— Тем не менее машинное обучение стало настоящим прорывом для многих областей науки – начиная от ЦЕРНА и заканчивая теми же дипфейками

— Да, потому что эти технологии позволили решить несколько проблем, которые долгое время считались нерешаемыми. Сначала алгоритмы сделали прорыв в играх. Хотя алгоритм, который в свое время обыграл в шахматы Каспарова, строго говоря, основан не на данных, а на технологии, которая по сути занимается перебором вариантов. Сейчас есть новые подходы, когда мы изначально задаем программе правила игры, а дальше она сама генерит огромное количество сценариев и учится на них. На этом принципе построена работа программы AlphaGo разработанной DeepMind, которая обыграла чемпиона мира по игре в го.

Другая важнейшая проблема — это распознавание изображений. Над ней специалисты бились много лет, и вдруг на рубеже 2010-х годов произошел резкий скачок: искусственный интеллект начал это делать лучше, чем человек. Из-за этого сегодня возникла иллюзия, что если у нас будет достаточное количество данных, мы сможем решить любую задачу.

— А почему это не так? Сегодня физики уже научили нейронные сети ставить диагнозы, искать новые материалы и даже управлять термоядерным реактором в Лозане, правда, пока в экспериментальном режиме.

— Существует несколько нерешенных фундаментальных проблем. Первая, известна специалистам как неустойчивость решений сложных нейросетевых алгоритмов. Также качество решений нейросети сильно зависит от качества данных. Фактически машина учится на данных, которые чем-то ограничены. Если вы распознаете кошек среди животных, все будет хорошо до того момента, как у вас появится манул или рысь, которых не было в исходной выборке. Соответственно, система их, скорее всего, не опознает. Реальная жизнь рано или поздно выйдет за контур заданных сценариев и поэтому ошибки в системах машинного обучения неизбежны. Тем не менее мы регулярно слышим о суперэффективных, почти идеальных системах распознавания. Однако полностью им доверять очень опасно, потому что мы можем начать их использовать в областях, для которых они не предназначены. Преувеличенная надежда на такие системы в критически важных производствах уже привела, как знают специалисты, к ряду аварий. То есть вопрос о пределах применимости нейросетей сейчас стоит очень остро.

— Можно привести какой-нибудь пример?

— Например, ошибки бывают сплошь и рядом в медицинских приложениях, потому что постановка диагноза всегда основана на конкретной выборке людей. Если вы изучали больных гриппом, а вдруг появился пациент с ковидом, диагностические системы на основе ИИ будут поначалу давать ошибки просто потому, что в них изначально не заложены соответствующие данные. Эту проблему невозможно устранить целиком просто потому, что так устроена природа: в ней всегда найдется что-то новое. И это одно из глобальных ограничений для применения подобных технологий.

— Существуют и другие ограничения?

— Сейчас возник новый популярный класс киберугроз — закладки через данные. Риски связаны с тем, что результат работы нейросети не описывается аналитически, то есть вы не можете понять, почему система приняла то или иное решение. Ведь что такое обученные нейросети? Это некий алгоритм с триллионами параметров, в котором невозможно разобраться после того, как нейросеть обучена. Изучение принципов работы нейросетей остается отдельной областью науки, где обещано огромное количеству премий тому, кто сможет понять, как они работают.

— Как же тогда там можно разместить закладки?

— Можно специальным образом скомпоновать данные, чтобы алгоритм принимал те решения, которые нужно вам. Причем вы можете это сделать открыто на глазах у всех, потому что код открыт. Это в целом меняет всю философию кибербезопасности, потому что до сих пор все усилия были заточены на поиск закладок в коде или железе, а тут их нет, они прошиты глубже — в самих данных, на которых система учится. И пока нет технологии, которая позволила бы надежным способом эти закладки отлавливать. Поэтому к открытым датасетам для обучения я лично отношусь с настороженностью.

— Можно привести какие-то примеры, о чем идет речь?

