Может ли ИИ предсказать судьбу человека? Что на самом деле показал life2vec
Если ввести в поиск слово life2vec, легко попасть на сайт, который обещает с помощью искусственного интеллекта предсказать время смерти, финансовое будущее и дать персональные советы. Сайт выглядит так, будто перед нами публичная версия исследования, опубликованного в журнале Nature.
Но это не оригинал.
Авторы настоящего life2vec называют своим единственным официальным сайтом life2vec.dk. Они прямо пишут, что не выпускали публичный калькулятор, приложение, чат-бот или API, куда можно загрузить сведения о себе. Более того, life2vecai.com они отдельно относят к неаффилированным мошенническим сайтам.
Это, однако, не означает, что исходное исследование было пустышкой. Наоборот: оно показало, насколько много статистической информации можно извлечь из подробной истории жизни миллионов людей. Именно поэтому его так легко превратить в миф о цифровом оракуле.
Чтобы понять разницу, нужно восстановить настоящий эксперимент.
Как превратить жизнь в последовательность
Представьте не рассказ человека о себе, а длинную строку записей из государственных реестров:
зарплата → смена профессии → переезд → обращение в больницу → диагноз → новая работа.
Для каждого жителя такие события можно расположить по времени. Исследователи life2vec представили их в виде условных «слов» — кодов профессий, дохода, рабочего времени, места жительства и больничных диагнозов. Получилась не биография в человеческом смысле, а последовательность формальных записей.
Здесь и появилась аналогия с языком. Значение слова зависит от соседних слов и порядка в предложении. Точно так же для модели может иметь значение не только сам диагноз или потеря работы, но и то, какие события были до и после него.
Life2vec использовал архитектуру из семейства трансформеров. Это способ обработки длинной последовательности, при котором модель учится замечать связи между событиями, находящимися далеко друг от друга. Но life2vec — не ChatGPT: он не разговаривает, не читает мысли и не сочиняет будущую биографию. Он получает коды и выдаёт оценку для заранее заданной исследователями задачи.
Что именно пытались предсказать
Исходные датские реестры охватывают около шести миллионов жителей. Но после правил отбора в основном наборе для моделирования осталось 3,25 миллиона человек. Исследователи использовали записи с 2008 года до конца 2015-го.
Для эксперимента со смертностью они выбрали людей, которым в конце 2015 года было от 35 до 65 лет. Подходящих участников было около 2,3 миллиона. Задача звучала так:
останется ли человек жив в течение следующих четырёх лет — с 2016 по 2020 год?
Это ответ из двух вариантов: «жив» или «умер». Модель не называла дату смерти. Не оценивала, сколько лет проживёт человек. Не перечисляла будущие события.
Большая часть данных использовалась, чтобы модель нашла закономерности. Итоговую проверку провели на отдельной выборке из 100 тысяч человек, которых модель не использовала для обучения этой задачи.
Именно на этой проверке появилось число 78,8%. Но без ещё одного факта оно почти неизбежно вводит в заблуждение.
Почему 95% может быть хуже 78,8%
В выбранной возрастной группе больше 95% людей пережили четырёхлетний период. Представим для простоты тысячу похожих участников. Более 950 из них останутся живы.
Простейший алгоритм может отвечать каждому: «вы выживете». Его обычная точность окажется выше 95%. Звучит впечатляюще, но такой алгоритм не найдёт почти никого из умерших. Для задачи ранней смертности он бесполезен.
Поэтому исследователи использовали скорректированные показатели, которые не позволяют многочисленным выжившим скрыть ошибки на редком исходе. Знаменитые 78,8% — это скорректированная сбалансированная точность. Официальный FAQ объясняет её как эквивалент сравнения, в котором выжившие и умершие имеют одинаковый вес.
Это допустимый научный показатель для такой проверки. Но он не означает, что модель правильно предсказала судьбу 78 800 из 100 тысяч реальных людей.
Есть и ещё одна важная цифра. Ближайшая модель сравнения — другой тип нейросети для последовательностей — получила на той же метрике 77,8%. Преимущество life2vec составило один процентный пункт.
