Язык — основа человеческого общения и, наряду с математикой, среда, в которой наука формулируется, выполняется, обсуждается и распространяется. Технология, которая меняет наши отношения с языком, неизбежно меняет и то, как мы занимаемся наукой иcommunicate её.
Пять лет назад мы писали в Eos о практических применениях машинного обучения для учёных в области наук о Земле и космосе. С тех пор появление больших языковых моделей (LLM) действительно стало преобразующим, резко расширив спектр возможностей и инструментов искусственного интеллекта (ИИ), доступных учёным.
Значительная часть работы учёных состоит в переводе идей в слова — в виде рукописей, заявок и рецензий, — а также в код и рисунки. Хотя человеческая научная проницательность и коммуникация остаются незаменимыми, эта работа по своей сути лингвистическая и часто в значительной степени процедурная — именно те области, в которых LLM могут преуспеть.
Однако эта новая технология стала поляризующей. Многие учёные используют её ежедневно, другие остаются скептичными, а некоторые чувствуют себя брошенными. LLM способны автоматизировать множество задач и опираться на огромные хранилища накопленной онлайн-информации для решения myriad вопросов. Однако они также допускают ошибки, неверно понимают контекст и иногда нарушают свои ограничения. Учёные могут, сознательно или нет, использовать системы ИИ способами, которые неэтичны или незаконны, например, если они используют LLM для рецензирования или анализа неопубликованных конфиденциальных материалов так, что это раскрывает интеллектуальную собственность авторов без их ведома или согласия.
На фоне реальных и обоснованных опасений по поводу LLM мы считаем, что эта технология тем не менее предлагает мощные инструменты, которые учёные могут продуктивно использовать для улучшения и значительного ускорения своей работы. Наша цель здесь практическая: описать конкретные способы, которыми LLM могут поддерживать повседневные исследования, где пересекаются язык, код, математика и рассуждения.
Науки о Земле и космосе — идеальная испытательная площадка, поскольку многие приложения по своей сути объединяют физическую теорию, численное моделирование и сложную обработку данных. Следующие семь вариантов использования не являются ни исчерпывающими, ни непредвзятыми; они отражают наш непосредственный опыт и призваны вдохновить читателей эффективно и ответственно исследовать эти новые инструменты в своей работе и придумывать дальнейшие применения и расширения перечисленных ниже идей.
1. Программирование и кодирование
Программирование — рабочая лошадка современной науки. Исследователи регулярно пишут скрипты для загрузки и обработки файлов и данных, запуска моделей, создания рисунков и обратной разработки устаревшего кода. Эти задачи редко составляют основной научный вклад, но потребляют значительные объёмы исследовательского времени.
LLM, получая запросы на простом тексте, могут резко ускорить этот рабочий процесс, генерируя, отлаживая, объясняя и переводя код практически на любом крупном языке программирования. Мы рассматриваем помощь в кодировании как использование LLM с наиболее непосредственным и практическим влиянием на повседневную науку.
Однако, поскольку LLM могут генерировать правдоподобно выглядящий код, содержащий тонкие ошибки, тщательное тестирование, проверка и валидация остаются необходимыми. По мере того как генерация кода становится всё более автоматизированной, умение писать код с нуля может стать менее важным, чем способность разрабатывать диагностические тесты и контрпримеры, которые выявляют ошибки и устанавливают, ведёт ли код себя так, как задумано.
2. Научное письмо и вычитка
Учёные также тратят значительные усилия на написание текстов в различных форматах и для разной аудитории. Некоторые форматы, такие как статьи в научных журналах, грантовые заявки и отчёты рецензентов рукописей, как правило, следуют хорошо-established структурным условностям. Например, исследовательские статьи обычно состоят из аннотации и введения, за которыми следуют разделы о методах, результатах и так далее. Эта согласованность в форматировании делает подготовку рукописей полезным и растущим применением для LLM.
LLM могут дополнительно демократизировать научное publishing, помогая исследователям преодолевать барьеры при написании на неродных языках.
Действительно, LLM могут помогать на многих этапах процесса drafting. Они могут превращать черновые заметки или голосовую диктовку в связную прозу, уточнять описания методологии, сокращать и уплотнять аннотации и составлять подписи к рисункам, позволяя исследователям больше времени уделять рассмотрению иcommunicate своих основных научных утверждений и интерпретаций. LLM также могут дополнительно демократизировать научное publishing, помогая исследователям преодолевать барьеры при написании на неродных языках, — преимущество, которое мы видим среди коллег в наших собственных лабораториях практически каждый день.
Написание заявок — высокоставочная и трудоёмкая деятельность — ещё одна задача, в которой LLM могут быть полезны. Заявки требуют убедительного повествования, сочетающего научные амбиции, проницательность, экспертизу и осуществимость. LLM, опираясь на опубликованную литературу, могут выступать в роли экспертных резонаторов, помогая исследователям превращать предварительные идеи в конкретные цели, выявлять слабые места и недостающие компоненты, такие как пропущенные ссылки, и разрабатывать стратегии снижения рисков (то есть запасные планы, если первоначально предложенный рабочий процесс исследования не оправдает себя). Они также могут предлагать способы переписывания технического текста, подходящего для междисциплинарных рецензионных панелей, и поддерживать согласованность между целями, задачами, результатами и ожидаемыми итогами.