— Профессионалы знают, что можно настроить систему так, что ваш номер машины не будет распознаваться камерами. Или особым образом нанести на лицо грим и, опять же, камеры перестанут вас распознавать.

С помощью закладки можно заставлять систему работать по-другому. Например, при кодовом слове или изображении, которое внешне ничем не отличается от других, система начинает работать так как нужно вам.

Если наложить особую рябь на изображение, которую не видит человеческий глаз, то компьютер начнет опознавать его как-то иначе, например, считать человека пандой. Это очень смешно, до той поры, пока такие кибератаки не касаются чего-то серьезного. Например, такую закладку можно встроить в алгоритмы управления беспилотным автомобилем: обычно машина останавливается, если «видит» знак STOP, но если на него нанести особый шум, она вдруг начнет мчаться со скоростью 150 км/час. В принципе, сейчас такую штуку может сделать любой специально подготовленный студент. Так что вопрос новых классов киберугроз чрезвычайно серьезный.

— Проблема в том, что человеку хочется доверять новым технологиям, и он с удовольствием перекладывает на алгоритмы ответственность за решения. Мало кому приходит в голову сомневаться в работе навигатора и других удобных систем.

— Лень – это механизм, который заложен в нас эволюционно. Если можно не думать, мозг думать не будет, потому что во время мыслительного процесса в организме расходуется очень большое количество энергии. На этом основана куча уловок маркетологов. Зачем смотреть в карту, если можно довериться навигатору? Зачем запоминать телефоны, когда все можно держать в электронном справочнике? Это расслабляет, а потом за все приходится платить. Если ты передоверил часть критически важных функций алгоритму, в какой-то момент этим алгоритмом кто-то захочет завладеть.

— Самый яркий пример, когда алгоритмы напрямую вмешиваются в жизнь человека связан с работой китайского социального рейтинга. С помощью массового наблюдений и сбора больших данных система сама выставляет оценки каждому человеку, и тем самым определяет его положение в обществе. Человек с низким рейтингом не может устроиться на нормальную работу, купить билет на самолет и так далее.

— Китайский, как и любой другой социальный рейтинг, — это зло. Причем основная проблема рейтингов сугубо научная. Те, кто их внедряет, плохо знают математику. Что такое рейтинг по сути? Это попытка (грубой) аппроксимации действительности, то есть попытка свести всю сложную социальную, культурную и прочую реальность к некой модели с конечным количеством параметров. А универсальной модели, которая бы все описывала с помощью конечного количества параметров, до сих пор не существует. Поэтому ошибки в данном случае неизбежны и вопрос только в том, когда они произойдут.

Вторая проблема — это перехват управления. Кто эти рейтинги создает? Кто их считает? Внутри всегда будет находиться программист, сисадмин и другие специалисты. Поэтому рейтинг может очень просто становиться объектом манипуляции Люди, как правило, чувствуют это на подсознательном уровне, и чаще всего к социальным рейтингам в обществе возникает интуитивное отторжение.

— При этом цель рейтинга звучит до боли знакомо: «построение гармоничного социалистического общества».

— Когда говорят, что такие новшества помогут избежать социального взрыва, это не правда. Они только ухудшают ситуацию, потому что усугубляют существующее неравенство и провоцируют недовольство, которое в итоге выльется на эту систему и ее начнут ломать как изнутри, так и снаружи.

— Интересно, что в Евросоюзе тоже разрабатывали что-то подобное, а в прошлом году запретили применять искусственный интеллект для формирования социального рейтинга человека.

— Да, я участвовал в этой дискуссии в свое время на разных международных площадках (в т.ч. ЮНЕСКО) и хотя я вообще то редко соглашаюсь с коллегами из Евросоюза по целому ряду принципиальных вопросов, в данном случае поддерживаю идею моратория на разработку социальных рейтингов. Предположу, что в Евросоюзе весьма мультикультуральное общество, и когда специалисты начали разрабатывать модель для рейтингования, они поняли, что она становится слишком сложной. Такой сложной, что в принципе не сможет работать.

