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.
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.
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.