По основному показателю, выбранному авторами статьи, разрыв был заметнее: 0,413 у life2vec против 0,369 у ближайшей модели. Этот показатель проверяет, насколько хорошо предсказания согласуются с двумя реальными исходами с учётом особенностей выборки. Для общего вывода достаточно знать: life2vec действительно оказался лучше, но превосходство над ближайшей моделью не означает безошибочного предвидения.
Что сработало: ИИ или сами данные?
Датские реестры необычайно подробны. Модель видела не только возраст и пол, но также годы трудовых и медицинских событий. Это совсем другой объём информации, чем анкета из нескольких вопросов.
Во время рецензирования статьи возник справедливый вопрос: результат дала новая архитектура или богатство данных?
Авторы проверили несколько вариантов. Когда модель получала полные трудовые и медицинские записи, результат был лучшим. Когда из данных убирали медицинские события или подробности о работодателе и профессии, качество снижалось. Значит, значительную часть силы давало именно соединение разных сторон жизни.
Трансформер тоже внёс вклад: он превзошёл другие модели. Но честная формулировка звучит не так: «ИИ увидел судьбу». Скорее так: сложная модель смогла извлечь дополнительный сигнал из чрезвычайно богатого набора административных данных.
А как же «предсказание личности»?
Вторая часть исследования часто пересказывается ещё шире: будто life2vec способен узнать личность человека и поэтому предвидеть его решения.
Реальная задача была уже. Модель пыталась предсказывать варианты ответа на десять утверждений анкеты, связанных с экстраверсией: например, насколько человеку комфортно первым начинать разговор или находиться среди людей.
В некоторых вопросах life2vec оказался лучше модели сравнения, в других преимущество было неубедительным. Это показывает, что в трудовой и медицинской истории есть измеримый статистический сигнал, связанный с отдельными ответами анкеты.
Но десять ответов — не полная личность. Они не раскрывают мысли человека и не определяют, какой выбор он сделает завтра.
Вероятность — не судьба
Представим условный пример: у ста людей с похожей историей определённое событие происходит у двадцати. Хорошая модель может распознать такую группу и оценить риск примерно в 20%.
Для исследования, планирования или специально проверенной медицинской системы это может быть полезно. Но для отдельного человека остаются два возможных исхода, и модель не знает, кто именно окажется среди двадцати. Сам life2vec клиническую проверку не проходил и медицинским инструментом не является.
Качество систем оценки риска нужно проверять как минимум четырьмя разными вопросами.
Первый: хорошо ли модель ставит людей с более высоким риском выше людей с более низким?
Второй: если она говорит «риск 20%», происходит ли событие примерно у двадцати из ста таких людей? Это называется калибровкой.
Третий: сохранится ли качество в другой стране, в другое время и среди людей, не похожих на обучающую выборку?
Четвёртый: становится ли людям лучше, если на основании прогноза что-то делать?
Life2vec дал содержательный ответ прежде всего на первый вопрос — внутри конкретных датских данных. Для личного применения этого недостаточно.
Проверили ли life2vec в другой стране?
Независимого воспроизведения той же четырёхлетней задачи на другой национальной выборке нам не удалось найти к 15 августа 2026 года. Авторы life2vec сами предупреждают, что не проверяли переносимость результата в другие страны и контексты.
Это не делает исходный эксперимент неверным. Проверка на отложенных датских данных была настоящей проверкой: модель не видела этих людей при настройке задачи. Но условия всё равно происходили из той же системы реестров, той же страны и близкого периода.
В другом месте изменятся медицина, рынок труда, структура населения и способы записи событий. Даже отсутствие диагноза может означать не здоровье, а отсутствие обращения или данных. Модель способна выучить не только закономерности жизни, но и привычки системы, которая эту жизнь записывает.
Почему многие события жизни остаются плохо предсказуемыми
Life2vec появился не в пустом поле. В 2020 году 160 исследовательских команд попытались предсказать шесть будущих результатов для семей из длительного американского исследования — среди них школьные оценки ребёнка и риск выселения семьи. У команд были богатые данные и разные методы машинного обучения. Лучшие модели лишь немного превзошли простой ориентир, а точность оставалась ограниченной.
Позднейшая работа с интервью участников показала, откуда берётся часть ошибок. В жизни происходят редкие события, меняются отношения, здоровье и работа; важные обстоятельства могут не попасть в данные; сами люди принимают новые решения.
