Η τεχνητή νοημοσύνη και ο φόβος των ερευνητών

Οι επιστήμονες χρησιμοποιούν όλο και περισσότερο την τεχνητή νοημοσύνη (AI) για να κάνουν τη δουλειά τους. Πολλοί λένε ότι τα εργαλεία της τους εξοικονομούν χρόνο και χρήμα, αλλά άλλοι έχουν δει τις αρνητικές επιπτώσεις που μπορούν να έχουν τέτοια εργαλεία στην έρευνα. Σε μια μελέτη σε περισσότερους από 2.400 ερευνητές που κυκλοφόρησε τον Οκτώβριο, από το 2024, όταν υπήρχαν 1.043 ερωτηθέντες, οι επιστήμονες της πρώιμης σταδιοδρομίας και οι ερευνητές στις φυσικές επιστήμες ήταν πιο πιθανό να χρησιμοποιήσουν εργαλεία τεχνητής νοημοσύνης στην εργασία τους και ήταν πιο πιθανό να υιοθετήσουν πρώιμα την τεχνητή νοημοσύνη απ’ ό,τι οι ερευνητές μεταγενέστερης σταδιοδρομίας ή όσοι εργάζονταν στις ανθρωπιστικές επιστήμες, στα μαθηματικά και στις μεταφράσεις.
Οι ερευνητές χρησιμοποιούν εργαλεία τεχνητής νοημοσύνης για να τους βοηθήσουν στη γραφή, την επεξεργασία και τη μετάφραση. Τα χρησιμοποιούν επίσης για να εντοπίσουν σφάλματα ή μεροληψία στη γραφή τους και να συνοψίσουν μεγάλους όγκους μελετών. Σε ένα δείγμα 2.059 ερωτηθέντων, το 85% είπε ότι η τεχνητή νοημοσύνη βοήθησε στην αποτελεσματικότητα, το 77% ότι βοήθησε στην αύξηση της ποσότητας της εργασίας που ολοκληρώθηκε, και το 73% ότι βελτίωσε την ποιότητα της εργασίας του.

Βοήθεια

Τα εργαλεία τεχνητής νοημοσύνης είναι δημοφιλή μεταξύ των αστρονόμων, βοηθώντας τους να επεξεργαστούν τεράστια σύνολα δεδομένων. Ο Matthew Bailes, αστροφυσικός στο Τεχνολογικό Πανεπιστήμιο Swinburne στη Μελβούρνη της Αυστραλίας, λέει ότι τα εργαλεία τεχνητής νοημοσύνης είναι δημοφιλή στους αστρονόμους, βοηθώντας τους να επεξεργαστούν τεράστια σύνολα δεδομένων. Η ομάδα του χρησιμοποιεί AI εδώ και περίπου μία δεκαετία για να εντοπίσει ίχνη αστέρων νετρονίων στα δεδομένα της. «Όταν έχετε 10.000 υποψηφίους, είναι χρήσιμο να μπορείτε απλώς να το ξεπεράσετε σε λίγα δευτερόλεπτα, αντί να κοιτάτε χειροκίνητα τα πάντα».

Η ομάδα του αναπτύσσει επίσης μια εικονική προσομοίωση του Σύμπαντος. Το έργο χρησιμοποιεί μια plug-in έκδοση του παραγωγικού μοντέλου AI Claude, που αναπτύχθηκε από την Anthropic στο Σαν Φρανσίσκο της Καλιφόρνιας, για την εμφάνιση δεδομένων παράλληλα με οπτικοποιήσεις. Ο Bailes ελπίζει να το χρησιμοποιήσει ως «συν-δάσκαλος». Θα μπορούσε να δείξει μια προσομοίωση ενός σφαιρικού σμήνους –μια συλλογή από χιλιάδες έως εκατομμύρια αστέρια– έναντι γραφημάτων που δείχνουν πόσες μαύρες τρύπες ή αστέρια νετρονίων αναπτύσσονται με την πάροδο του χρόνου. «Οι ευκαιρίες για εκπαίδευση εκεί είναι εκπληκτικές», προσθέτει.

