A mesterséges intelligenciáról sokáig úgy beszéltünk, mint egy gyors jegyzetelőről vagy ügyes keresőről. Most egyre inkább úgy néz ki, hogy bizonyos tudományterületeken már nem csak kiszolgálja a kutatást, hanem bele is szól abba, hogyan születnek az eredmények.

Mi történt

Egy MIT-előadásban Neil Thompson amellett érvelt, hogy több tudományág is az AI miatt alapvető változás előtt áll. A fordulat lényege nem pusztán az, hogy a kutatók gyorsabban írnak kódot vagy könnyebben foglalnak össze cikkeket, hanem az, hogy a modellek egyre inkább részt vesznek a tényleges tudományos munkában: mintázatokat találnak, hipotéziseket javasolnak, sőt bizonyos esetekben olyan megoldásokhoz jutnak el, amelyekhez korábban emberi intuíció kellett.

A matematika erre már korai példát adott. Ez azért különösen érdekes, mert a matekot sokan a tiszta emberi kreativitás terepének tartják, nem egyszerűen szabályok mechanikus alkalmazásának. Ha egy AI itt használhatóvá válik, az azt sugallja, hogy más, részben formalizálható területeken is gyorsan teret nyerhet. Gondolj rá úgy, mint amikor egy rendszer nem csak számológép, hanem kutatótárs-jelölt: nem helyettesíti teljesen az embert, de egyre több lépést átvesz a felfedezéshez vezető útból.

Miért fontos

Ez azért számít, mert a tudományban a szűk keresztmetszet gyakran nem az adat hiánya, hanem az, hogy túl sok az adat, túl sok a lehetséges magyarázat, és túl kevés az idő ezek végigpróbálására. Az AI ebben lehet erős: nagy mennyiségű információban keres összefüggéseket, és olyan jelölteket dob fel, amelyeket emberi kutatók aztán ellenőrizhetnek. A hétköznapi felhasználó ebből közvetve profitálhat: gyorsabb anyagkutatás, célzottabb gyógyszerfejlesztés, hatékonyabb mérnöki tervezés jöhet. Ugyanakkor nem mindegy, mennyire érthető, ellenőrizhető és megismételhető az, ahogy egy modell eredményre jut. A Wired értelmezése szerint most nem egyszerűen jobb kutatási szoftverek érkeznek, hanem egy olyan korszak körvonala látszik, ahol több tudományág munkamódszere is átalakulhat.

Mire figyelj

  1. Az igazi mérce nem az lesz, hogy egy modell látványos demót produkál-e, hanem hogy ad-e ellenőrizhető, reprodukálható tudományos eredményeket.
  1. Kulcskérdés marad az átláthatóság. Ha egy rendszer javasol egy új molekulát, bizonyítást vagy fizikai összefüggést, a kutatóknak érteniük kell, miért pont azt.
  1. Érdemes figyelni, mely területek mozdulnak először. Ott várható gyorsabb áttörés, ahol sok az adat, jól formalizálható a probléma, és a javaslatok laborban vagy számítógéppel gyorsan tesztelhetők.
  1. Az is fontos lesz, hogy az AI a kutatók kezében marad-e nyíltan vizsgálható eszközként, vagy néhány nagy szereplő zárt rendszerében koncentrálódik. Ez hosszú távon nemcsak a tempót, hanem a tudomány ellenőrizhetőségét is befolyásolhatja.