В 2026 году у профессора Чикагского университета Николаса Полсона из Chicago Booth вышло 257 научных препринтов. За один год. Формально это были обычные работы: соавторы, ссылки, оформление на месте. Отличалось одно: тексты писал не Полсон, а генеративный ИИ, обученный на его же прошлых статьях. Когда история получила огласку, SSRN, крупнейший архив препринтов по социальным наукам, удалил все 257 работ. Так ИИ-слоп добрался до науки: не как сюжет из антиутопии, а как 257 файлов в главной библиотеке препринтов.

Это не курьёз одной лаборатории. У науки появился собственный канал массового производства ИИ-текста, и экосистема пока не понимает, что с ним делать. Разбираем, что именно произошло, какие инструменты возникли в ответ, почему Нидерланды спорят о пятой части диссертаций и при чём здесь задачи по теоретической физике за три доллара.

Что случилось в Chicago Booth

Формально произошедшее выглядит как злоупотребление препринт-сервером. Полсон выложил сотни работ за 2026 год, часть в соавторстве с коллегами. Ни одна не проходила рецензирование, но для препринтов это норма: SSRN и arXiv проверяют загрузки минимально, а качество должно оценивать сообщество уже после публикации. Сбой случился на масштабе: при потоке в сотни работ в год очередь читающих растёт быстрее, чем кто-либо успевает её разгребать. Первой отреагировала платформа: после разбирательств SSRN снял всю серию из 257 статей.

Реакция автора добавила истории остроты. В письме Washington Post Полсон предположил, что критика его работ может объясняться завистью коллег, и отметил, что ИИ делает продуктивного исследователя намного продуктивнее. Это не сатира и не пародия, а объяснение позиции.

Откуда взялся поток, обозреватели объясняют по-разному: эксперимент, шутка, кто-то публикует под чужим именем, наконец, интеллектуальный сквоттинг, то есть попытка застолбить перспективные темы на будущее. Правдоподобнее всего выглядит самый скучный вариант: автоматизация. Судя по разборам, Полсон собрал ИИ-версию себя на основе своих же статей и диссертации, и бот просто продолжил публиковаться. Технически это несложно. Именно поэтому кейс важен: он воспроизводим кем угодно.

Почему препринты стали каналом для ИИ-слопа

Слопом называют сгенерированный ИИ контент в промышленных объёмах: формально связный, но пустой по сути. В вебе с ним воюют годы, а в науке он до недавнего времени считался проблемой рецензий и конференций: жюри жаловались на наплыв ИИ-текстов в заявках. Случай Полсона переводит тему на новый уровень, потому что удар пришёлся по препринтам. А препринт-сервер устроен просто: загрузил PDF, получил идентификатор, попал в индекс. Открытость и скорость сделали такие архивы главным каналом научной коммуникации. Они же сделали их самым дешёвым способом залить науку ИИ-текстом.

Проблема глубже, чем один архив. Наука держится на доверии к записи: опубликованную работу учитывают в обзорах, цитируют, включают в грантовые отчёты. Сотни сгенерированных статей встают в эту машинерию на равных с настоящими, и отличить их без специальной проверки не может никто. У научного сообщества при этом нет процедуры быстрой массовой уборки: каждый случай разбирается вручную, а модерация одного архива заняла недели. Похоже, это только первый крупный прецедент.

Как распознать ИИ-слоп в статье

Формально отличить слоп от добросовестной работы несложно, если читать не заголовок, а тело статьи. У ИИ-текста обычно нет ни данных, ни кода, ни деталей эксперимента: методология описывается общими словами, результаты подаются гладкими выводами без чисел, а список литературы набран формально, без связи с аргументацией. Выводы звучат широко и безопасно: подход перспективен, тема требует дальнейшего изучения. Главный маркер для читателя-исследователя такой: после статьи нечего воспроизвести и не с чем спорить.

Отдельный признак это скорость. У настоящей работы есть след: черновики, обсуждения, ответы на критику, в идеале данные. 257 текстов за год не оставляют времени ни на что подобное, и в этом смысле серия Полсона читается как сигнал, а не как рекорд продуктивности.

Детектор идей: IdeaLens

Пока архивы разбираются с файлами, исследователи строят защиту. Команда из Мэрилендского университета выпустила IdeaLens, инструмент, который ищет ИИ не в тексте, а в идеях. Логика такая: стиль уже научились маскировать, а вот производные идеи выдают машину. Мысль из работы, которую модель где-то видела и пересобрала, оставляет узнаваемый след. В тестах детектор выявлял такие идеи в 91% случаев, причём работал даже с одними набросками и планами статей, без финального текста.

Ограничения признают и авторы: инструмент ошибается, и его сигнал не может быть доказательством подлинности или подлога. Это ровно та же проблема, что у детекторов ИИ-текста: вероятность, а не факт. И тут возникает неудобный вопрос. Если главный вред ИИ-слопа в пустых идеях, то, может, стоит оценивать вклад, а не выяснять, кто нажал кнопку? Запретительная логика легко превращается в гонку вооружений, в которой страдают и честные авторы.

Google Deep Review: рецензент-агент

Google тем временем выпустил Deep Review, агентную систему, которая даёт обратную связь в стиле конференционной рецензии и техническую верификацию документов. Изначально инструмент строили для статей по computer science, теперь он работает и с другими доменами, включая юридические и финансовые документы. Пользоваться можно через собственный ключ Gemini API, два ревью в неделю бесплатно, с Gemini 4 Argon в режиме medium effort. Google подчёркивает, что система проверена на конференциях и заботится о приватности загружаемых работ.