Однако наряду с плюсами беглое письмо ИИ может легко скрывать и даже вносить неверные или ошибочные рассуждения, а также изобретать источники и ссылки. Поэтому каждое утверждение и ссылка, созданные с помощью LLM, должны быть строго проверены на точность и согласованность. Учёным также следует соблюдать текущие политики издателей и учреждений в отношении раскрытия использования ИИ и запретов на загрузку неопубликованных и конфиденциальных материалов в коммерческие системы ИИ.
3. Ускорение расчётов
Многие научные расчёты в принципе просты, но могут требовать утомительных многошаговых выводов и упрощений уравнений — процесс, который легко становится подверженным ошибкам. LLM могут помочь выводить уравнения шаг за шагом; предлагать полезные соотношения, математические тождества или приближения; проверять промежуточную алгебру на ошибки; и переводить физические описания в математическую форму.
Кроме того, перед запуском численных моделей исследователям часто приходится переводить своё физическое понимание системы в математику. Этот шаг может включать определение основных действующих процессов, формулирование управляющих уравнений, масштабирование переменных так, чтобы уравнения было легче сравнивать и анализировать, и проверку поведения модели в простых или экстремальных случаях.
LLM могут ускорить этот процесс, создавая прозрачную линию рассуждений, которую учёные могут эффективно проверять, верифицировать и уточнять. В отличие от выводов, представленных в статической журнальной статье, исследователи могут попросить систему ИИ расширить и объяснить любые неясные шаги, предоставив столько деталей или примеров, сколько необходимо.
4. Поиск литературы
Корпус научной литературы растёт гораздо быстрее, чем любой человек может прочитать. Учёные, особенно входящие в новую область, должны определять ключевые статьи, изучать незнакомую терминологию, отличать установленные результаты от открытых вопросов и связывать идеи между подобластями.
LLM могут ускорить этот процесс, суммируя статьи, сравнивая методы, извлекая повторяющиеся темы и предлагая открытые проблемы и эффективные пути чтения, например, какие основополагающие статьи читать первыми и какие более специализированные исследования последуют. Они также могут помочь исследователям формулировать целевые запросы для дисциплинарных библиографических баз данных, таких как Астрофизическая система данных NASA (ADS), чтобы более эффективно выявлять соответствующие публикации.
Хотя они не заменяют тщательного чтения — LLM иногда могут галлюцинировать ссылки и искажать выводы, — они особенно ценны на ранних этапах исследовательского процесса для уточнения стратегий поиска, организации заметок и синтеза литературы. Чтобы смягчить опасения по поводу галлюцинированных ссылок, исследователям следует проверять ссылки, сгенерированные ИИ, по надёжным библиографическим базам данных, таким как Crossref и ADS.
Распространённая критика заключается в том, что LLM, как статистические модели, естественно сходятся к среднему или наиболее типичному поведению, отдавая предпочтение установленным идеям перед менее заметными. Эта тенденция заслуживает внимания, но она не уникальна для ИИ; человеческие исследователи также находятся под влиянием сетей цитирования и дисциплинарного консенсуса.
Наиболее эффективный рабочий процесс использования помощи LLM для разбора научной литературы интерактивен. Если цель — лучше понять различные методологии, например, исследователи могут загрузить в LLM доверенные статьи, попросить модель сравнить используемые методы или допущения, а затем проверить выходные данные по своему собственному пониманию исходных источников. Используемая таким образом LLM становится литературным гидом, а не заменой научного суждения.
5. Обучение и наставничество
Значительная часть исследовательского обучения происходит неформально, когда студенты задают вопросы и получают экспертные отзывы о, например, том, почему метод выбран в данных обстоятельствах, что означает параметр или как выводится формула. Человеческие наставники незаменимы в этом процессе, но они не всегда доступны немедленно и не всегда могут предоставить студентам достаточно подробные объяснения. LLM могут предоставлять первоначальные объяснения, переводить жаргон, объяснять незнакомый код и предлагать целевые упражнения.
Идея состоит в том, чтобы повысить доступность наставничества, а не заменить его. В отличие от традиционных справочных материалов или наборов задач, LLM может служить высокоадаптивным тьютором: студенты могут задавать дополнительные вопросы бесконечно, просить объяснить одну и ту же концепцию разными способами, запрашивать более простые или более технические версии, прорабатывать примеры шаг за шагом и немедленно исследовать всё, что остаётся неясным. Эта способность поддерживать интерактивное объяснение может помочь студентам развить более глубокое понимание перед встречей с человеческим консультантом, позволяя им сосредоточиться на более сложных или специфических для исследования вопросах в течение ограниченного времени личного общения.
Кроме того, LLM позволяют легко преобразовывать один и тот же материал в несколько форматов обучения. Например, исследователь может загрузить несколько журнальных статей, веб-сайтов и видео в LLM и попросить её суммировать и создать подкаст, который студенты могут слушать в удобное время.