— В России тоже поднималась дискуссия о необходимости "индекса социальной полезности".

— По прогнозам экспертов, к 2025 году 30 % новых лекарств будет конструироваться с помощью методов генеративного ИИ. В какой части создания лекарств он применяется чаще всего?

— В основном для поиска молекул-кандидатов лекарств. Это очень трудоемкий процесс, потому что нужно найти из известных сегодня ста миллионов молекул одну. Более того, сегодня можно генерить и синтезировать новые молекулы, не существующие в природе. Создаются огромные синтетические базы данных, где тоже можно искать кандидатов в лекарства.

— Где хранятся все эти биомедицинские библиотеки? Гиганты наподобие Google располагают свои «дата-центры» за полярным кругом и на северных нефтяных платформах, где много холодной воды.

— На самом деле сто миллионов молекул— это не так много, потому что структура молекулы записывается очень небольшим количеством данных. Такую базу можно сохранить и на персональном компьютере. Кстати, поэтому больше всего на кибербезопасности повернуты фармкомпании: конкурентам нужно украсть не терабайт, а даже не гигабайт данных. Структура молекулы занимает меньше килобайта, и ее можно набросать на листке бумаги или записать точками и тире.

А вот когда мы говорим о поиске молекул по синтетическим базам данных, то там уже речь идет о миллиардах и даже триллионах единиц, поэтому для такой работы нужно строить отдельные специализированные дата-центры. В России они есть, но пока здесь мы сильно отстаем от многих технологически развитых стран по доступной вычислительной мощности на душу населения. Более того, сейчас вычислительная инфраструктура в основном сосредоточена в мегаполисах: в Москве, Санкт-Петербурге, в Новосибирске, где планируют строить большой вычислительный центр. Это не очень хорошо, потому что такая система должна быть более распределенной. Если на какой-то территории начинают строить суперкомпьютерный центр, связанный с искусственным интеллектом, это автоматически развивает целую палитру технологий, создаются новые высокотехнологичные рабочие места, что привлекает молодежь оставаться в регионе и так далее.

— Есть ли для специалиста какая-то разница, что искать: дорогостоящую молекулу от онкологии или, условно говоря, массовую от респираторного заболевания? В чем разница процесса и где выше шанс найти что-то уникальное, что приносит доход компании?

— А вы знаете, на чем в основном западные фармкомпании зарабатывают огромные деньги? Не считая борьбы с ковидом, больше всего денег приносят антидепрессанты и прочие волшебные таблетки, потому что они дорогие и люди на них сидят всю жизнь. То есть маржинальность на дорогостоящем лекарстве от редкого заболевания может быть гораздо выше, но общий объем прибыли, если говорить про американский рынок, приносят нейролептики, антидепрессанты, средства от шизофрении и прочее. Потому что жизнь на Западе — это большое количество стресса, которое накладывается на определенную политику докторов и компаний. На антидепрессанты подсаживают целые слои населения, например, топ-менеджеров, высокотехничных профессионалов в разных областях. Этот факт широко не афишируется, но в узких кругах он хорошо известен. Стресс тесно связан с философией успеха. Люди все разные, и для счастья кому-то нужно управлять корпорацией, а кому-то ходить каждый день на пруд с удочкой. У нас тоже сейчас маркетологами транслируется универсальный образ успеха, связанный с дорогой машиной и домом в три этажа. В итоге лично я знаю огромное количество несчастных людей в этих домах. И для многих, к сожалению, все, что остается - волшебные таблетки.

— То есть стартапам лучше искать молекулу для будущего антидепрессанта?

