
حتی اگر مدلهای زبانی بزرگ (LLM) کاملاً بینقص و بدون خطا عمل کنند، باز هم میتوانند روند پژوهشهای علمی را به سمت تنزل کیفیت سوق دهند. بر اساس یک مطالعه نظری جدید، کاهش زمان انجام پروژهها به واسطه هوش مصنوعی باعث میشود محققان بهجای صرف زمان برای تعمیق کیفیت پژوهشهای جاری، بر تعداد پروژهها افزوده و انرژی کمتری را صرف هر پژوهش کنند.
مدلهای زبانی با هدف شتاببخشی به مراحل مختلف فعالیتهای علمی—از فرضیهسازی و تحلیل دادهها گرفته تا نگارش مقاله—به کار گرفته میشوند. فرض اولیه و ایدهآل این است که با واگذاری وظایف تکراری به هوش مصنوعی، پژوهشگران فرصت بیشتری برای تفکر عمیق پیدا خواهند کرد. اما پژوهشگران دانشگاه پرینستون، دانشگاه واشنگتن و چند موسسه دیگر در قالبی اقتصادی به تحلیل این موضوع پرداخته و نشان دادهاند که این فرض همواره درست نیست.
بر اساس مفهوم «هزینه فرصت» (Opportunity Cost) در اقتصاد، زمانی که هوش مصنوعی بار کاری پژوهشگر را کاهش میدهد، ارزش زمان او افزایش مییابد؛ چراکه هر ساعت صرفشده روی یک پروژه قدیمی، به معنای از دست دادن فرصت کلید زدن یک پروژه جدید است.
پژوهشگران برای بررسی رفتار دانشمندان، از «نظریه جستوجوی بهینه» (Optimal Foraging Theory) در اکولوژی رفتاری بهره گرفتند؛ الگویی که نحوه تخصیص انرژی ارگانیسمها میان منابع مختلف را توضیح میدهد. در این مدل، یک پروژه پژوهشی شامل دو مرحله اصلی است: ابتدا بررسی امکانپذیری ایده اولیه، و سپس تصمیمگیری درباره ادامه یا رهاسازی آن.
مرحله دوم خود از دو بخش تشکیل میشود: بخش الزامی (مانند آمادهسازی نمودارها، قالببندی و ارسال مقاله) و بخش اختیاری (مانند انجام آزمایشهای تکمیلی، تحلیلهای عمیقتر و صیقل دادن متن). نویسندگان مقاله استدلال میکنند که با کمبود زمان و افزایش ارزش آن، دقیقاً همین بخش اختیاری است که قربانی میشود.
این مطالعه سه سناریوی مختلف را بر اساس نقطه ورود هوش مصنوعی به فرایند پژوهش تحلیل میکند:
در دو حالت اول، شوک زمانی حاصل از بهکارگیری هوش مصنوعی به کاهش دقت و عمیق نبودن خروجیها میانجامد، چراکه صیقل دادن یک مقاله متوسط در مقایسه با شروع پروژهای تازه، توجیه اقتصادی ندارد.
نویسندگان مقاله تاکید میکنند که هوش مصنوعی بهعنوان یک فناوری افزاینده نیروی کار، هزینه فرصت زمان را بالا میبرد و پژوهشگران را سوق میدهد تا کارهای بیشتری را با کیفیت نازلتر انجام دهند، نه کارهای یکسان را با کیفیت بالاتر.
این پیشبینیهای نظری در دنیای واقعی نیز مشاهده میشوند. گزارش شرکت OpenAI از هشت مطالعه موردی نشان داد که اگرچه بازنویسی نرمافزارهای علمی تا ۶۰ برابر سریعتر شده، اما گلوگاه اصلی فرایند به مراحل اعتبارسنجی و نگهداری منتقل شده است. همچنین بررسی موسسه METR نشان داد توسعهدهندگان باتجربه هنگام استفاده از ابزارهای هوش مصنوعی، با وجود احساس افزایش سرعت ۲۴ درصدی، در عمل ۱۹ درصد زمان بیشتری صرف اتمام وظایف کردهاند.
این روند چالشهای جدی برای نظام داوری همتایان (Peer Review) ایجاد کرده است. حجم ارسال مقالات افزایش یافته و مواردی چون مقاله کاملاً تولیدشده توسط مدل «AI Scientist-v2» ساخت شرکت Sakana AI با وجود ارجاعات اشتباه منتشر شده است؛ امری که واکنش شدید پلتفرمهایی مانند ArXiv و وضع جریمههای سنگین را به همراه داشته است.
این مطلب بر اساس خبر The Decoder بازنویسی و ترجمه شده است.
دیدگاهها۰
برای ثبت نظر، پرسش یا رأی ابتدا وارد حساب کاربری شوید.