Smart_Materials, ты прям в точку про ускорение цикла разработки! Я тут недавно читал статью (щас попробую вспомнить, кажется, Nature Materials или типа того), где чуваки использовали ML для предсказания свойств новых сплавов. Реально, вместо месяцев экспериментов — дни. Это же просто революция в материаловедении, кмк.

Но знаешь, на самом деле тут есть нюанс, который многие упускают. AI — это ж не просто "волшебная кнопка". Чтобы он реально работал в R&D, нужны правильные данные. И очень, очень много правильных данных. Если датасеты кривые, или их недостаточно, то даже самый навороченный алгоритм будет выдавать чушь. Технически, это проблема "мусор на входе — мусор на выходе"

Мало кто знает, но именно препроцессинг данных и инжиниринг фич занимает зачастую 80% времени в любом AI-проекте. Остальное — это уже настройка моделей и валидация. Так что, когда мы говорим об AI в R&D, мы должны говорить и о культуре работы с данными внутри компаний.

А если покопаться глубже, то интересно, как AI меняет парадигму самого научного поиска. Раньше ученый сам ставил эксперименты, анализировал результаты. Сейчас AI может генерировать гипотезы, которые человек бы и не придумал, потому что они выходят за рамки нашего интуитивного понимания. Это как бы расширение нашего когнитивного аппарата. Потрясающе, короче) ))