Александр Горбань родился в 1952 году в Омске в семье историка и преподавателя литературы. Его ранние годы прошли под знаком политических репрессий — отец был сослан в Сибирь, а сам Александр в 1969 году был исключён из Новосибирского государственного университета за участие в студенческих протестах. Это могло поставить крест на научной карьере, но Горбань продолжил образование в провинциальных вузах, демонстрируя необыкновенные способности к математике. Его первые работы по сингулярностям в пространствах Банаха, выполненные в Омске, уже тогда привлекли внимание специалистов. Судьба Горбаня отражает трагическую историю советской науки, где политические репрессии часто прерывали перспективные исследования, а талантливым ученым приходилось искать возможности для работы в провинциальных институтах.

Переломным моментом стал переезд в Красноярск в 1976 году, где Горбань присоединился к Институту вычислительного моделирования СО АН СССР. В 1990-е годы, когда российская наука переживала катастрофический кризис, а нейросети считались бесперспективным направлением, он возглавил кафедру нейроинформатики в Красноярском техническом университете. Это было время, когда западные исследователи вроде Хинтона и ЛеКуна только начинали возрождать интерес к нейросетям, а в России многие институты выживали за счёт сдачи помещений в аренду. Удивительно, но именно в таких условиях Горбань смог сделать прорывные открытия, которые сегодня считаются фундаментальными для теории нейронных сетей.

Научные достижения Горбаня включают два фундаментальных результата. Во-первых, это независимое доказательство теоремы об универсальной аппроксимации нейронных сетей (аналогичное работам Хорника и Уайта), объясняющей, почему даже простые нейросети могут приближать любые непрерывные функции. Во-вторых, разработка метода эластичных карт (Principal Manifolds) для визуализации многомерных данных — предшественника современных алгоритмов вроде t-SNE и UMAP. Эти работы были выполнены без доступа к мощным вычислительным ресурсам, что делает их ещё более значимыми. Методы Горбаня до сих пор используются в машинном обучении, особенно в задачах анализа высокоразмерных данных, где традиционные статистические подходы оказываются неэффективными.

Особый интерес представляет «Принцип Анны Карениной» — математическая модель адаптации систем к стрессу, нашедшая применение в экономике, биологии и медицине. Горбань показал, что в критических состояниях одновременно растут корреляции между параметрами системы и их дисперсия, что позволяет прогнозировать кризисы. Эта работа, как и многие другие, была выполнена в условиях, когда российские учёные месяцами не получали зарплату, а международные коллаборации были редким исключением. Теоретические разработки Горбаня опередили свое время и только сейчас получают должное признание в научном сообществе, когда нейросетевые технологии стали основой современного искусственного интеллекта.

В 2004 году Горбань переехал в Великобританию, став профессором Лестерского университета. Этот шаг не был «утечкой мозгов» — скорее, попыткой сохранить научную продуктивность в условиях, когда российская академическая система находилась в упадке. До своей смерти он опубликовал около 300 работ, воспитал десятки учеников и получил международное признание, включая медаль Пригожина. Однако его ранние работы 1990-х годов, выполненные в Красноярске, остаются менее известными, чем они того заслуживают. История Горбаня ставит важный вопрос о роли российских ученых в развитии нейросетевых технологий и о том, почему многие прорывные идеи были реализованы за границей, а не на родине их авторов.

Сегодня, когда нейросети стали основой технологического прогресса, наследие Горбаня требует переоценки. Его история — не только о прорывах в математике, но и о том, как учёный может сохранять продуктивность вопреки политическим и экономическим кризисам. Вопрос, почему российская наука не смогла удержать таких исследователей и capitalize на их идеях, остаётся открытым. Возможно, признание заслуг пионеров вроде Горбаня — первый шаг к ответу. Российский ИИ-сектор мог бы получить значительное преимущество, если бы смог систематически поддерживать подобных исследователей и развивать их идеи на ранних этапах, а не признавать их значимость постфактум, когда технологии уже получают мировое признание.

Наследие Горбаня особенно актуально для современного российского AI-сообщества, которое пытается найти свою нишу в глобальной гонке искусственного интеллекта. Его работы по визуализации многомерных данных и теоретическим основам нейросетей могли бы стать основой для развития собственных школ машинного обучения в России. Однако без системной поддержки фундаментальных исследований и создания условий для работы талантливых ученых российский ИИ-сектор рискует продолжать терять потенциальных лидеров, как это произошло с Горбанем. Его пример показывает, что даже в условиях изоляции и недостатка ресурсов возможны научные прорывы, но для их реализации в промышленных масштабах требуется совершенно иная инфраструктура поддержки науки.