Генеративный ИИ может облегчить ученым подготовку заявок на федеральные гранты. Но у этого удобства обнаружилась знакомая цена: проекты, написанные с заметным участием нейросетей, чаще напоминают исследования, которые недавно уже получили финансирование. В Национальных институтах здравоохранения США такие заявки чаще выигрывали гранты, а сами гранты сопровождались небольшим ростом числа публикаций в первые год-два. Правда, прибавка пришлась главным образом на обычные статьи, а не на громкие научные прорывы.
К таким выводам пришли авторы исследования, опубликованного в журнале PNAS. Они изучили заявки и гранты Национального научного фонда США (NSF) и Национальных институтов здравоохранения (NIH). В США именно грантовые конкурсы часто становятся отправной точкой академического исследования: ученые описывают будущую работу в заявке и соревнуются за государственное финансирование — то есть за деньги налогоплательщиков.
Нейросеть пишет быстрее, но куда ведет эта скорость?
За последние годы ученые все чаще используют большие языковые модели — программы, обученные на огромных массивах текстов. Они генерируют и редактируют текст, подбирая вероятные последовательности слов. Грантовая заявка появляется раньше экспериментов, найма сотрудников и публикаций. Поэтому изменения на этапе ее подготовки могут повлиять на то, какие научные вопросы вообще будут изучать.
ИИ быстро вошел в повседневную научную работу после запуска ChatGPT в конце 2022 года. Анализ более миллиона научных статей, опубликованный в 2025 году, отслеживал изменения словаря в препринтах и журнальных публикациях до сентября 2024-го. По оценке авторов, доля текста, измененного с помощью ИИ, постепенно росла и в статьях по компьютерным наукам достигла примерно 22 процентов. Нейросети добрались и до научной экспертизы: исследование рецензий на конференциях по компьютерным наукам оценило долю текстов с признаками существенной переработки ИИ в 6,5–16,9 процента. Особенно часто такие признаки встречались ближе к сроку сдачи рецензий — удивительно, как быстро дедлайн становится общим языком людей и машин.
Языковые модели помогают приводить сложный текст в порядок. Но они опираются на закономерности из уже опубликованных статей и открытых архивов грантов. Отсюда тревожный вопрос: не начинают ли они подталкивать исследователей к уже знакомым темам? Такие модели обычно предлагают вероятные, типичные для конкретной области формулировки, поэтому новые проекты могут сильнее тяготеть к привычным научным нормам.
Эта опасность согласуется с результатами другого исследования 2026 года, охватившего более 41 миллиона публикаций по естественным наукам. Ученые, использовавшие ИИ, выпускали примерно втрое больше статей и получали почти в пять раз больше цитирований, чем коллеги без таких инструментов. Но общий диапазон тем, которыми занималась наука, сократился почти на 5 процентов. Индивидуальная продуктивность росла — коллективное разнообразие, как водится, не спешило за ней.
Проверить, происходит ли то же самое в конкурсах на государственные гранты, трудно: заявки, оставшиеся без финансирования, обычно конфиденциальны. К тому же быстро написать текст — не то же самое, что быстро провести лабораторный эксперимент, собрать команду и получить данные. Чтобы изучить связь между использованием ИИ, тематикой заявок, решениями о финансировании и последующими публикациями, Ифань Цянь (Yifan Qian) и его коллеги из Northwestern University объединили закрытые университетские данные с общенациональными сведениями о выданных федеральных грантах.
Что именно изучали
Исследователи собрали четыре набора данных о заявках и грантах, стартовавших в 2021–2025 годах. Два конфиденциальных массива из двух крупных американских исследовательских университетов включали одобренные, отклоненные и еще рассматривавшиеся заявки: всего 1600 заявок в NSF и 4100 — в NIH.
Еще два открытых набора из исследовательской базы Dimensions охватывали все профинансированные гранты по стране за тот же период: 57 тысяч грантов NSF и 74 тысячи грантов NIH. Обезличенные данные, использованные в основном анализе, исследователи опубликовали в открытом доступе.