— Это очень хороший вопрос, но универсального ответа на него нет. Все зависит от того, чего хочет стартап: денег, славы или пользы людям. Если денег- нужно искать молекулы, которые в будущем смогут стать блокбастерами (молекулы приносящие миллиардные прибыли), то есть это заведомо не редкое заболевание. Если люди хотят заявить о себе как о команде, нужно брать социально значимое заболевание, тот же туберкулез. Но если хочется очень больших денег, то выходит, что не стоит заниматься антибиотиками, потому что они применяются разово и на них зарабатывают гораздо меньше. Этот парадокс каждая команда решает по своему. Многие стартапы работают на средства благотворительных организаций и частные деньги. Мы знаем примеры, когда богатые люди после анализа ДНК, узнают о рисках какого-то заболевания и вкладывают деньги, чтобы найти лечение от них.

— Как выглядит команда для создания нового лекарства с помощью искусственного интеллекта? Кого там должно быть больше – химиков или математиков?

— Это должна быть междисциплинарная команда натурфилософов нового поколения (термин придуманный М.В. Ковальчуком) – программисты, биоинформатики, химики, фармакологи. Универсального подхода к разработке лекарств нет. Когда я пятнадцать лет назад начинал заниматься поиском молекул-кандидатов в Кембридже вместе с такими пионерами направления как Боби Глен, Джонатан Гудман и Питер Мюррей-Раст мне было очень интересно наблюдать, как устроена работа в западной фарме. Параллельно существовало два отдела: computational drug discovery, где стояли гудящие шкафы с лампочками и сидели программисты в майках и кедах. И второй отдел, где работали серьезные люди в костюмах, которые обладали некой химической интуицией и просто рисовали эти новые структуры на бумаге. То есть отдел искусственного интеллекта и естественного параллельно решали одну и ту же задачу по поиску кандидата на синтез. Это было удивительно.

— И кто выигрывал?

— Процент успеха был одинаковый, у людей где-то даже получалось получше. И я надеюсь, что так будет всегда, то есть, что искусственный интеллект будет помогать естественному, а не наоборот.

— Правильно я понимаю, что у нас до сих пор нет лекарства, которое было бы целиком сделано искусственным интеллектом?

— Это некорректно поставленный вопрос, потому что на рынке уже есть большое количество препаратов, где на каком-то этапе разработки применялся ИИ. А лекарства, которые были бы полностью созданы искусственным интеллектом, при современной регуляторной системе выпустить невозможно. Вы можете найти молекулу-кандидата, «сварить» ее, полностью автоматизировав органический синтез, а дальше все равно нужны эксперименты и клинические испытания. Технологически можно уже сейчас сделать таблетку полностью автоматизировано, но законам большинства государств вы не сможете ее предложить человеку. И это очень хорошо. Например, в некоторых странах разрешено проектировать мосты с помощью лицензированного софта и без испытания начинать его строить. Это возможно, потому что механика – наука старая и точная, а человеческий организм все еще остается неизведанной системой.

— Поиск новых мишеней в организме для лечения - более сложная история для ИИ?

— Да, более сложная, но очень модная история, потому что она связана с большим количеством интересных направлений. Одно из них - моделирование метаболических путей и трехмерная реконструкция структур белков. Как известно, от того, какая именно структура у белка, зависят его функции. Сейчас биоинформатика позволяет найти первичную структуру большого количества мишеней-кандидатов, но для того, чтобы более точно подобрать к ним лекарственные агенты, нужно восстановить их трехмерную структуру. Основной метод, который сегодня используется для этого - рентгеновское или нейтронное рассеивание. Соответственно, для этого сначала белки нужно закристаллизировать, что не всегда получается, особенно, если мы говорим о белках мембранных.

Вообще проблема фолдинга (сворачивания – ред.) белков была признана одной из величайших проблем современной науки. Над задачей свернуть первичную одномерную структуру в трехмерную исследователи бились около полувека и наконец решили ее для нескольких классов белков (не для всех пока) с помощью технологии ИИ. Несколько удачных алгоритмов для этого представили сразу несколько научных групп, например, Google, у нас очень хорошие результаты были у Петра Попова из Сколтеха, с которым мы работали над этой проблемой.

