AI-vel kutatók karrierje szárnyal, de a tudomány szűkül — tanulmány

Az AI-eszközök használata növeli a tudósok publikációs számát, idézettségét és karrierjük előrehaladását, de szűkíti a tudományos kutatások témáinak sokszínűségét. Az University of Chicago kutatói 41,3 millió publikációt elemeztek, és arra jutottak, hogy az AI-intenzív kutatások egyre inkább ugyanazokra az adatközpontú problémákra koncentrálnak, csökkentve a tudományos felfedezések eredetiségét és a témák közötti kapcsolatokat.

James Evans, a tanulmány vezető szerzője szerint ez egy konfliktus az egyéni ösztönzők és a tudomány egésze között. A kutatók, akik AI-eszközöket, például ChatGPT-t vagy AlphaFoldot használnak, gyorsabban haladhatnak előre a karrierjükben, de ez a jelenség a tudományos gondolkodás homogenizálódásához vezethet. A Northwestern University kutatója, Luís Nunes Amaral szerint ez problémás, mert „egyre mélyebbre ássuk ugyanazt a gödröt”.

Kapcsolódó: Stanford és Google együttműködése

AI a kutatói karrierben és a témaválasztásban

A kutatásban 311 000 AI-val támogatott cikket hasonlítottak össze több millió más publikációval hat természettudományi területen (biológia, kémia, fizika, orvostudomány, anyagtudomány, geológia) 1980 és 2025 között. Az eredmények azt mutatták, hogy az AI-t használó kutatók átlagosan háromszor több cikket publikálnak, csaknem ötször annyi idézést kapnak, és egy-két évvel korábban válnak csapatvezetővé, mint azok, akik nem élnek ezekkel az eszközökkel. Az AI-intenzív kutatások ugyanakkor kisebb „intellektuális lábnyomot” hagynak, szorosabban kapcsolódnak népszerű, adatközpontú problémákhoz, és gyengébb hálózatokat generálnak a tanulmányok közötti kapcsolódásban.

Kapcsolódó: AI-generált tudományos cikkek

A publikációs torzítás és a problémák automatizálása

Az automatizált eszközök megkönnyítik a kéziratok és konferencia-előadások tömeges gyártását, ami a folyóiratok szerkesztői és a rendezvényszervezők szerint növeli az alacsony minőségű és hamisított anyagok számát. „Annyira megszállottjai lettünk a publikált cikkek számának, hogy már nem gondolunk arra, mit kutatunk” — mondja Nunes Amaral. Evans elemzése arra is rámutat, hogy az AI leginkább a tudomány legkönnyebben kezelhető részeit automatizálja, nem pedig a kutatás határait tágítja. Az új adatokon képzett modellek kiválóan optimalizálnak jól definiált problémákat, mint a fehérjeszerkezetek előrejelzése vagy képek osztályozása.

Kapcsolódó: AI és lustaság kapcsolata

A szűkülés tartós lehet

A jelenség veszélye nem az, hogy a tudomány lelassul, hanem az, hogy homogenizálódik. Az egyes laborok gyorsan haladhatnak előre, míg a kollektív tudományos vállalkozás ugyanazokra a problémákra, módszerekre és válaszokra konvergálhat. Catherine Shea, a Carnegie Mellon Egyetem kutatója szerint ez „nagyon ijesztő”, mivel bizonyos kérdéstípusok jobban alkalmasak az AI-eszközök számára, és az akadémiai környezetben a kutatók természetesen azok felé fordulnak, amelyek a legkönnyebben vezetnek publikálható eredményekhez. A trend tartóssága attól függhet, hogyan építik és alkalmazzák a jövőbeli AI-eszközöket a tudományos munkafolyamatokban. A Shanghai Artificial Intelligence Laboratory kutatói szerint az AI tudományos alkalmazása továbbra is fragmentált.

Kapcsolódó: Modellek dinamikus viselkedése