Чтобы оценить участие ИИ в подготовке аннотаций, команда использовала статистический метод, разработанный для анализа более миллиона научных статей. Он сравнивает частоту употребления слов в человеческих и машинно отредактированных текстах. За исходный образец языка без ChatGPT взяли открытые аннотации к грантам 2021 года, а затем попросили модель OpenAI GPT-3.5 переписать те же тексты и определить характерные для ИИ словесные закономерности. На основе этих ориентиров авторы оценивали долю предложений, измененных ИИ, за скользящие трехмесячные периоды и в каждой отдельной аннотации.
До конца 2022 года предполагаемое участие ИИ почти не менялось. В 2023-м оно резко пошло вверх — и в университетских заявках, и среди профинансированных проектов NSF и NIH. В NIH рост шел по той же траектории, что и в NSF, но общий уровень был ниже. Среди грантов, начавшихся в 2023–2025 годах, обнаружились две группы: в одних аннотациях следы ИИ были почти незаметны, в других машинно измененные предложения составляли примерно 10–15 процентов.
Картина сохранялась, когда исследователи повторяли анализ с Claude, Gemini и Llama, а также после удаления рекламных модных слов и терминов, связанных с ИИ. Иными словами, результат не сводился к тому, что ученые стали чаще писать «инновационный» или упоминать нейросети.
Затем авторы измерили тематическую самобытность каждой аннотации — то, насколько ее тема и содержание отличались от недавно профинансированных проектов. Для этого они использовали специализированную научную языковую модель, которая переводит смысл текста в числовые координаты. Для каждой аннотации 2023–2025 годов рассчитывали среднее расстояние до грантов, выданных тем же ведомством в предыдущем году. Затем проект получал место в процентильном рейтинге внутри своего ведомства и года. Проще говоря, ученые проверяли, насколько новая идея действительно новая на фоне того, что недавно понравилось распорядителям грантов.
В статистических моделях учитывали размер запрашиваемого финансирования, год начала проекта, научную область и личность исследователя. Заявки каждого ученого сравнивали с его же другими заявками — это помогало не спутать влияние ИИ с устойчивыми различиями между исследователями, например с особенностями их стиля или опыта.
Идеи становятся ближе к привычным
Во всех четырех группах данных — университетских заявках и открытых грантах NSF и NIH — более активное использование ИИ внутри работ одного и того же ученого было связано с меньшей тематической самобытностью. Проекты оказывались ближе к тому, что соответствующее ведомство профинансировало годом ранее.
Если сравнить грант с уровнем участия ИИ на 75-м процентиле с грантом на 25-м, самобытность проектов NSF снижалась примерно на пять процентильных пунктов, а проектов NIH — примерно на четыре. Это не означает, что каждый такой проект был копией предыдущего. Речь о сдвиге в сторону более привычных для ведомства тем.
Авторы провели и дополнительную проверку. Они взяли человеческие аннотации 2021 года и их версии, переписанные ИИ, не меняя заложенные в них научные идеи. Оценки тематической самобытности у двух вариантов почти совпали. Исследователи считают это признаком того, что сближение связано не только с формулировками: проекты с большим участием ИИ, вероятно, действительно располагаются ближе к недавним приоритетам ведомств. При этом такие заявки не становились дальше от прежних проектов самих ученых. Сдвиг происходил скорее в сторону недавних решений агентства, а не прочь от собственной исследовательской линии автора.
Дальше команда проверила, связано ли участие ИИ с шансом получить финансирование. Для этого использовали конфиденциальные университетские заявки 2023–2025 годов и, как прежде, сравнивали работы внутри группы заявок одного ученого, учитывая область, год и запрашиваемую сумму.
В NSF статистически значимой связи между использованием ИИ и успехом заявки не обнаружили. В NIH результат был другим: переход от 25-го к 75-му процентилю участия ИИ соответствовал примерно четырехпроцентному увеличению вероятности получить грант. Базовую долю успешных заявок в этой университетской выборке статья не указывает, поэтому оценить абсолютный шанс на финансирование по этим данным нельзя.
Публикаций немного больше, прорывов — пока не видно
Чтобы оценить результаты финансирования, исследователи связали гранты NSF и NIH, начавшиеся в 2023 и 2024 годах, с препринтами и журнальными статьями, опубликованными до ноября 2025-го. Препринт — это научная работа, размещенная до прохождения журнального рецензирования. Наблюдение охватывало ранний период: примерно один-два года после начала гранта.
