многомасштабное моделирование, экспериментальную характеризацию, управление данными, искусственный интеллект и цифровые двойники в единую экосистему.

Кейс LEAP 71 и Noyron наглядно демонстрирует, что принципы, заложенные в дорожных картах, уже работают на практике. Цикл «проектирование → моделирование → оптимизация → аддитивное производство → испытания» сокращён до 14 дней, а технологическая платформа демонстрирует аппаратную и материаловедческую независимость [1, 4, 5]. Этот пример подтверждает, что вычислительный инжиниринг (Computational Engineering) , основанный на кодировании физических законов и логики проектирования, становится мощным инструментом в рамках общего цифрового инжиниринга (Digital Engineering) , объединяющего весь жизненный цикл создания изделий.

Ключевые выводы:

1. Интеграция — главный приоритет. Отдельные инструменты и методы уже существуют; задача — соединить их в работающие цепочки [2, 3].

1. Данные — новая валюта. Инфраструктура данных, основанная на FAIR-принципах, является фундаментом всей экосистемы [4, 19].

1. AI/ML — ускоритель. Искусственный интеллект не заменяет физическое понимание, но многократно ускоряет его применение [21, 22].

1. Культурные изменения не менее важны, чем технологические. Без смены парадигм мышления и организации работы даже лучшие технологии останутся невостребованными [2, 3].

1. Доверие к моделям — основа цифровой сертификации. Стандарты V&V (ASME, AIAA) и фундаментальные работы создают методологическую базу для принятия решений на основе моделирования [24, 25, 26].

1. 2040 год — реалистичный горизонт. Дорожные карты задают амбициозные, но достижимые цели при условии скоординированных усилий всех заинтересованных сторон [3].

Материаловедение вступает в новую эру — эру, где цифровые технологии становятся не просто инструментом, а основой методологии. И если текущие тенденции сохранятся, к 2040 году мы увидим не просто эволюцию, а настоящую революцию в том, как создаются и применяются материалы.

---

Список литературы (в порядке цитирования)

1. EOS напечатала ракетный двигатель за 2 недели: ИИ заменил инженеров-конструкторов [Электронный ресурс] // iXBT.com. – 26.07.2026. – URL: https://www.ixbt.com/live/3d-modelling/eos-napechatala-raketnyy-dvigatel-za-2-nedeli-ii-zamenil-inzhenerov-konstruktorov.html (дата обращения: 27.07.2026).

1. Implementing Integrated Computational Materials Engineering (ICME) in the Aerospace, Automotive, and Maritime Industries [Текст] / The Minerals, Metals & Materials Society (TMS). – Warrendale, PA : TMS, 2013. – 150 p.

1. Vision 2040: A Roadmap for Integrated, Multiscale Modeling and Simulation of Materials and Systems [Текст] / X. Liu, D. Furrer, J. Kosters, J. Holmes ; prepared under Contract NNC15BA06B. – Washington, D.C. : NASA, 2018. – 175 p. – (NASA/CR–2018-219771).

1. Building a Materials Data Infrastructure: Opening New Pathways to Discovery and Innovation in Science and Engineering [Текст] / The Minerals, Metals & Materials Society (TMS). – Pittsburgh, PA : TMS, 2017. – 120 p.

1. Department of Defense Instruction 5000.97: Digital Engineering [Текст] / U.S. Department of Defense. – Washington, D.C. : DoD, 2018. – 35 p.

1. Guidelines for Validation of Engineering Simulations [Текст] / NAFEMS. – Glasgow : NAFEMS, 2025. – 85 p.

1. Materials Genome Initiative Strategic Plan [Текст] / National Science and Technology Council. – Washington, D.C. : Executive Office of the President, 2021. – 45 p.

1. EMMC Roadmap 2025 – Consultation [Электронный ресурс] / European Materials Modelling Council (EMMC). – Vienna, 2025. – URL: https://emmc.eu/news/emmc-roadmap-2025/ (дата обращения: 05.08.2026).

1. EMMC Roadmap on “Digital Transformation of Materials Science” [Текст] / European Materials Modelling Council (EMMC). – 2nd ed. – Vienna : EMMC, 2023. – 85 p.

1. Materials Commons: A Collaboration Platform and Information Repository for the Global Materials Community [Текст] / B. Puchala [et al.] // JOM. – 2016. – Vol. 68, no. 8. – P. 2035–2044. – DOI: 10.1007/s11837-016-1998-8.

1. В РАН обсудили выполнение дорожной карты развития направления «Технологии новых материалов и веществ» [Электронный ресурс] : [сайт] / Рос. акад. наук. – М., 2025. – URL: https://new.ras.ru/press-center/v-ran-obsudili-vypolnenie-dorozhnoy-karty-razvitiya-napravleniya-tekhnologii-novykh-materialov-i-veshch/ (дата обращения: 05.08.2026).

1. Росатом разрабатывает отечественный комплекс цифровых инструментов для создания новых перспективных материалов [Электронный ресурс] // Atomic-Energy.ru. – 2023. – 23 нояб. – URL: https://www.atomic-energy.ru/news/2023/11/23/139426 (дата обращения: 05.08.2026).