Эта тема становится еще более интересной, когда мы включаем в изучение метаболические пути. Дело в том, что многие лекарства у нас в организме работают с эффектом бильярда: терапевтический эффект оказывают либо их метаболиты, либо производные целого каскада реакций. Чем более адекватные модели этих процессов мы сможем построить, тем лучше поймем, как устроена жизнь. Это направление исследований сейчас активно развивается в НТУ Сириус на базе Центра по ИТ и ИИ совместно с Медицинским Университетом им И.М. Сеченова и другими партнерами (лидеры проекта Кирилл Песков и Юрий Василевский).

— В Сколтехе вы так же искали новые молекулы для лекарства от коронавируса. На каком этапе сейчас находится работа?

— Было найдено несколько перспективных кандидатов (в основном за счет новых методов, разработанных Петром Поповым и коллегами). Но процесс создания нового лекарства очень длительный, и поэтому успешность этих молекул мы оценим не скоро. Конечно, пандемия, подстегнула многие процессы регуляторики, но в медицине по-прежнему соблюдается главное правило – не навреди. Я часто привожу аналогию с наркотиками: в свое время в аптеках открыто продавали кокаин как средство от кашля и опиум - от диареи, а потом выяснилось, что у них есть масса побочных эффектов. Сегодня такое уже невозможно, и опыт фармацевтической промышленности в этом отношении может помочь избежать многих трагических ошибок в сфере ИИ. Мы и так уже выпустили наружу слишком много технологий без должной оценки их рисков.

— За свою карьеру вы успели поработать в самых разных городах и странах – от Воронежа и Москвы до Германии и Великобритании. Где сосредоточен ваш основной интерес сегодня?

— Мой основной интерес сейчас связан с развитием научно-технологического университета «Сириус». Это молодой университет, он был создан в 2019 году по поручению Президента РФ Владимира Владимировича Путина как значимая часть непрерывной системы поддержки и развития талантов на Федеральной территории «Сириус». Учредитель Университета – Фонд «Талант и успех» (руководитель – Елена Владимировна Шмелева). Основные направления исследований сосредоточены в области генетики, редактирования генома растений и животных, трансляционной медицины, робототехники, клинической психологии и искусственного интеллекта. Набирают обороты тематики, связанные с кибербезопасностью и рациональным природопользованием. В 2021 году университет открылся для магистрантов и аспирантов. В этом году мы также активно набираем на программы среднего профессионального образования на базе ИТ колледжа, который недавно стал частью Университета. Активно развиваются программы дополнительного профессионального образования, которые мы реализуем совместно с нашими индустриальными и академическими партнерами. Студенты вовлечены в прорывные научно-исследовательские проекты и в решение задач, поставленных российской наукоемкой индустрией.

Мы активно работаем над привлечением на федеральную территорию «Сириус» потенциальных партнеров. Например, недавно выступал здесь перед участниками программы «Лето с AIRI». Это Научно-исследовательский институт искусственного интеллекта, созданный Сбером для создания систем искусственного интеллекта под реальные задачи. На участие в этой программе подали заявки более 900 человек из Москвы, Санкт-Петербурга, Татарстана, Нижнего Новгорода, Пермского края, Новосибирской, Воронежской, Тюменской других областей. Отобранные 150 студентов четыре недели занимались с ведущими учёными в области ИИ, а затем представили свои командные работы экспертам. Над рядом исследований, начатых в «Сириусе», будет продолжена работа под руководством наставников из числа преподавателей «Лета с AIRI».

Это конкретные примеры эффективного и практико ориентированного сотрудничества научных и образовательных организаций с индустриальными партнерами. Их у нас много, но мы хотим, чтобы таких коллабораций у «Сириуса» было еще больше.