Для NSF статистически значимой связи между уровнем участия ИИ в заявке и числом последующих статей не нашли. Для NIH переход от 25-го к 75-му процентилю соответствовал примерно пяти процентам дополнительных публикаций. Однако этот эффект переставал быть статистически значимым, если учитывать только статьи из верхних пяти или верхнего одного процента самых цитируемых работ в своей области и за свой год.
Иначе говоря, ранний прирост публикаций заметен главным образом среди обычных работ. Данных о том, что заявки с большим участием ИИ чаще приводят к научным сенсациям, исследование не предъявило.
Полученная картина напоминает эксперимент 2024 года с авторами коротких рассказов. Когда писателям давали идеи, предложенные ИИ, отдельные рассказы получали более высокие оценки за качество и увлекательность, но становились похожее друг на друга. Однако новое исследование изучало реальные научные гранты, а не короткую прозу в экспериментальных условиях.
Похожий эффект обнаружили и в лабораторном исследовании словесного творчества: модели ИИ сравнялись с людьми или превзошли их по индивидуальным оценкам, но выдавали гораздо более однообразные ответы. Это тоже были задания на вербальное творчество, а не заявки на научное финансирование, так что прямое сравнение здесь ограничено.
Авторы отдельно проверили, не объясняется ли разница между NIH и NSF просто разным составом дисциплин. Они ограничили анализ биомедицинскими и клиническими исследованиями, представленными в NSF, NIH и Министерстве обороны США. Различия между ведомствами сохранились. Значит, одной только специализацией грантов их не объяснить.
Исследователи предполагают, что дело может быть в правилах экспертной оценки. Возможно, комиссии NIH чаще поощряют выполнимые, постепенные проекты, рассчитанные на стабильный поток публикаций, а ИИ помогает заявителям точнее подстроить текст под такой формат. Кроме того, журнальные статьи составляют большую долю ожидаемых результатов грантов NIH, тогда как NSF часто финансирует также программное обеспечение, наборы данных, приборы и обучение. Но пока это лишь возможные объяснения: исследование их не проверяло.
В целом авторы предполагают, что генеративный ИИ уже помогает быстрее оформлять и доносить идеи, но не устраняет более медленные материальные ограничения науки — необходимость проводить эксперименты и собирать данные. Нейросеть может ускорить заявку; лабораторная центрифуга, как ни странно, пока не умеет работать от вдохновения.
Что эти результаты не доказывают
Исследование наблюдательное, поэтому оно не доказывает, что именно ИИ заставляет ученых выбирать более осторожные темы или повышает их шансы на грант NIH. Сравнение заявок одного исследователя с его другими работами позволяет учесть постоянные личные особенности, но не исключает все возможные причины различий. Например, ученые могут активнее пользоваться ИИ, когда изначально готовят более простые, постепенные или подходящие под приоритеты ведомства проекты.
Оценка участия ИИ по словарю аннотаций показывает, как проект описан, но не учитывает все возможные способы применения нейросетей. Они могли помочь придумать гипотезу, проанализировать предварительные данные или подготовить полное техническое описание — и такой вклад метод мог не заметить.
Показательно, что сами авторы указали в статье: для улучшения языка и читаемости рукописи они использовали GPT-5 и Claude Opus 4. ИИ, таким образом, обсуждали не только в теории — он помогал редактировать отчет о его роли в науке.
Закрытые данные о заявках поступили всего из двух крупных исследовательских университетов. Поэтому пока неизвестно, повторится ли такая картина в небольших колледжах и специализированных институтах. Кроме того, анализ публикаций охватывал лишь первые год-два работы грантов, начавшихся в 2023 и 2024 годах. Проверки более старых грантов показывают, что раннее число статей отражает заметную часть будущего результата и помогает оценить долгосрочную продуктивность, но для выводов о поздних прорывах все равно нужно больше времени.
Исследование под названием «The rise of large language models and the direction and impact of US federal research funding» подготовили Yifan Qian, Zhe Wen, Alexander C. Furnas, Yue Bai, Erzhuo Shao и Dashun Wang.
