Tekoäly tieteellisessä tutkimuksessa: Tuottavuuden kasvu vastaan laadun riskit

AI As A Research Assistant

AI on todellinen vallankumous monille tieteellisille aloille, sillä se mahdollistaa tietojen käsittelyn ja todellisten materiaalien ja tilanteiden mallintamisen tavalla, johon edes voimakkaimmat supertietokoneet eivät pystyneet muutama vuosi sitten.

Recent examples include diverse forms of AI being used for:

• Uusien materiaalien löytäminen fuusioreaktoreihin.
• Avaruusteleskoopin kuvan selkeyden palauttaminen.
• Metallisen 3D-tulostuksen prosessien optimointi.
• Uusien materiaalien löytäminen aurinkokennoihin, vedyn elektrokatseihin, erittäin koviin materiaaleihin, polymeereihin ja kiinteän tilan elektrolyytteihin.

Nämä sovellukset perustuvat yleensä erittäin erikoistuneisiin tekoälymalleihin, jotka on tarkasti koulutettu tarkastelemaan tiettyä kiteiden luokkaa tai käsittelemään ainutlaatuista kuvajoukkoa.

However, when we talk about AI, the broader public usually thinks of generalist LLMs (Large Language Models). These are currently used mostly for writing and improving text, as well as performing advanced, readable queries compared to traditional search engines.

In theory, this should apply not just to students’ essays, bad poetry, and PowerPoint presentations, but also to scientific research and published papers.

This, however, can be a double-edged sword, as explained in a recent analysis published in the prestigious scientific review Science¹, titled “Scientific production in the era of large language models”.

In this analysis, researchers at the University of California and Cornell University observed the output of scientists utilizing LLMs compared to their previous work. They discovered that while using LLMs can improve the quality of scientific papers, it also creates a higher volume of lower-quality research, exacerbating existing problems in academia.

Detecting AI Use in Scientific Research Papers

Ensimmäinen haaste on selvittää, kuinka yleistä LLM-mallien käyttö on tieteellisessä kirjoittamisessa ja kuka sitä käyttää.

Unsurprisingly, this is not data that researchers spontaneously admit to, as the tools are still new and can be error-prone, especially regarding technical data or niche topics.

Tutkijat koottivat yli 2 miljoonaa artikkelia suurista tieteellisistä tietokannoista, kuten arXiv, bioRxiv ja Social Science Research Network (SSRN), ajalta tammikuu 2018 – kesäkuu 2024.

He vertasivat sitten ennen vuotta 2023 julkaistuja artikkeleita – oletettavasti ihmisten kirjoittamia – AI:n tuottamaan tekstiin.

Käyttäen näitä tietoja he kehittivät mallin AI:n käytön havaitsemiseksi. Tämän työkalun avulla he pystyivät kohtuullisen tarkkuudella määrittämään, mitkä tutkijat käyttävät LLM-malleja ja milloin he aloittivat niiden käytön. He seurasivat näiden tutkijoiden julkaisumäärää ennen ja jälkeen työkalujen omaksumisen sekä sitä, hyväksyttiinkö artikkelit myöhemmin tieteellisissä lehdissä.

AI Impact On Scientific Research

Pyyhkäise vierittääksesi →

Korkeampi tuottavuus

Ensimmäinen johtopäätös on, että LLM-mallien käyttö lisää tutkijoiden tuottavuutta, ainakin kun sitä mitataan julkaisujen määrällä.

ArXivissa LLM-malleja käyttäviksi merkittyjen tutkijoiden julkaisu määrä oli noin kolmasosa enemmän kuin niiden, jotka eivät näyttäneet käyttävän tekoälyä. BioRxivissa ja SSRN:ssä kasvu ylitti 50 %.

Koska “julkaise tai kuole” -kulttuuri määrää suurimman osan tutkijoiden urapolut, tämä julkaisumäärän kasvu vaikuttaa merkittävästi urakehitykseen.

Toinen havainto on, että kasvu oli voimakkaampi tutkijoille, joiden oletetaan olevan ei-englanninkielisiä äidinkielenään.

Esimerkiksi Aasian instituutioihin kuuluvat tutkijat julkaisi 43,0 %–89,3 % enemmän artikkeleita sen jälkeen, kun detektori ehdotti heidän alkaneen käyttää LLM-malleja.

Tämä on järkevää; monet tutkijat ovat teknisesti loistavia ja pystyvät lukemaan englantia (nykyakateemian vaatimus), mutta saattavat kamppailla selkeiden, tyylikkäiden lauseiden muodostamisessa toisella kielellä.

LLM-mallien laajamittainen käyttö voisi tasoittaa pelikenttää ei-äidinkielenään puhuville, auttaen korkealaatuista tutkimusta saamaan kansainvälistä tunnustusta riippumatta kirjoittajan kielitaidosta.

Parempi tieteellisen tiedon löytäminen

LLM-malleja voidaan myös käyttää löytämään tiettyyn aiheeseen liittyviä artikkeleita hyödyntäen erikoistuneita tekoälyjä, kuten Elicit, ResearchRabbit tai Scite.

Merkittävä osa tieteellisestä tutkimuksesta koostuu muiden artikkeleiden etsimisestä ja lukemisesta tiedon johdattamiseksi tai kokeellisten protokollien tunnistamiseksi, joita voidaan käyttää uudelleen uusissa yhteyksissä.