Смысл тренда просто зафиксировать: ИИ начинает проверять ИИ. Если слоп производится быстрее, чем люди успевают читать, рецензирование придётся автоматизировать, и это уже происходит. Пока Deep Review позиционируется как ассистент для авторов, но логика двух бесплатных ревью в неделю намекает на будущее, где ИИ-рецензент станет такой же нормальной частью процесса, как проверка на плагиат.

Нидерланды: каждая пятая диссертация под вопросом

Параллельная история развернулась вокруг студенческих работ. Нидерландский вещатель прогнал сотни свежих диссертаций через детекторы и заявил: в каждой пятой вклад ChatGPT, Claude или Gemini больше, чем вклад самого студента. Министр тут же поднял тему мошенничества в масштабах страны. Университеты отреагировали осторожнее: детекторы ненадёжны, их показания нельзя класть в основу обвинения, а ложные срабатывания случаются регулярно, включая тексты, написанные задолго до появления генеративных моделей.

Здесь сталкиваются две несовместимые позиции. Политикам нужен простой критерий: если ИИ написал больше половины, значит, обман. Исследователям нужен содержательный разговор: какие идеи защищены в работе и понимает ли автор то, что подписал. Пока стороны спорят, промежуточный итог неудобен для всех: детекторы слишком слабы для приговоров, но достаточно громкие, чтобы запускать скандалы.

Вопрос, который никуда не уходит: где заканчивается помощь и начинается подмена. ИИ для вычитки, перевода или структурирования текста это одно. ИИ, который формулирует аргументы и делает выводы, это уже другое. Детекторы стирают эту границу, оценивая текст целиком, а академические правила почти нигде не прописывают её явно. Нидерландский кейс показывает цену такой неопределённости: скандал вспыхнул, а внятных критериев, что считать нарушением, так и не появилось.

Физика за $3: контрапункт к разговору о слопе

На фоне истории с 257 статьями свежая новость из физики звучит как контрапункт. Исследователи собрали бенчмарк из 50 неопубликованных задач по теоретической физике уровня научных статей: у каждой есть проверяемый ответ. GPT-6 Astra решил 49 из 50 задач и потратил меньше трёх долларов на каждую.

Но интереснее другое. Изначально счёт модели был ниже, и она настаивала, что часть решений засчитана неверно. Эксперты перепроверили свои эталонные ответы и нашли у себя ошибки в расчётах, после чего результат Astra вырос до 98%. Единственная нерешённая задача оказалась подвохом: чтобы её решить, нужно сделать вдохновлённую догадку и слегка согнуть правила, этого модель пока не умеет. Отсюда вопрос, который теперь висит над аспирантурой: если задача уровня PhD стоит три доллара, зачем отдавать её человеку?

Похожий сюжет случился в MIT. Профессор отдала Claude все материалы своих бывших аспирантов, и модель опровергла конъектуры, над которыми они работали. Деталь, которую легко пропустить: с подробными конспектами и указаниями модель работала блестяще, а без них буксовала. То есть интеллектуальный вклад человека никуда не исчез, он сместился в постановку задачи. Остался вопрос атрибуции: кому достаются лавры, если человек только собрал материалы и отправил промпт? Ответа у академии пока нет.

Что меняется по сути: бенчмарки для ИИ переехали с олимпиадных задач на неопубликованные исследования. Модель по три доллара за попытку не заменяет учёного, но становится дешёвым исполнителем, которого можно прогнать по десяткам гипотез за вечер. Узким местом при этом остаются постановка задачи и проверка результата, и обе по-прежнему требуют человека, который понимает, зачем всё это.

Часто задаваемые вопросы

Что такое ИИ-слоп в науке?

ИИ-слоп в науке это массово сгенерированные научные тексты, которые выглядят как статьи, но не содержат реального вклада. Признаки: поток в сотни работ в год от одного автора, отсутствие рецензирования, шаблонные рассуждения и поверхностные выводы. Случай на 257 статей показал, что такой конвейер можно построить за один год.

Можно ли отличить ИИ-статью от человеческой?

Надёжного способа нет. Детекторы текста дают вероятностные оценки и часто ошибаются. Новая система IdeaLens ловит ИИ-производные идеи в 91% случаев, но её авторы сами называют результат сигналом, а не доказательством. Университеты официально предупреждают: показания детекторов нельзя использовать как единственный аргумент в обвинении.

Заменят ли ИИ-агенты рецензентов?

Пока нет, но частично уже дополняют. Google Deep Review даёт рецензии в стиле конференций и два бесплатных разбора в неделю, это помощник для авторов. Итоговое суждение о научной ценности остаётся за людьми: модель проверит расчёт, но не отвечает за вкус, контекст и репутацию.

Итог

История с 257 препринтами показала, что ИИ-слоп в науке перестал быть гипотезой. Крупнейший препринт-архив получил первый массовый кейс, удалил сотни работ и обнаружил, что у науки нет готовых процедур для таких уборок. Ответ появился быстро: детектор идей IdeaLens, агент-рецензент Deep Review и осторожные позиции университетов, которые уже поняли, что одними запретами проблему не решить.

Но тот же год показал и другое. Модель за три доллара решает физическую задачу, где ошибались эксперты. Claude опровергает конъектуры аспирантов, если получает хорошие наброски. Спор идёт не про ИИ в науке вообще, а про способ его использования: конвейер для слопа или инструмент, который сжимает годы работы в недели. Финальный вопрос упирается в ответственность: важно не то, сколько статей выходит, а кто отвечает за их содержание.

А вы как считаете: детекторы ИИ-идей спасут науку или превратят её в гонку с собственным отражением? Подборку новостей об ИИ в академии, на которой основан этот разбор, можно посмотреть у Энди Стаплтона: AI News for Academics.