Это интересный амбициозный проект, который отвечает на многие вызовы современного общества. Дело в том, что модель образования всегда связана с технологическим и социальным запросом, и можно проследить, как этот подход менялся во времени. Сначала университеты, тот же Оксфорд, существовали при монастырях и во многом занимались богословием. Интересный исторический факт - 800 лет назад из-за напряжения между рядом богословов и местными жителями часть оксфордских клириков сбежала из Оксфорда, добралась до реки Кем и основала Кембридж (переводится как Мост на реке Кем). Это было уже более натурфилософское место, где с тех пор традиционно развиваются естественные науки (великий русский физик Петр Капица некоторое время работал именно там в лаборатории Резерфорда) и сейчас имеется сильный биотех-кластер. После начала бурного технического прогресса, где то на рубеже XVIII века стало понятно, что модель классического университета не соответствует вызовам того общества в плане подготовки инженерных специалистов, и тогда появились политехнические университеты. Мне удалось поработать в исторически первом политехническом университете Стратклайда в Глазго. В этом городе трудилось большое количество великих естествоиспытателей, инженеров и технологов того времени, например Джеймс Уатт и лорд Кельвин.

Сегодня мы опять стоим на новом витке развития, и наше образование находится в кризисе, в зоне турбулентности, что дает новый импульс к развитию (кризис — это не всегда плохо, развитие, как правило идет через кризисы). Сейчас настолько быстро меняются технологии и новые профессии требуют такого огромного количества междисциплинарных навыков, что прежние системы образования перестали выполнять свою функцию. Нужно искать что-то новое, а что- пока не понятно. Несколько лет назад на слуху были корпоративные университеты, которые возникали при компаниях и, казалось, это лучшая модель. Но компании работают на рынке и поэтому такое образование четко заточено под сиюминутные потребности. Затем была попытка сделать ставку на онлайн-образование, на искусственный интеллект и индивидуальные траектории. Но благодаря ковиду мы увидели, что само по себе оно (онлайн образование) не работает, и человеку для полноценной передачи знания нужен преподаватель, личное общение с наставником. Так что сейчас мы ищем новые формы. Одна из задач, над которой мы работаем в университете «Сириус» — правильно сформировать карьерный трек нашим студентам. Ведь благодаря современному образу жизни и биомедицинским технологиям, работоспособный возраст сегодня значительно вырос, поэтому мы рассчитываем на карьеру длиною в 50–60 лет и очень важно готовить людей играть в долгую. Как при этом предусмотреть изменяющийся ландшафт технологий - вопрос творческий и мы ищем новые пути разработки методологии непрерывного обучения.

— Максим Валериевич, вы являетесь ведущим специалистом в области информационных технологий для конструирования молекулярных систем, но когда вы заканчивали Воронежский университет такой темы исследований еще не было. Когда в вашей жизни возникла тема искусственного интеллекта?

— Так получилось, что я всю свою научную жизнь так или иначе занимался обработкой и анализом данных, то есть частью того, что сейчас часто называется искусственный интеллект. Моя курсовая работа называлась: «Обработка изображений в современной медицинской практике». Когда я работал над кандидатской диссертацией, возник очередной всплеск интереса к нейросетям, к обработке данных и обработке изображений, и я помню, как тогда, лет двадцать назад, у меня на столе лежала популярная сейчас книжка Горбаня по нейросетям. В Кембридже мы были одними из первых, кто работал с десятками терабайт данных (очень большой объем для начала 2000х) и использовали параллельные файловые системы, но тогда я не позиционировал себя как специалиста по искусственному интеллекту, потому что ИИ и большие данные были одними из многих инструментов работы. Представьте себе, что вы собираете стол с помощью разных отверток, и вдруг одна из них становится очень популярной.

— Расскажите, пожалуйста, о вашей научной генеалогии, кто является вашими предками, кто из ваших учителей вас особенно вдохновил?

— Хороший вопрос. Иногда с человеком не было каких-то формальных отношений, но при этом он становится учителем, потому что мышление молодых людей зачастую формируют короткие встречи с ярким человеком. Таким учителем я считаю Леонида Валентиновича Розенштрауха, который, к сожалению, не так давно ушел из жизни. Он был академиком сразу двух академий: РАН и Медицинской академии наук (мы познакомились с ним до объединения академий). Леонид Валентинович работал в Кардиоцентре в Москве и был руководителем у моего брата Вадима Федорова. Брат закончил МФТИ, но защитился по физиологии человека и животных.

