UBS Wealth Management радить заможним клієнтам перебудовувати портфель під етап, коли ШІ у науці перестає бути обіцянкою і стає щоденним інструментом лабораторій. Приводом послужила не нова мовна модель, а формальний математичний доказ, який система OpenAI побудувала для рівнянь Навʼє–Стокса — задачі, що століттями опиралася найкращим математикам. Банк виділяє пʼять напрямів, які виграють від цього зсуву: обчислювальна інфраструктура, фармацевтика, термоядерний синтез, промислові матеріали й енергетика.
Логіка ринку змінюється саме тут. Досі оцінки в секторі рухала автоматизація тексту, коду та зображень — ринок великий, але зрозумілий. Тепер на кону автоматизація самого відкриття: пошуку молекул, нових сплавів, стабільної плазми. Якщо ставка спрацює бодай наполовину, вона зачепить галузі, які досі вважали захищеними від технологічного стрибка. Далі — механіка того, що відбувається, і тверезий підрахунок, де тут реальна вартість, а де презентація для інвесторів.
Що сталося
Записка UBS спирається на конкретну подію. 8 вересня 2026 року OpenAI оприлюднила доказ того, що тривимірні рівняння Навʼє–Стокса, які описують рух рідини та газу, здатні за скінченний час породити сингулярність — точку, де швидкості формально прямують у нескінченність, а гладкий розвʼязок «ламається». Це одна із семи Задач тисячоліття Математичного інституту Клея з призом 1 млн доларів за кожну. До цього людство закрило лише одну з них: гіпотезу Пуанкаре довів Григорій Перельман.
Спосіб обчислення тут показовіший за сам результат. OpenAI запустила близько 10 000 автономних агентів, які працювали паралельно приблизно 88 годин; ще 17 годин пішло на формалізацію доказу в системі Lean, що перевіряє кожен крок машинно. Система згенерувала близько 130 млрд токенів і 2,7 млн внутрішніх повідомлень, а фінальний текст зайняв 165 сторінок. Обчислення коштувало мільйони доларів.
Навʼє–Стокса: чому метод важливіший за приз
Сам доказ не означає, що вода чи повітря почнуть поводитися всупереч фізиці. Ідеться про межі рівнянь як математичної конструкції, а не про поведінку реальних рідин. Для науки це тонке твердження; для інвестора цінне інше — як його отримали.
Продемонстровано метод: рій із тисяч агентів, кинутий на проблему, перед якою людські команди пасували десятиліттями, і машинна перевірка, що знімає питання довіри до результату. Це той самий тип події, що й AlphaFold для біології у 2020 році, коли передбачення структури білків із наукової мрії стало інженерним завданням.
Обережність теж на місці. Одразу після публікації конкуренти заперечили частину викладу подій OpenAI, а сама компанія визнала, що не може виключити впливу приватних даних одного з дослідників на результат. Незалежна математична спільнота ще звірятиме 165 сторінок. Для ринку тут два висновки. Перший: перевірятиме результат світ місяцями, тож будь-яке різке переоцінювання акцій «під доказ» передчасне. Другий, важливіший для гаманця: 10 000 агентів, 130 млрд токенів і рахунок на мільйони доларів — це насамперед попит на обчислення. Хто продає лопати, заробляє перший, ще до того, як хтось знайде золото.
Ліки: де ШІ вже в клініці і де межа
Фарма — найзріліший із пʼяти напрямів. Мультиагентні системи прораховують у хмарі мільйони варіацій білків, перевіряючи токсичність, стабільність у крові й технологічність виробництва ще до першого експерименту в пробірці. За даними, на які посилається UBS, понад 170 програм, створених за участю ШІ, уже перебувають у розробці або клінічній оцінці, окремі — у фазі III.
Тут потрібна калібровка, якої немає в новинному повідомленні. Незалежний аналіз Boston Consulting Group у Drug Discovery Today (2024) показав: молекули, знайдені за допомогою ШІ, проходять фазу I з імовірністю 80–90% проти історичних 40–65% для звичайних препаратів. Але вже у фазі II успішність падає приблизно до 40% — рівня всієї галузі. Простими словами, ШІ навчився швидко знаходити безпечні молекули, проте перевірку на реальну ефективність вони складають не краще за інших. Наскрізна ймовірність довести молекулу до ринку зростає з 5–10% лише до 9–18%.
Хто виграє. Alphabet тримає найсильнішу вертикаль: нобелівський AlphaFold Деміса Гассабіса та Джона Джампера і дочірню Isomorphic Labs, яка вже монетизує підхід через партнерства з великою фармою. Самі виробники ліків — Eli Lilly, Pfizer, Moderna — отримують не гарантований прибуток, а опціон: ШІ здешевлює їхній пошук, але водночас знижує барʼєр для конкурентів. Головний тест попереду — перші повністю ШІ-створені ліки, що пройдуть фазу III. Доти понад 170 програм лишаються обіцянкою розробок, а не грошима.
Термоядерний синтез: ШІ вчиться тримати плазму
Плазма в токамаку нестабільна за природою: її форму треба коригувати тисячі разів на секунду магнітними котушками. Саме сюди ШІ заходить найприродніше. Ще 2022 року DeepMind разом зі Швейцарським центром плазми при EPFL уперше застосував навчання з підкріпленням до керування плазмою реального токамака TCV у Лозанні — алгоритм сам ліпив її форму, отримуючи лише магнітні виміри. У 2024-му команда Принстонської лабораторії на токамаку DIII-D навчила систему передбачати зриви плазми приблизно за 200 мілісекунд до того, як вони стануться, і гасити їх.
