AI i Videnskabelig Forskning: Produktivitetsgevinster mod Kvalitetsrisici

AI som forskningsassistent

AI er en sand revolution inden for mange videnskabelige felter, da den muliggør behandling af data og modellering af virkelige materialer og situationer på en måde, som selv de mest kraftfulde supercomputere ikke kunne opnå for blot få år siden.

Nylige eksempler inkluderer forskellige former for AI, der anvendes til:

• At finde nye materialer til kernesfusionreaktorer.
• At genoprette billedklarhed i rumteleskoper.
• At optimere metal 3D-printprocesser.
• At opdage nye materialer til solceller, hydrogenelektrokatalysatorer, superhårde materialer, polymerer og faste elektrolytter.

Disse anvendelser bygger typisk på højt specialiserede AI-modeller, som er omhyggeligt trænet til at undersøge en specifik krystaltype eller behandle et unikt sæt billeder.

Men når vi taler om AI, tænker den brede offentlighed som regel på generelle LLM’er (Large Language Models). Disse bruges i øjeblikket primært til at skrive og forbedre tekst samt udføre avancerede, læsevenlige forespørgsler sammenlignet med traditionelle søgemaskiner.

I teorien bør dette gælde ikke kun for studerendes essays, dårlig poesi og PowerPoint-præsentationer, men også for videnskabelig forskning og offentliggjorte artikler.

Dette kan dog være et tveægget sværd, som forklaret i en nylig analyse offentliggjort i den prestigefyldte videnskabelige tidsskrift Science¹, med titlen “Scientific production in the era of large language models”.

I denne analyse observerede forskere fra University of California og Cornell University videnskabsfolkernes output, der brugte LLM’er, sammenlignet med deres tidligere arbejde. De opdagede, at mens brug af LLM’er kan forbedre kvaliteten af videnskabelige artikler, skaber det også et større volumen af lavere kvalitet forskning, hvilket forværrer eksisterende problemer i akademia.

Detektion af AI-brug i videnskabelige forskningsartikler

Den første udfordring er at fastslå, hvor udbredt brugen af LLM’er er i videnskabelig skrivning, og hvem der bruger dem.

Det er ikke overraskende, at dette ikke er data, som forskere spontant indrømmer, da værktøjerne stadig er nye og kan være fejlbehæftede, især ved tekniske data eller nicheemner.

Forskerne samlede mere end 2 millioner artikler fra store videnskabelige databaser som arXiv, bioRxiv og Social Science Research Network (SSRN), dateret fra januar 2018 til juni 2024.

De sammenlignede derefter artikler offentliggjort før 2023 – antaget skrevet af mennesker – med AI-genereret tekst.

Ved hjælp af disse data udviklede de en model til at opdage AI-brug. Med dette værktøj fastslog de med rimelig nøjagtighed, hvilke forskere der bruger LLM’er, og hvornår de begyndte. De fulgte derefter publikationsvolumen for disse forskere før og efter adoptionen af værktøjerne, samt om artiklerne efterfølgende blev accepteret af videnskabelige tidsskrifter.

AI’s indvirkning på videnskabelig forskning

Swipe for at rulle →

Højere produktivitet

Den første konklusion er, at brug af LLM’er øger forskernes produktivitet, mindst når den måles på antallet af publikationer.

På arXiv offentliggjorde forskere, der blev markeret som brugere af LLM’er, cirka en tredjedel flere artikler end dem, der ikke syntes at bruge AI. På bioRxiv og SSRN oversteg stigningen 50%.

I betragtning af at “publish or perish”-kulturen bestemmer de fleste forskeres karriereveje, har denne volumenstigning en alvorlig indvirkning på karriereforløb.

En anden indsigt er, at forøgelsen var stærkere for forskere, som antages at være ikke-indfødte engelsktalende.

For eksempel offentliggjorde forskere tilknyttet asiatiske institutioner mellem 43,0% og 89,3% flere artikler, efter at detektoren antydede, at de begyndte at bruge LLM’er.

Dette giver mening; mange forskere er teknisk brillante og i stand til at læse engelsk (et krav i moderne akademia), men kan have svært ved at konstruere klare, elegante sætninger på et andet sprog.

Udbredt brug af LLM’er kunne udligne spillefeltet for ikke-indfødte talere, og hjælpe forskning af høj kvalitet med at opnå international anerkendelse uanset forfatterens sproglige færdigheder.

Bedre opdagelse af videnskabelig viden

LLM’er kan også bruges til at finde artikler, der er relevante for et specifikt emne, ved at benytte specialiserede AI’er som Elicit, ResearchRabbit eller Scite.

En betydelig del af videnskabelig forskning består i at finde og læse andre artikler for at udlede information eller identificere eksperimentelle protokoller, der kan genbruges i nye sammenhænge.

AI’er foretrækker generelt nyere artikler og lægger mindre vægt på citationsantal sammenlignet med traditionelle søgemaskiner. Derfor giver de et alternativ for forskere, der søger nye idéer eller mindre diskuterede eksperimenter.