В 2026 году другая группа сравнила 12 статистических и машинных моделей, использовав более 150 признаков из американского исследования старения. Модели неплохо различали более и менее рискованных участников, но всё равно не объясняли большую часть различий в индивидуальной продолжительности жизни. В этом исследовании точность была ниже для мужчин, чернокожих участников, не относящих себя к латиноамериканцам, и людей с более низким уровнем образования.
Это результат конкретной американской выборки, а не универсальный закон о каждой группе. Но он показывает, почему средняя точность модели недостаточна: ошибки могут распределяться между людьми неравномерно.
Из этих работ не следует, что человеческая жизнь навсегда непредсказуема. Новые измерения и модели могут уменьшить ошибку. Но текущие результаты не дают права превратить оценку риска в знание будущего.
Что изменил Delphi-2M
В 2025 году в Nature вышло исследование другой модели — Delphi-2M. Она ближе к идее генератора будущих медицинских событий: по прошлым диагнозам модель оценивает вероятности более тысячи заболеваний и может строить возможные траектории здоровья.
Delphi-2M обучили на данных 402 799 участников британского биобанка, а затем без перенастройки проверили на 1,93 миллиона жителей Дании. Средний показатель, измеряющий способность различать будущие заболевания, снизился с 0,69 в британской проверке до 0,67 в датской. Это сильный пример внешней проверки связанного подхода, хотя условия и способы сбора данных в двух странах различались.
Но Delphi-2M не подтвердил результат life2vec по смертности: это другая модель, другие данные и другие задачи.
Ещё важнее то, что произошло при попытке сгенерировать конкретное будущее. В первый год около 17% предсказанных событий болезни совпали с теми, которые затем действительно появились у тех же людей. Ориентир только по возрасту и полу давал 12–13%. Через двадцать лет доля совпавших событий у Delphi-2M опускалась ниже 14%.
Это другой способ проверки, его нельзя напрямую сравнивать с показателем 0,69 или с 78,8% life2vec. При этом на уровне населения Delphi-2M хорошо воспроизводил частоты заболеваний. Авторы прямо подчёркивают: прогноз для одного человека сильно зависит от случайности и совместим с разными исходами.
Это и есть граница между полезной моделью риска и цифровым пророком. Модель может хорошо описывать распределение будущих событий среди многих людей, не зная последовательность событий одного человека.
Предсказание не объясняет причину
Если модель замечает, что определённая работа, доход или диагноз связаны с более высокой смертностью, это ещё не означает, что она нашла причину.
Возможно, признак отражает другой фактор, которого нет в данных. Возможно, система здравоохранения по-разному фиксирует события у разных групп. Чтобы понять, поможет ли вмешательство, нужны отдельные исследования причин и результатов реального действия.
Поэтому life2vec нельзя использовать как медицинскую рекомендацию или инструкцию по изменению собственной жизни. Это исследовательский прототип, а не клинический инструмент.
Настоящий риск — не пророчество, а решение по баллу
Даже неточная модель способна сильно повлиять на человека, если её использует организация.
Представьте, что страховщик повышает цену, работодатель отказывает кандидату или государственная система меняет доступ к поддержке на основании прогнозного балла. Модель может ошибиться насчёт конкретного человека, но решение уже изменит его возможности.
Так прогноз частично создаёт будущее, которое будто бы только описывал. Не потому, что ИИ увидел судьбу, а потому, что институт отнёсся к вероятности как к факту.
Авторы life2vec поэтому прямо исключили использование модели для решений о конкретных людях. В дополнительном описании модели также указано, что в ней не было встроенных ограничений справедливости. Перед любым практическим применением потребовались бы отдельные проверки ошибок для разных групп, прозрачные правила и возможность оспорить решение.
Почему life2vecai.com — не оригинал
На официальном сайте авторы life2vec прямо называют life2vecai.com неаффилированным мошенническим сайтом. Это оценка исследовательской команды; нам не известно об отдельном решении суда или регулятора в отношении этого домена.
Наша проверка обнаружила и собственные признаки несоответствия.
