ВЕСТИ ЯКУТИИ // Анализ 41 миллиона научных публикаций выявил парадокс: инструменты искусственного интеллекта расширяют влияние отдельных исследователей, но одновременно сужают общие горизонты науки. По мере распространения таких инструментов, как ChatGPT, в университетах и компаниях часто звучит мысль: ИИ не заменит вас, но кто-то, использующий ИИ, может это сделать — и новые данные подтверждают, что этот разрыв уже формирует победителей и отстающих в естественных науках.
В статье, опубликованной в журнале Nature, сообщается о крупнейшем на сегодняшний день исследовании такого рода. Авторы обнаружили, что учёные, применяющие любые методы ИИ — от ранних подходов машинного обучения до современных генеративных моделей — стабильно достигают больших карьерных успехов. Исследования показывают, что такие учёные публикуют примерно в три раза больше статей и получают почти в пять раз больше цитирований в течение карьеры (приблизительно коэффициенты 3,02 и 4,84). Кроме того, статьи с применением ИИ в разные эпохи — машинного обучения (1980–2014), глубокого обучения (2016–2022) и генеративного ИИ (с 2023 года) — в среднем собирали почти вдвое больше цитирований в год по сравнению с работами без ИИ. Молодые исследователи, использующие ИИ, реже покидали науку и чаще становились признанными лидерами, делая это примерно на 1,5 года раньше своих коллег без ИИ.
Авторы пришли к этим выводам, проанализировав публикации в областях биологии, медицины, химии, физики, материаловедения и геологии, охватывающие период с 1980 по 2025 год. Понадобилось решить непростую задачу — определить, какие статьи включают использование ИИ. Для этого команда обучила языковую модель сканировать заголовки и аннотации и помечать вероятные ИИ-работы; модель выделила около 310 000 таких публикаций. Образцы были проверены экспертами-людьми, которые подтвердили, что автоматическая классификация по точности сопоставима с экспертной оценкой.
Однако выгоды для отдельных учёных сопровождаются издержками для науки в целом. Исследование показало, что статьи с ИИ охватывают на 4,6% меньше тем, чем традиционные работы, то есть происходят сужение тематического диапазона и концентрация усилий на ограниченном числе проблем. Авторы связывают это с механизмом обратной связи: популярность определённых задач стимулирует создание больших наборов данных, эти массивы делают ИИ особенно полезным, а успехи, достигнутые с помощью ИИ, привлекают всё больше исследователей к тем же самым проблемам. «Мы как стайные животные», — отмечает соавтор Джеймс Эванс.
Эта концентрированность проявляется и в структуре ссылочной сети: в естественных науках работы с ИИ получили на 22% меньше отклика со стороны последующих исследований. Цитирования оказались более сконцентрированы — менее четверти статей аккумулировали 80% всех цитирований, то есть обсуждение и развитие идей сосредоточено вокруг небольшого числа выдающихся работ. Как пример влияния таких «высочайших» достижений исследователь Фэнли Сюй упоминает AlphaFold: внимание к одной заметной работе может подтолкнуть многих учёных к попыткам дальше развить именно её, оставляя в тени множество других направлений.
Некоторые учёные предупреждают, что ускоряющийся рост генеративного ИИ усугубляет ситуацию и порождает для науки редкий по масштабу кризис, поскольку институции не успевают адаптировать процессы оценки и стимулирования исследований к новым реалиям. Вместе с тем снижение разнообразия исследований не обязательно необратимо. Один из путей — создание качественных и обширных наборов данных в тех областях, где ИИ ещё не получил широкого распространения; это, по мнению Чжичэна Линя, может расширить возможности применения ИИ и распределить исследовательские усилия более равномерно.
Авторы также предлагают ориентировать развитие будущих систем ИИ не только на обработку больших данных, но и на создание автономных агентов, способных к научному творчеству, что потенциально откроет новые направления исследований (идею продвигает Йонг Ли). Тем временем, по словам Эванса, научное сообщество должно внимательнее смотреть на то, как изменились стимулы: цель — добиться того, чтобы работа с ИИ стимулировала появление новых областей исследований, а не вытесняла и не замалчивала важные старые вопросы.
Источник: https://www.science.org/