1. 中国工程科技2040发展战略·化工、冶金与材料领域报告 (Стратегия развития инженерной науки и технологий Китая до 2040 года: Отчёт по областям химической промышленности, металлургии и материалов) [Текст] / «中国工程科技2040发展战略研究»项目组 (Проектная группа «Исследование стратегии развития инженерной науки и технологий Китая до 2040 года»). – 北京 (Пекин) : 科学出版社 (Научное издательство), 2025. – 356 с. – ISBN 978-7-5088-6748-9.

1. 面向2040的发展战略：我国先进材料领域的关键共性技术与颠覆性技术 (Стратегия развития до 2040 года: Ключевые общие технологии и прорывные технологии в области передовых материалов Китая) [Электронный ресурс] // ChinaFM.org.cn (официальный портал Китайской инженерной академии). – 2026. – 9 апр. – URL: https://www.chinafm.org.cn (дата обращения: 05.08.2026).

1. 15张图详解2040新材料发展路线图 (Дорожная карта развития новых материалов до 2040 года: подробный разбор в 15 иллюстрациях) [Электронный ресурс] // Cailiaodata.com (портал материаловедческих данных Китая). – 2026. – 3 июля. – URL: https://www.cailiaodata.com (дата обращения: 05.08.2026).

1. マテリアル・イノベーション2040：自動車・電子部品・半導体キーマテリアル技術ロードマップ (Инновации в материалах 2040: Дорожная карта ключевых материальных технологий для автомобильной промышленности, электронных компонентов и полупроводников) [Текст] / 日経BP (Nikkei BP). – 東京 (Токио) : 日経BP (Nikkei BP), 2026. – 320 с. – ISBN 978-4-296-20286-7.

1. マテリアル革新力強化戦略 (Стратегия укрепления инновационного потенциала в области материалов) [Электронный ресурс] / 内閣府 (Канцелярия Кабинета министров Японии). – 東京 (Токио), 2025. – 4 июня. – URL: https://www8.cao.go.jp (дата обращения: 05.08.2026).

1. 「マテリアル（重要鉱物・部素材）」分野ロードマップ（案） (Дорожная карта по направлению «Материалы (стратегические полезные ископаемые и компонентные материалы)» (проект)) [Электронный ресурс] / 経済産業省 (Министерство экономики, торговли и промышленности Японии). – 東京 (Токио), 2026. – 21 апр. – URL: https://www.meti.go.jp (дата обращения: 05.08.2026).

1. Wilkinson, M.D. The FAIR Guiding Principles for Scientific Data Management and Stewardship [Текст] / M.D. Wilkinson, M. Dumontier, I.J. Aalbersberg [et al.] // Scientific Data. – 2016. – Vol. 15, Issue 3. – DOI: 10.1038/sdata.2016.18.

1. A Decade of Digital Twins in Materials Science and Engineering [Текст] // ScienceDirect. – 2025. – URL: https://www.sciencedirect.com (дата обращения: 05.08.2026).

1. Computation and machine learning for materials: Past, present, and future perspectives [Текст] // MRS Bulletin. – 2025. – URL: https://www.mrs.org/bulletin (дата обращения: 05.08.2026).

1. AI4X Roadmap: Artificial Intelligence for the advancement of scientific pursuit [Текст] / arXiv. – 2025. – URL: https://arxiv.org (дата обращения: 05.08.2026).

1. Materials Informatics at NASA GRC: Machine Learning Surrogate Modeling, Data Management, and Integrated Toolsets [Текст] / NASA Glenn Research Center. – Cleveland, OH : NASA, 2024. – 30 p.

1. ASME V&V 10-2006 (R2016): Guide for Verification and Validation in Computational Solid Mechanics [Текст] / American Society of Mechanical Engineers. – New York : ASME, 2006. – 36 p.

1. AIAA G-077-1998(2002): Guide for the Verification and Validation of Computational Fluid Dynamics Simulations [Текст] / American Institute of Aeronautics and Astronautics. – Reston, VA : AIAA, 1998. – 35 p.

1. Oberkampf, W.L. Verification and Validation in Scientific Computing [Текст] / W.L. Oberkampf, C.J. Roy. – New York : Cambridge University Press, 2010. – 767 p. – ISBN 978-0-521-11360-1.

1. LEAP 71. Noyron Computational Engineering Model [Электронный ресурс] // LEAP 71. – URL: https://leap71.com/noyron (дата обращения: 27.07.2026).

1. Digital Material Twins [Электронный ресурс] / Fraunhofer Institute for Mechanics of Materials IWM. – URL: https://www.iwm.fraunhofer.de (дата обращения: 05.08.2026).

1. LEAP 71. The Exploration Company Licenses LEAP 71’s Noyron RP for the Design of Next-Generation Rocket Engines [Электронный ресурс] // LEAP 71. – 24.03.2026. – URL: https://leap71.com/2026/03/24/the-exploration-company-licenses-leap-71s-noyron-rp-for-the-design-of-next-generation-rocket-engines/ (дата обращения: 27.07.2026).

1. NSF DMREF Program [Электронный ресурс] : Designing Materials to Revolutionize and Engineer our Future / National Science Foundation. – URL: https://www.nsf.gov/funding/pgm_summ.jsp?pims_id=505289 (дата обращения: 05.08.2026).

Расшифровка аббревиатур