Главная страница обещает «высоконадёжный» прогноз времени смерти и финансового будущего. Но FAQ того же сайта признаёт, что демонстрация создаёт случайные синтетические события и не делает реальных прогнозов. Там неверно описаны и методы статьи: вместо трансформера перечислены word2vec, рекуррентные сети и другие архитектуры. Саму статью сайт помещает не в тот журнал — Nature Communications вместо Nature Computational Science.
Кнопки ведут на посторонние коммерческие сервисы, а стандартные страницы About, Contact, Privacy и Terms по проверенным адресам возвращали ошибку 404.
Этого достаточно, чтобы сделать практический вывод: сайт не является публичной версией оригинальной модели и ему не следует передавать медицинские, финансовые или идентифицирующие сведения. Но этих данных недостаточно, чтобы установить личность оператора или делать вывод о его юридической ответственности.
Как проверить следующий «калькулятор судьбы»
Громкое название технологии ничего не гарантирует. Перед использованием подобного сервиса стоит задать несколько вопросов.
Ссылаются ли на него авторы исследования или их университет? Указаны ли статья и DOI? Кто отвечает за сервис и для какой задачи он создан? Есть ли доказательство, что у оператора действительно есть модель и право использовать необходимые данные?
Проверяли ли систему на независимых людях из другой страны или периода? Совпадают ли названные вероятности с реальными частотами? Известно ли, как часто она ошибается для разных групп? Объяснено ли, какие сведения сохраняются, кому передаются и как удалить их? Можно ли оспорить результат?
И главное: существует ли действие, которое на основании прогноза доказанно помогает? Если нет, даже технически точный риск может вызвать тревогу, дискриминацию или ненужные решения, не принося пользы.
Вывод AI Futures
Life2vec показал не то, что человеческая судьба стала вычислимой. Он показал более конкретную и, возможно, более важную вещь: подробные цифровые следы жизни позволяют алгоритмам находить статистические связи, которые не видны в обычной анкете.
Это знание может быть полезно для исследований и планирования. Более новые модели уже умеют оценивать сразу множество медицинских рисков и переносить часть закономерностей между странами.
Но путь от групповой закономерности к будущему конкретного человека разрывают неполные данные, ошибки модели, случайные события, новые решения и сама реакция общества на прогноз.
Поэтому ответ на главный вопрос состоит из двух частей.
ИИ может оценивать вероятность отдельных событий в заданных условиях. Современные исследования не показывают, что он знает единственную будущую линию человека.
И всё же такие модели способны менять судьбы — если банки, страховщики, работодатели или государство начнут принимать их вероятности за факты. Именно это, а не онлайн-гадание о дате смерти, является самым реальным вопросом ближайшего будущего.
Вероятность может повлиять на жизнь. Но вероятность — не судьба.
Ключевые первоисточники
Оригинальный life2vec
- Savcisens et al., Nature Computational Science, 2024 — оригинальная статья, задачи и основные результаты.
- Supplementary Information — выборки, метрики, модели сравнения и ограничения.
- Transparent Peer Review File — вопросы рецензентов и дополнительные проверки.
- Официальный сайт и FAQ авторов — объяснение 78,8%, отсутствие публичного инструмента и предупреждение о неаффилированных сайтах.
- Официальный репозиторий life2vec — опубликованный код; модель и защищённые данные недоступны через интернет.
Границы предсказания человеческих исходов
- Salganik et al., PNAS, 2020 — коллективная проверка предсказания жизненных исходов 160 командами.
- Lundberg et al., PNAS, 2024 — разбор причин ошибок с помощью данных и интервью участников.
- Badolato et al., Demography, 2026 — сравнение 12 моделей индивидуальной продолжительности жизни в американском исследовании старения.
- Yan & Rahal, Nature Computational Science, 2025 — почему текущая ошибка не позволяет установить окончательный предел предсказуемости.
Более новая модель медицинских траекторий
- Shmatko et al., Nature, 2025 — Delphi-2M, внешняя датская проверка и генерация возможных траекторий заболеваний.
- Авторская коррекция к Delphi-2M — исправление знака в одной формуле; использованные в этой статье результаты не меняет.
Проверка подлинности сайта
- life2vecai.com — неаффилированный сайт, проверенный AI Futures как объект анализа.
- Verisign RDAP — регистрационные метаданные домена; личность оператора не устанавливают.