> ## Content Index > Fetch the complete content index at: https://eclibra.com/llms.txt > Use this file to discover other available public pages before exploring further. # Темы ИИ не растут. Они прыгают: как 80 814 статей предсказывают следующий бум - URL: https://eclibra.com/ai-research-phase-transitions-2026/ - Published: 2026-09-12T17:22:38.000Z - Updated: 2026-09-12T17:22:38.000Z - Description: До 80 814 статей пяти топ-конференций за восемь лет показали, что темы в ИИ-исследованиях не растут постепенно — они годами остаются на втором плане, а потом взрываются за 1–3 года. Сигнал раннего обнаружения ловит переходы с точностью 27% и полнотой 63%. - Author: Eclibra - Tags: Инсайты, #mode-5, #hook-paradox, #track-F Тема в науке об ИИ не растёт. Она прыгает. Годами направление остаётся маргинальным — и вдруг за один-три года захватывает все главные конференции сразу. Исследователи из Kurban Intelligence Lab проанализировали 80 814 принятых основных статей пяти площадок (ACL, CVPR, ICLR, ICML, NeurIPS) за 2017–2025 годы и заявили: у этого прыжка есть ранний сигнал, который видно ещё до того, как тема взорвётся. ``` ХРОНИКА: Топикальные фазовые переходы в ИИ-исследованиях ───────────────────────────────────────────────────────────── 2017──────2022──────2023──────2025─────2026──────2028 📉 📈 🚀 ◉ СЕЙЧАС 🔭 🔭 2 445 LLM всё LLM и бума reasoning agentic статей ещё не diffusion фиксиру- и test- AI и в год взорва- рвались ются в time world (29.9% лись, пост-2022 данных compute models CAGR до но темы (3× рост) о 80 814 отмечены на ра- 19 800) втрое за 1-3 статей сигналом диолокаторе растут года на 2026- сигнала ``` Жизненный цикл темы: долгая маргинальная фаза, затем резкий переход — arXiv 2606.12828 (2026) ## Почему рост бывает разной природы Ключевой результат статьи — не в самих цифрах, а в разнице между двумя способами расти. Объём ИИ-исследований увеличивался стабильно: 2 445 принятых статей в 2017-м против примерно 19 800 в 2025-м, среднегодовой темп 29,9%. Но внутри этого плавного потока отдельные темы вели себя иначе — как вещество при фазовом переходе: долго остаются в одном состоянии, а затем скачком меняют его. Чтобы поймать этот скачок, нужен был способ превращать тексты в числа. Авторы разметили статьи с помощью KeyBERT — алгоритма выделения ключевых слов, то есть превратили каждый документ в список тем, и отследили их долю по годам. LLM до 2022 года оставались скромным меньшинством, а к 2025-му стали доминирующей темой сразу на всех пяти площадках разом — опередив не только всё остальное, но и сами ожидания рынка. Диффузионные модели повторили траекторию с сопоставимой крутизной. Для контраста: обучение с подкреплением (reinforcement learning) рос плавно, без скачка. Тот же успех, но другая динамика. Именно это различие авторы и называют границей между настоящим переходом и обычным ростом. Физическая метафора здесь не случайна. Фазовый переход — это когда система меняет состояние без промежуточных стадий: лед тает при одной температуре, а не по чуть-чуть. То же происходит с наукой: публикаций о теме становится мало, потом достаточно, потом неожиданно много — причём в одном коротком окне. И если рынок, пресса и пиар замечают тему уже на пике, то данные о публикациях позволяют увидеть разгон раньше — пока он ещё выглядит как статистическая случайность. ## Четыре критерия раннего сигнала Чтобы перейти от наблюдений к предсказанию, авторы собрали сигнал из четырёх критериев и зафиксировали пороги на данных до 2022 года — без подглядывания в 2023–2025-е. Тема объявляется «кандидатом на взрыв» (не менее чем трёхкратный рост за три года), если выполняются все условия: | Критерий | Порог | | ------------------------ | ------------------------------------------------------------------- | | **Новизна** | тема впервые набрала ≥ 3 статей в год в течение последних 3 лет | | **Разгон** | ≥ 2,5× рост год к году хотя бы в одном из двух последних интервалов | | **Масштаб до насыщения** | от 5 до 300 статей в год (ещё не монополизировала площадки) | Требования раннего сигнала — Kurban Intelligence Lab, arXiv 2606.12828 Смысл третьего условия — в отсечении тем, которые выросли уже давно: сигнал должен ловить переходы до пика, а не саммиты. Поэтому кандидат обязан быть заметным, но ещё не насытившим поле. ## Проверка вне выборки: 27% точности, 63% полноты Честность методики — в том, как её тестировали. Все пороги заморожены на данных 2017–2022 годов, а результат проверяли на переходах 2023–2025-го на 223 темах, набравших не меньше десяти статей к 2022 году. Из ста тем, которые сигнал пометил как кандидатов на взрыв, реально взорвались примерно 27 — против 13,5% в среднем по полю. При этом сигнал поймал 63% всех настоящих переходов. Иными словами: он в два раза лучше шансов, но почти три четверти его кандидатов так и не выстреливают. Это ограничение встроено в сам метод, а не спрятано припиской. Полнота 63% означает, что более трети настоящих взрывов сигнал не увидит вовсе — часть тем прыгает слишком быстро, часть слишком тихо. 