“Folk, der bruger LLM’er, forbinder sig til mere diversificeret viden, hvilket kan drive mere kreative idéer.”

Keigo Kusumegi, doktorand ved Cornell University

Denne hypotese kunne i fremtiden testes ved at undersøge, om artikler skrevet med AI-assistance har mere diversificerede bibliografier eller er mere innovative og tværfaglige.

AI som et nyt problem i videnskab & akademia

I de senere år har videnskabelig forskning – især inden for samfundsvidenskaberne – oplevet en reproducerbarhedskrise.

Da resultaterne af mange artikler ikke kan reproduceres af andre forskere, kan tilsyneladende seriøse studier være fejlbehæftede eller endda falske. Dette er blevet beskrevet som en “eksistentiel krise for videnskaben.”

Historisk set har kompleks skrivning – herunder længere sætninger og sofistikeret ordforråd – været en heuristik for forskning af højere kvalitet. Selvom den ikke er fejlsikker, har den hjulpet med at skelne ekspertligt skrevet forskning fra dårlig analyse.

I modsætning hertil er artikler skrevet med AI-assistance i øjeblikket mindre tilbøjelige til at blive accepteret af tidsskrifter.

Samlet set truer dette med yderligere at frakoble målet “artikler offentliggjort” fra den faktiske talent hos en forsker. Redaktører og bedømmere kan have svært ved at identificere de mest værdifulde indsendelser, især efterhånden som AI bliver stadig mere effektiv og menneskelig.

Endelig kan enorme mængder af “slop” – falske men plausibel udseende forskningsartikler – genereres via AI. Denne risiko er ikke begrænset til sociale medier; den er et betydeligt problem for videnskabelig forskning, hvor bedømmernes tid allerede var en knap ressource før fremkomsten af LLM’er.

Hvad AI betyder for fremtiden for videnskabelig forskning

Da AI er et værktøj, skal forskere lære at bruge det effektivt. Det er næsten umuligt at forbyde LLM’er i forskningslaboratorier, og detektion vil kun blive sværere.

Tilpasning og produktiv brug af AI i videnskabelig skrivning vil blive det afgørende emne fremover.

“Allerede nu er spørgsmålet ikke, ‘Har du brugt AI?’ Spørgsmålet er, ‘Hvordan har du præcis brugt AI, og var det nyttigt?'”

Ansættelsespraksis inden for videnskab kan drage fordel af et tilbagevenden til kvalitative målinger, såsom dybdegående interviews og tekniske tests, i stedet for kun at stole på publikationsvolumen.

Tilsvarende skal bedømmere og videnskabelige tidsskrifter tilpasse sig. Potentielt kan systemer, der verificerer, om en indsendelse stammer fra et legitimt forskningslaboratorium før analyse, blive nødvendige for at blokere masseproduktion af falske artikler.

I sidste ende vil en dyb forståelse af de tekniske elementer i en artikel, snarere end sproglig elegance, blive det fremherskende element i vurderingen af kvalitet.

Investering i AI-innovation

Nvidia

Nvidia har udviklet sig fra et grafikkortfirma, der henvendte sig til gamere, til verdens største virksomhed, takket være dens centrale rolle i at levere AI-hardware til hele teknologibranchen.

Som pioner inden for AI-dedikeret hardware var Nvidia den første til at hjælpe forskere med at udnytte disse værktøjer. “CUDA”, et generelt programmeringsinterface for Nvidias GPU’er, åbnede døren for anvendelser ud over gaming og banede vejen for nutidens AI-applikationer.

“Forskerne indså, at ved at købe dette gamingkort kaldet GeForce, tilføjer du det til din computer, og du har i praksis en personlig supercomputer.

Molekylær dynamik, seismisk behandling, CT-rekonstruktion, billedbehandling – en hel række forskellige ting.”

Jensen Huang, i et interview med Sequoia

Det er sandsynligt, at Nvidia-hardware, enten direkte eller indarbejdet i skyerne fra Microsoft (MSFT ), Google, Meta og OpenAI, vil forblive den foretrukne hardware for forskere.

AI-capex forventes at nå op på så meget som 200 mia. $ i 2025, ud over den stadigt voksende samlede udgift fra de største teknologivirksomheder. Andre elektroniske komponenter, såsom højtydende RAM, er nu i mangel, efterhånden som Nvidia-chipproduktionen øges.

Selvom videnskabelig forskning måske ikke udgør hoveddelen af AI-beregning sammenlignet med forbruger- eller B2B-brug, kan den blive den mest indflydelsesrige langsigtede driver, der lover nye legeringer, lægemidler og videnskabelige metoder.

(Du kan læse mere om Nvidias historie, nuværende forretning og fremtidige udsigter i vores dedikerede investeringsrapport om virksomheden.)

Studie refereret

^{1. Keigo Kusumegi, Xinyu Yang, Paul Ginsparg, Mathijs de Vaan, Toby Stuart, and Yian Yin. Scientific production in the era of large language models. Science. 18 Dec 2025. Vol 390, Issue 6779 pp. 1240-1243. DOI: 10.1126/science.adw3000}