Dirbtinis intelektas ilgą laiką buvo pristatomas kaip mokslo greitintuvas. Generatyviniai kalbos modeliai padeda analizuoti duomenis, rašyti straipsnius, sisteminti literatūrą ir net formuluoti hipotezes. Publikacijos gimsta greičiau, citatų skaičius auga, projektų paraiškos ruošiamos efektyviau nei bet kada anksčiau. Atrodo, kad mokslas pagaliau įjungė aukštesnę pavarą.
Tačiau naujas Kembridžo universiteto tyrimas meta šaltą dušą: spartėjimas gali turėti kainą. Ir ta kaina – mokslo įvairovė.
Greitis, kuris gali tapti stabdžiu
Tyrėjai atkreipia dėmesį į paradoksą. Technologija, sukurta pažangai spartinti, ilgainiui gali ją sulėtinti. Problema slypi ne pačiame įrankyje, o jo dominavime.
Dirbtinį intelektą aktyviai naudojantys mokslininkai greičiau publikuoja darbus, dažniau cituojami ir lengviau gauna finansavimą. Tai sukuria uždarą ratą: kuo daugiau dirbtinio intelekto tyrimuose, tuo daugiau paskatų jį naudoti dar plačiau. Rezultatas – vis daugiau projektų, analizių ir publikacijų koncentruojasi aplink tą pačią technologiją.
Kembridžo tyrime šis reiškinys apibūdinamas kaip triguba konvergencija.
Pirmiausia – teminė. Skirtingos mokslo sritys vis dažniau formuluoja klausimus per dirbtinio intelekto prizmę. Net disciplinos, kurios anksčiau turėjo visiškai savitus tyrimų laukus, pradeda kalbėti panašia kalba ir nagrinėti problemas per tuos pačius modelius.
Antra – metodologinė. Dideli kalbos modeliai tampa standartiniu įrankiu klasifikacijai, teksto analizei ir duomenų apdorojimui. Kai metodas tampa dominuojantis, jis subtiliai formuoja ir pačius klausimus. Tyrėjai pradeda klausti to, ką lengviausia išanalizuoti naudojant turimą technologiją.
Trečia – lingvistinė. Mokslinės publikacijos vis dažniau naudoja tuos pačius terminus ir struktūras. Tokios frazės kaip „patikimas dirbtinis intelektas“, „žmogaus ir DI bendradarbiavimas“ ar „etiškas naudojimas“ tampa universaliomis formulėmis, kurios ištrina individualų mąstymo braižą.
Autoriai šią situaciją lygina su žemės ūkio monokultūra. Kai laukuose auga tik viena rūšis, sistema tampa pažeidžiama ligoms ir krizei. Panašiai ir moksle – intelektinis vienodumas silpnina atsparumą netikėtoms problemoms.
Episteminis uždaras ratas
Viena iš labiausiai aptariamų grėsmių – vadinamasis episteminis grįžtamasis ryšys. Dirbtinis intelektas naudojamas idėjoms apie dirbtinį intelektą generuoti. Kitaip tariant, sistema pradeda maitinti pati save.
Tokioje situacijoje projektai, kurie nesusiję su dirbtiniu intelektu, praranda matomumą ir finansavimą. Lėtesni, eksperimentiniai ar netradiciniai tyrimai tampa mažiau patrauklūs, nes jų rezultatai negeneruojami taip greitai ir efektyviai. Ilgainiui mokslo kraštovaizdis gali susiaurėti, net jei atskiri tyrėjai tampa produktyvesni nei bet kada anksčiau.
Daugiau publikacijų, mažiau supratimo?
Panašias tendencijas pastebėjo ir kitų universitetų tyrėjai. Tsinghua ir Čikagos universitetų mokslininkai, analizavę šimtus tūkstančių publikacijų, nustatė, kad dirbtinis intelektas padidina atskirų mokslininkų poveikį – jų darbai dažniau cituojami ir pasiekia platesnę auditoriją. Tačiau tuo pačiu sumažėja bendras temų spektras.
Jeilio ir Prinstono universitetų tyrimai kalba apie dar vieną riziką – „supratimo iliuziją“. Kai dirbtinis intelektas padeda generuoti tekstus, analizes ar hipotezes, gali susidaryti įspūdis, kad žinome daugiau nei iš tikrųjų. Produktyvumas auga, bet giluminis suvokimas nebūtinai seka iš paskos.
Ar išeitis – grįžti atgal?
Kembridžo tyrėjai nesiūlo atsisakyti dirbtinio intelekto ar grįžti prie popierinių kortelių katalogų. Jie kalba apie struktūrinius pokyčius.
Siūloma diversifikuoti finansavimą, kad dideliuose projektuose būtų užtikrintas ir ne su dirbtiniu intelektu susijusių tyrimų atstovavimas. Taip pat akcentuojama metodų įvairovė – eksperimentinių, kokybinių, etnografinių prieigų derinimas su skaitmeniniais modeliais.
Kitas svarbus aspektas – vertinimo sistema. Jei bus apdovanojamas tik greitis ir publikacijų kiekis, natūralu, kad mokslininkai rinksis efektyviausius įrankius. Tačiau jei bus vertinamas originalumas, rizika ir intelektinė drąsa, atsiras daugiau paskatų eiti ne tik populiariausiu keliu.
Grėsmė ne technologijoje, o jos monopolijoje
Dirbtinis intelektas savaime nėra nei gelbėtojas, nei griovėjas. Problema atsiranda tada, kai vienas įrankis tampa dominuojančia paradigma. Mokslas visada klestėjo ten, kur egzistavo konkurencija tarp idėjų, metodų ir požiūrių.
Jei ateityje visi klausimai bus formuluojami taip, kad juos būtų patogu spręsti algoritmais, galime gauti greitesnį, bet siauresnį mokslą. O didžiausi proveržiai istorijoje dažniausiai gimė ne ten, kur buvo patogiausia, o ten, kur buvo drąsiausia mąstyti kitaip.
Dirbtinis intelektas gali būti galingas partneris. Tačiau jei jis taps vieninteliu filtru, per kurį matome pasaulį, mokslas rizikuoja prarasti tai, kas jį daro gyvą – įvairovę, netikėtumą ir gebėjimą stebinti.
Šaltinis: https://www.merkur.de/wissen/forscher-warnen-kuenstliche-intelligenz-koennte-die-wissenschaft-in-eine-sackgasse-fuehren-94189879.html