🎯 **Выводы** Темы в ИИ-науке переходят состояния скачком, а не постепенно; долгая маргинальная фаза не предсказывает будущее. Ранний сигнал из четырёх критериев удваивает точность угадывания против базовой — но 27% точности всё ещё означают, что большинство кандидатов не взорвутся. На 2026–2028 сигнал отмечает reasoning и test-time compute, agentic AI, мультимодальные LLM, RAG и world models — темы для наблюдения, а не для слепой ставки. ## Что сигнал показывает на 2026–2028 Применённый к данным 2025 года, сигнал выделил пять кандидатов на следующий переход: рассуждения и вычисления на этапе запроса (reasoning и test-time compute — рассуждения и вычисления на этапе запроса), агентные системы (agentic AI — агентные системы), мультимодальные LLM, поиск с внешними источниками (RAG) и модели мира (world models — модели мира). Это не прогноз в духе «куда катится рынок», а результат измеримой динамики публикаций — те же траектории, по которым три года назад были видны LLM и диффузионные модели. Главный практический урок не в самих названиях, а в способе думать о трендах. Если тема остаётся на втором плане несколько лет, это не приговор и не гарантия; решающий признак — одновременное появление новизны, разгона и масштаба до насыщения. Именно эта комбинация отличает будущий переход от многолетнего флэта. Показательна и оговорка авторов о пределах метода. Сигнал калиброван на пяти конференциях машинного обучения — и для компьютерного зрения, и для обработки языка, и для теории. Перенести его на публикации в области медицины или климата напрямую нельзя: там другие объёмы, другие площадки и другая скорость устаревания результатов. Поэтому темы для наблюдения на 2026–2028 годы стоит читать как исследовательский гипотез-лист, а не как инвестиционный портфель. ## Как этим пользоваться Для команды, которая выбирает исследовательское направление или технологию для ставки, сигнал — инструмент приоритизации, а не оракул. Полнота 63% говорит: безопаснее сидеть в теме, которая уже показала разгон, чем искать «следующий LLM» на ощупь. Точность 27% предупреждает: большинство помеченных тем окажутся ложными тревогами. Авторы оставили код и данные в открытом доступе — воспроизвести подсчёт для своей области можно на любом корпусе публикаций. Это, пожалуй, и есть главное отличие работы от очередного обзора трендов: её можно повторить, проверить и опровергнуть. ⚠️ **Главная ловушка** 27% точности — это не ошибка измерения, а свойство метода: он просеивает поле и выдаёт короткий список, где на каждый реальный переход приходится почти три ложных кандидата. Ставить всё на одну отмеченную тему — то же самое, что ставить на одну акцию из широкого индекса. Итог простой. Исследовательские темы — это не кривая роста, а последовательность фазовых переходов. Следующий взрыв, скорее всего, уже идёт где-то на маргинальной периферии конференций — и его можно заметить по тем же четырём признакам, по которым три года назад читалось появление LLM. ## Источники [ Фазовые переходы тем в исследованиях ИИ: крупномасштабное доказательство и ранний сигнал Статья Расула Ханбаева и Хасана Курбана: 80 814 статей, четыре критерия раннего сигнала, проверка вне выборки на 223 темах. arXiv ](https://arxiv.org/abs/2606.12828?ref=eclibra.com) Первоисточник: все цифры и пороги взяты из этой работы. [ Открытый код и данные по фазовым переходам тем в ИИ Репозиторий с кодом бэктеста, таблицами темы-год-конференция и инструкцией по воспроизведению подсчёта. GitHub ](https://github.com/KurbanIntelligenceLab/ai-phase-transitions?ref=eclibra.com) Позволяет перепроверить выводы и повторить анализ на другом корпусе публикаций. [ Ранние сигналы критических переходов: общая теория Классическая работа Шеффера и коллег о том, как системы подают предсказуемые сигналы перед резким изменением состояния. Nature ](https://www.nature.com/articles/nature08227?ref=eclibra.com) Концептуальная основа: подход «ранних сигналов» из физики и экологии, перенесённый на науку об ИИ.