6. Анализ и визуализация данных
Анализ данных в науках о Земле и космосе часто messy. Наборы данных поступают со спутников, наземных станций, кораблей, самолётов, симуляций и продуктов реанализа, обычно каждый со своим форматом, разрешением, неопределённостями и системой координат. Значительная часть работы по анализу заключается в понимании метаданных, очистке и объединении наборов данных и решении, как лучше визуализировать результаты.
LLM могут сократить цикл от постановки научного вопроса до реализации анализа данных до визуализации и интерпретации результатов.
LLM могут помочь исследователям эффективно проектировать рабочие процессы анализа, предлагая шаги анализа (например, где загрузить соответствующие данные, какие проблемы качества данных или флаги перечислены в технических документах или какие лучшие практики существуют для обработки продуктов данных), генерируя код для визуализации данных, объясняя сообщения об ошибках и предоставляя чёткую документацию для облегчения воспроизводимости. Фактически они могут сократить цикл от постановки научного вопроса до реализации анализа данных до визуализации и интерпретации результатов. Повышенная эффективность позволяет исследователям быстрее исследовать больше альтернатив — различные варианты обработки данных, статистические сводки или визуализации — прежде чем остановиться на окончательном анализе.
В будущем предметно-специфические LLM, обученные на наборах данных, литературе и терминологии наук о Земле и космосе, могут стать более полезными, чем модели общего назначения, поскольку они лучше отражают условности и повторяющиеся проблемы области.
7. Формализация рассуждений
Научное рассуждение часто начинается неформально: гипотеза, набросок на доске, интуиция о причине и следствии. Превращение этой интуиции в проверяемый научный аргумент редко бывает простым. LLM могут помочь сделать рассуждение явным, превращая первоначальную идею в строгий исследовательский план.
Вместо того чтобы спрашивать LLM, какой исследовательский вопрос преследовать, мы обнаружили, что полезнее спрашивать, как думать о проблеме. Тогда она становится партнёром по мозговому штурму, а не оракулом, помогая исследователю генерировать и уточнять идеи. Она может выявить скрытые допущения, предложить конкурирующие объяснения или альтернативные рассуждения или определить наблюдения, которые позволили бы различить гипотезы.
Многие научные неудачи в конечном итоге проистекают из ошибок в рассуждениях: неоднозначные гипотезы, круговые аргументы, отсутствующие контроли или выводы, выходящие за пределы доказательств. LLM не гарантируют лучшего рассуждения, но через процесс making аргументов более явными и структурированными они могут помочь исследователям проверять, оспаривать и уточнять собственное мышление.
ИИ как косциплинист
Самое амбициозное видение LLM лежит за пределами их использования в качестве инструментов для отдельных задач, таких как написание кода и суммирование научной литературы. Оно состоит в том, что они могут участвовать в качестве партнёров на каждом этапе научного процесса, потому что каждый этап связан через язык: гипотезы описываются словами, модели выражаются в математике и коде, результаты интерпретируются в рисунках и прозе, а новые вопросы возникают через обсуждение и аргументацию.
В идеале ИИ-косциплинист действовал бы как постоянный collaborator, который может сохранять полный контекст проекта, связывать идеи между дисциплинами, предлагать и критиковать гипотезы, помогать проектировать анализы, интерпретировать результаты и непрерывно уточнять своё понимание по мере появления новых доказательств. Появление агентных систем ИИ, сочетающих языковые модели с инструментами, обеспечивающими выполнение кода, обработку баз данных, символьную математику и научное программное обеспечение, предполагает, что это видение уже приобретает форму.
Цель не должна состоять в автоматизации науки. Она должна состоять в усилении человеческих способностей и любопытства, поддержке научного суждения и ускорении открытий.
Снижая человеческие издержки исследования и итерации, партнёры ИИ могли бы позволить учёным проверять больше гипотез, изучать больше подходов и в целом тратить больше времени на уникально человеческие аспекты науки: решать, какие вопросы стоит преследовать, судить, какие доказательства убедительны, и воображать объяснения, которые ни одна модель не может предвидеть. Цель не должна состоять в автоматизации науки. Она должна состоять в усилении человеческих способностей и любопытства, поддержке научного суждения и ускорении открытий.
Ограничения LLM реальны, и небрежное использование подрывает как индивидуальную кредитоспособность, так и доверие к самой науке. Однако полностью отвергать их означало бы игнорировать исторически значимое развитие в инструментах производства знаний.
В конечном счёте, полезность LLM лучше всего понимать через прямой эксперимент. Мы призываем читателей проверить производительность LLM самостоятельно, начиная с задач, которые они уже хорошо знают. Сравнение подхода модели со своим собственным — один из самых быстрых способов понять как её сильные стороны, так и ограничения. Пусть LLM ускоряет рутинную работу, позволяя учёным проводить науку и оставаться ответственными за неё.
Источники: Camporeale, E., and J. Bortnik (2026), Seven ways to use LLMs in the Earth and space sciences, Eos, 107, https://doi.org/10.1029/2026EO260375. Published on 20 November 2026.