Τα οφέλη

Η τεχνητή νοημοσύνη έχει επίσης αντίκτυπο στα αποτελέσματα των επιστημόνων και στην καριέρα τους. Η προεπισκόπηση 2024 που δημοσιεύτηκε στο arXiv αναφέρει ότι οι επιστήμονες οι οποίοι χρησιμοποίησαν την τεχνητή νοημοσύνη δημοσίευσαν περισσότερες εργασίες, είχαν περισσότερες αναφορές και έγιναν ηγέτες ομάδων τέσσερα χρόνια νωρίτερα από εκείνους που δεν χρησιμοποίησαν AI.

Οι ερευνητές χρησιμοποίησαν ένα μεγάλο γλωσσικό μοντέλο για να εντοπίσουν περισσότερες από 1.000.000 εργασίες με τη βοήθεια AI μεταξύ 679.000.000 μελετών που δημοσιεύθηκαν σε έξι τομείς μεταξύ 1980 και 2024. Οι συγγραφείς σημείωσαν ότι «η ΤΝ επιταχύνει τις εργασίες σε καθιερωμένους τομείς πλούσιους σε δεδομένα». Αυτό υποδηλώνει ότι παρόλο που η τεχνητή νοημοσύνη μπορεί να ενισχύσει την παραγωγικότητα μεμονωμένων επιστημόνων, θα μπορούσε να μειώσει την επιστημονική ποικιλομορφία, λένε.

Πολλοί ερευνητές ανησυχούν για άλλες επιζήμιες επιπτώσεις της τεχνητής νοημοσύνης στην έρευνα. H έρευνα Wiley, που βασίστηκε στην Hoboken (New Jersey), βρήκε ότι 87% των ανθρώπων έδειξαν ενδιαφέρον για το αν η τεχνητή νοημοσύνη κάνει λάθη, αν έχει ψευδαισθήσεις, αλλά και για την ασφάλεια των δεδομένων, την ηθική και την πιθανή έλλειψη διαφάνειας σχετικά με την εκπαίδευση. Στην περσινή έρευνα το ποσοστό ήταν 81%.

Ο κίνδυνος

Ο Nigel Hitchin, μαθηματικός στο Πανεπιστήμιο της Οξφόρδης στο Ηνωμένο Βασίλειο, πιστεύει ότι ο μεγαλύτερος κίνδυνος από τη χρήση της τεχνητής νοημοσύνης στην έρευνα είναι πως οι άνθρωποι υποθέτουν ότι τα μοντέλα τεχνητής νοημοσύνης είναι σωστά. «Θα μπορούσε επίσης να περιλαμβάνει την οκνηρία της κοινότητας», προσθέτει, επειδή η τεχνολογία δεν βοηθά τους ανθρώπους να καταλάβουν γιατί μια απάντηση είναι σωστή ή λανθασμένη.
Ο Bailes έχει δει φοιτητές και άλλους ερευνητές να χρησιμοποιούν μεγάλα γλωσσικά μοντέλα, όπως το ChatGPT, για να γράψουν κώδικα για το λογισμικό τους χωρίς να καταλαβαίνουν πώς λειτουργεί ο κώδικας. Σε μια περίπτωση, μια εργασία που είχε υποβάλει η ομάδα για δημοσίευση περιείχε ένα λάθος που προκλήθηκε από κώδικα που ένας φοιτητής είχε ζητήσει από το ChatGPT να του γράψει αλλά ο ίδιος μετά δεν έκανε τον έλεγχο ορθότητας.
Ο Bailes λέει ότι είναι σημαντικό να διδάξουμε στους εκπαιδευόμενους πώς να επαληθεύουν τις απαντήσεις βοηθώντας τους να αναπτύξουν μια διαίσθηση για το ποια θα μπορούσε να είναι η απάντηση. Πρέπει να την αγκαλιάσουμε με ενθουσιασμό, αλλά να χειριστούμε τα αποτελέσματα με σκεπτικισμό, όπως επιβάλλεται να κάνουμε όταν χειριζόμαστε όλα τα επιστημονικά αποτελέσματα που μας παρουσιάζονται, προσθέτει.