Ново проучване от университета Цинхуа идентифицира парадокс в научните изследвания, подпомагани от AI: докато изкуственият интелект повишава производителността на отделните учени, той също така води до колективно стесняване на изследователския фокус в научната общност.
Изследването, ръководено от Ли Йонг, професор в катедрата по електронно инженерство на университета Цинхуа, наскоро беше публикувано в Nature и докладвано от Science.
Екипът стартира проучването, за да се справи с озадачаващ контраст: бързото нарастване на високопоставени пробиви, задвижвани от AI, заедно с документиран спад в разрушителните научни открития в различни дисциплини.
„Наблюдавахме интуитивно противоречие между повишаването на ефективността на микрониво и усещането за конвергенция на макрониво“, каза Ли в интервю за China Daily.
За да преминат отвъд анекдотичните доказателства, изследователите изградиха широкомащабна панорамна карта на знанията, анализирайки 41,3 милиона академични статии, публикувани за период от близо 50 години.
Те използваха нов подход, съчетаващ експертна анотация с логика на голям езиков модел, за да идентифицират изследвания, вдъхновени от AI, постигайки точност на идентификация от 0,875, като 1 представлява перфектен резултат.
Констатациите показват, че на индивидуално ниво учените, които използват AI, публикуват 3,02 пъти повече статии, получават 4,84 пъти повече цитати и стават ръководители на проекти 1,37 години по-рано от връстници, които не използват технологията.
Това „индивидуално ускорение“ обаче има колективна цена. Изследванията, включващи AI, показват 4,63 процента спад в обхвата на знанията и 22 процента спад в междудисциплинарното сътрудничество. Моделите на цитиране в изследвания, управлявани от AI, формират „структура във формата на звезда“, силно концентрирана около малък брой основополагащи документи за AI, сочещи към тенденция към хомогенизиране.
Ли обясни феномена, използвайки метафората за „колективно изкачване на планина“.
„Повечето изследователи, повлияни от инструменти и тенденции, се сближават с няколко популярни, богати на данни „известни пикове“, като същевременно до голяма степен игнорират „неизвестните пикове“, каза той.
Настоящите AI модели, които разчитат до голяма степен на огромни набори от данни, действат като мощни „ускорители за изкачване“ по установени изследователски пътеки. Това създава форма на „научна гравитация“, която насочва изследователската общност към области, където ИИ се представя най-добре, систематично маргинализирайки оскъдни на данни, но потенциално трансформиращи граници, каза Ли.
Проучването идентифицира основния проблем като фундаментална „липса на общоприетост“ в съществуващите модели на ИИ за наука — системен проблем, включващ наличност на данни, алгоритми и утвърдени стимули за научни изследвания.
Силните страни на AI в обучението и прогнозирането са най-изявени в полета, богати на данни, докато ефективността му спада рязко в гранични области, където данните са ограничени или несъществуващи, каза Ли.
Силният личен стимул за използване на AI за бързо публикуване допълнително засилва тенденцията, като дава приоритет на проблемите, които AI може да реши пред тези, които са по-оригинални или критични от научна гледна точка, добави Ли.
В отговор екипът разработи OmniScientist, AI система, проектирана като съвместен „AI учен“. Основната му философия е да развие ИИ от самостоятелен инструмент за ефективност в интегриран участник в човешката научна екосистема.
Системата може автономно да навигира в мрежи от знания, да предлага нови хипотези и да проектира експерименти, особено в междудисциплинарни и оскъдни полета с данни, каза Ли, подчертавайки нейния потенциал да разширява научните изследвания, а не просто да ускорява съществуващите изследователски траектории.
За практикуващите учени Ли препоръчва нагласа на „съзнателно, активно управление на ИИ“. Изследователите трябва да позволят на фундаменталните научни въпроси — вместо на сегашните възможности на AI — да ръководят тяхната работа, съзнателно да разпределят ресурси за изследване на области, в които AI се представя слабо, и да използват AI за укрепване, а не за отслабване на интердисциплинарното сътрудничество.
Ли също каза, че образователните институции трябва да преподават критично мислене за ограниченията на ИИ заедно с техническото обучение. Списанията и академичните институции трябва да реформират системите за оценка, за да възнаграждават по-добре изследователското разнообразие, оригиналността и дългосрочните изследователски проекти.
За граничните изследвания Ли каза, че са необходими по-дълги периоди на оценка и по-голяма толерантност към неуспех, за да се осигури институционална подкрепа за учените, желаещи да изследват „непознатите планини“.
Източник Българо-Китайска Търговско-промишлена палaта