Для інвестора синтез — найдовша ставка з усіх. Комерційного реактора немає й не буде найближчими роками, тож пряма гра тут спекулятивна. Ближчий грошовий потік — в іншому: кожен із цих обчислювальних ривків живиться електрикою. Дата-центри під наукові рої агентів — це передусім навантаження на мережу. Виграють ті, хто дає потужність: генерація, мережева інфраструктура, паливні елементи для дата-центрів і, у довшій перспективі, малі модульні реактори. Синтез — приз наприкінці шляху, а рахунок за світло приходить уже зараз.
Нові матеріали: мільйони комбінацій щодня
Третій напрям найтихіший, але потенційно найширший. Моделі перебирають мільйони комбінацій елементів на день у пошуку властивостей для легших і ємніших акумуляторів, менш гарячих чипів і, як мрія, надпровідників за кімнатної температури. Масштаб уже реальний: проєкт GNoME від DeepMind передбачив близько 2,2 млн нових кристалічних структур, з яких приблизно 380 000 стабільні — кратне розширення відомої мапи матеріалів. Microsoft просуває власну генеративну модель MatterGen, а автономні лабораторії вчаться синтезувати запропоноване без людини.
Скепсис обовʼязковий. Із мільйонів передбачених кристалів експериментально відтворено поки що близько 736 — модель рахує стабільність, а не те, чи можна річ узагалі синтезувати. Історія з надпровідником LK-99 у 2023 році, коли гучну заяву не змогли повторити, показала різницю між кристалом у базі даних і продуктом на конвеєрі. Це напрям на роки, і монетизують його радше промислові та хімічні гіганти, ніж чисті ШІ-компанії.
Що це означає для інвестора
Ланцюг вартості вишиковується за передбачуваним порядком. Першими й найнадійніше заробляють постачальники «лопат»: обчислення (Nvidia, чиї акції торгуються близько 222 доларів), хмари (Microsoft, Alphabet), спеціалізована інфраструктура та памʼять. Показово, що в дні навколо записки UBS сильніше за ринок росли не біотехи, а виробники памʼяті — Micron і SanDisk додали по кілька відсотків за сесію. Гроші йдуть туди, де попит уже монетизується.
Другий шар — платформи, що поєднують власні моделі з кінцевими ринками: Alphabet із DeepMind та Isomorphic, Microsoft із дослідницькими інструментами. Третій — галузеві чемпіони у фармі, енергетиці та матеріалах, для яких ШІ це опціон на зростання продуктивності, а не готовий прибуток. Четвертий і найбільш недооцінений шар — електрика. Кожен зі сценаріїв зрештою впирається у кіловати.
Головний ризик не технологічний, а ціновий. Купувати тему за будь-якою ціною — класична помилка циклу. Оцінки лідерів інфраструктури вже високі, а дохідність десятирічних облігацій США тримається біля 5% після розвороту ФРС — середовище, у якому дорогі акції зростання переоцінюють болісно. Розумна рамка — багаторічна експозиція на інфраструктуру з невеликими опціонними ставками на фарму й енергетику, а не спроба вгадати переможця в конкретній лабораторії.
Український та європейський ракурс
Для європейського інвестора тема ближча, ніж здається. Європа тримає сильні позиції у двох із пʼяти напрямів: у синтезі — через міжнародний реактор ITER на півдні Франції, консорціум EUROfusion і спадок британського JET; у матеріалах — через Акт ЄС про критичну сировину, який робить пошук альтернативних сплавів і батарей питанням стратегічної незалежності, а не лише прибутку. Європейська фарма — Novartis, Roche, Novo Nordisk — природний споживач ШІ-відкриттів.
Український контекст має два виміри. Перший — таланти: сильна математична та інженерна школа означає, що частину цих систем будують і українські руки, а не лише кремнієві. Другий — енергетика. Теза «ШІ живиться електрикою» для країни з пошкодженою мережею звучить не абстрактно: децентралізована генерація й довгострокова ставка на нові типи реакторів тут не футуризм, а питання стійкості. Практичний доступ до теми для місцевого інвестора — через акції компаній США та ЄС і тематичні ETF, у твердій валюті й на горизонт у роки, а не тижні.
Висновок
Замість очікування абстрактних «новин про ШІ» варто стежити за пʼятьма конкретними точками. Результати фаз II та III від ШІ-біотехів у 2027–2028 роках. Незалежне підтвердження або спростування доказу OpenAI математиками. Перший приватний реактор із позитивним енергобалансом та ШІ-керуванням плазмою. Прогнози капітальних витрат Nvidia й хмарних гігантів разом із даними про попит на електрику. І перехід матеріалів зі стадії бази даних на реальне виробництво. Ці пʼять маркерів скажуть про напрям більше, ніж будь-який гучний заголовок.
Цей матеріал має інформаційно-аналітичний характер і не є індивідуальною інвестиційною рекомендацією. Ринки винагороджують за власні розрахунки, а не за чужі прогнози: перевіряйте цифри, зважуйте ризик під свій горизонт і за потреби радьтеся з ліцензованим консультантом.
Читайте також
- Anthropic показала три метрики розвитку ШІ всередині лабораторій
- Акції Bloom Energy: чи варто купувати на хвилі ШІ
- Акції CoreWeave: бізнес, оцінка й ризики очима інвестора
Джерела
- Investing.com — How to position for the next wave of AI-led scientific breakthroughs
- Quartz — OpenAI’s Navier-Stokes claim and the dispute
- Nature (2022) — Magnetic control of tokamak plasmas through deep reinforcement learning
- Drug Discovery Today (2024) — How successful are AI-discovered drugs in clinical trials?
- DeepMind — Millions of new materials discovered with deep learning (GNoME)
Ви маєте увійти, щоб оприлюднити коментар.