— То есть междисциплинарный подход – это у вас семейное?

— Да, получается так. Сейчас брат продолжает работать в этом же направлении, он очень известный в мире электрофизиолог. Когда я заезжал в лабораторию брата в Кардиоцентре, мы с Леонидом Валентиновичем пили чай, и это были короткие, но очень емкие встречи. Один из его советов стал моим правилом в науке и жизни, он говорил: «Максим, никогда не смотри назад. Ты всегда там найдешь оправдания для того чтобы быть менее успешным, менее талантливым и так далее. Всегда смотри вперед и вверх, равняйся на тех, кто достиг большего чем ты».

Другой важный для меня человек – Виктор Матвеевич Вахтель, заместитель заведующего кафедрой ядерной физики в ВГУ, который, собственно, и открыл там направление медицинской физики. Он многое сделал для меня на начальном пути в науке. Мы вместе с ним занимались обработкой биомедицинских данных и изображений в конце 90х годов. Так что история с большим данными тянется оттуда.

Когда я поступил в аспирантуру, я познакомился с Симоном Эльевичем Шнолем, научным руководителей моей диссертации (легендарный советский ученый, биофизик, изучал колебательные процессы в биологических системах, корреляцию космофизические биологических и физико-химических процессов- ред.). Он был не только замечательным ученым, но и прекрасным рассказчиком, историком науки. В молодости эти разговоры не всегда были мне понятны, но уже много лет спустя я понял, что так создается научная генеалогия. У меня она восходит через Шноля к Александру Леонидовичу Чижевскому (один из основоположников космического естествознания и космической экологии- ред.), к Николаю Владимировичу Тимофееву-Ресовскому (знаменитый биолог, генетик, занимался изучением влияния радиации на живые системы-ред.), который фактически является моим научным дедушкой. Так же моя генеалогия восходит к первому аспиранту Шноля, великому Анатолию Марковичу Жаботинскому, которого все знают по реакции Белоусова-Жаботинского. Я писал свою диссертацию за столом, за которым он сделал свои главные открытия. Тут, собственно, можно снова вспомнить про междисциплинарность. Так, в 1977-м году Илье Пригожину дали Нобелевскую премию за математический аппарат, который описывает неравновесные реакции, а огромный вклад в это был сделан Белоусовым и Жаботинским. При этом сам Белоусов – генерал, военный химик, который открыл эту реакцию, а Жаботинский описал ее в лаборатории Симона Эльевича Шноля в Институте биофизики в Пущино.

— А родители у вас тоже научные сотрудники.

— Отец был физиком, он, к сожалению, рано скончался. Он занимал пост первого проректора Воронежского политехнического университета и ушел из жизни прямо на заседании в университете. А мама филолог. Собственно, все это во мне бурлит, и я обычно не могу спокойно смотреть на ошибки в тексте.

— Кем вы себя считаете, в первую очередь, физиком, химиком, биологом, математиком?

— В междисциплинарной среде всегда понятно, чем человек занимается до той поры, пока дело не доходит до подачи на грант или на докторскую диссертацию. Тогда возникает вопрос: «А, собственно говоря, вы чьих будете?». Поэтому мне очень близки идеи Михаила Валентиновича Ковальчука, Президента Курчатовского Института, о натурфилософии нового поколения. До некоторого момента разделения наук существовала одна целостная философия, а затем из нее выделилась натурфилософия. Собственно говоря, то деление наук, которое мы сейчас видим, это недавнее изобретение. А сегодня мы видим очень интересны диалектический процесс: с одной стороны, происходит спецификация и дробление наук на более узкие направления, с другой стороны, наука и общество развиваются по спирали, и сегодня появился слой людей, которые работают на стыке даже не двух, а большого количества наук. Таким образом можно говорить о новом поколении натурфилософов. То есть я – натурфилософ на новом витке.