Tekoälyt suosivat yleensä uudempia artikkeleita ja antavat vähemmän painoarvoa viittausmäärille verrattuna perinteisiin hakukoneisiin. Näin ne tarjoavat vaihtoehdon tutkijoille, jotka etsivät uusia ideoita tai vähemmän käsiteltyjä kokeita.

“Ihmiset, jotka käyttävät LLM-malleja, yhdistävät monipuolisempaan tietoon, mikä saattaa edistää luovampia ideoita.”

Keigo Kusumegi, tohtorikoulutettava Cornellin yliopistossa

Tätä hypoteesia voitaisiin testata tulevaisuudessa tarkistamalla, onko AI‑avusteisesti kirjoitetuilla artikkeleilla monipuolisempi kirjallisuusluettelo tai ovatko ne innovatiivisempia ja monitieteellisempiä.

Tekoäly uutena haasteena tieteessä & akateemisessa maailmassa

Viime vuosina tieteellinen tutkimus – erityisesti yhteiskuntatieteissä – on kokenut toistettavuuskriisin.

Koska monien artikkeleiden tuloksia ei voida toistaa muiden tutkijoiden toimesta, muuten vakavasti vaikuttavat tutkimukset voivat olla virheellisiä tai jopa väärennettyjä. Tätä on kuvattu “olemassaolokriisiksi tieteessä”.

Historiallisesti monimutkainen kirjoittaminen – mukaan lukien pidemmät lauseet ja hienostunut sanasto – on toiminut heuristiikkana korkealaatuiselle tutkimukselle. Vaikka se ei ole täydellinen, se auttoi erottamaan asiantuntevasti kirjoitetun tutkimuksen huonolaatuisesta analyysistä.

Vastaavasti AI‑avusteisesti kirjoitetut artikkelit hyväksytään tällä hetkellä vähemmän todennäköisesti lehdissä.

Kaiken kaikkiaan tämä uhkaa entisestään irrottaa “julkaistujen artikkeleiden” mittarin tutkijan todellisesta kyvykkyydestä. Toimittajat ja arvioijat saattavat kamppailla tunnistaakseen arvokkaimmat käsikirjoitukset, erityisesti kun tekoälystä tulee yhä tehokkaampaa ja inhimillistä.

Lopuksi, valtavat määrät “turhaa” – vääriä mutta uskottavalta näyttäviä tutkimusartikkeleita – voitaisiin tuottaa tekoälyn avulla. Tämä riski ei rajoitu sosiaaliseen mediaan; se on merkittävä ongelma tieteellisessä tutkimuksessa, jossa arvioijien aika oli jo ennen LLM‑mallien nousua niukka resurssi.

What AI Means for the Future of Scientific Research

Koska tekoäly on työkalu, tutkijoiden on opittava käyttämään sitä tehokkaasti. LLM-mallien kieltäminen tutkimuslaboratorioissa on lähes mahdotonta, ja niiden havaitseminen vain vaikeutuu.

Sopeutuminen ja tekoälyn tuottava käyttö tieteellisessä kirjoittamisessa tulee olemaan määrittelevä aihe tulevaisuudessa.

“Jo nyt kysymys ei ole, ‘Oletko käyttänyt tekoälyä?’ vaan, ‘Miten tarkalleen olette käyttäneet tekoälyä, ja oliko se hyödyllistä?'”

Tieteessä rekrytointikäytännöt voivat hyötyä paluusta laadullisiin mittareihin, kuten perusteellisiin haastatteluihin ja teknisiin testauksiin, sen sijaan että luotettaisiin pelkästään julkaisumäärään.

Samoin arvioijien ja tieteellisten lehtien on sopeuduttava. Mahdollisesti järjestelmiä, jotka tarkistavat, onko käsikirjoitus peräisin laillisesta tutkimuslaboratoriosta ennen analysointia, saatetaan tarvita estämään väärennettyjen artikkeleiden massatuotanto.

Lopulta syvä ymmärrys paperin teknisistä elementeistä, eikä kielellisestä eleganssista, tulee olemaan tärkein tekijä laadun arvioinnissa.

Investing in AI Innovation

Nvidia

Nvidia on kehittynyt pelkästään pelaajille suunnattuneesta grafiikkakorttiyrityksestä maailman suurimmaksi yritykseksi kiitos keskeisen roolinsa AI‑laitteiston tarjoamisessa koko teknologiasektorille.

AI‑laitteistoon omistautuneena edelläkävijänä Nvidia oli ensimmäinen, joka auttoi tutkijoita hyödyntämään näitä työkaluja. “CUDA”, yleiskäyttöinen ohjelmointirajapinta Nvidia‑GPU:ille, avasi oven käyttötarkoituksiin pelien ulkopuolella, raivaten tietä nykyisille AI‑sovelluksille.

“Tutkijat tajusivat, että ostamalla tämän GeForce‑pelikortin, lisäät sen tietokoneeseesi ja sinulla on periaatteessa henkilökohtainen supertietokone.

Molekyylidynamiikka, seisminen prosessointi, CT‑rekonstruktio, kuvankäsittely – koko joukko erilaisia asioita.”

Jensen Huang, haastattelussa Sequoialle
On todennäköistä, että Nvidia‑laitteisto, joko suoraan tai Microsoftin, Googlen, Metan ja OpenAI:n pilvialustoihin sisällytettynä, pysyy tutkijoiden ensisijaisena laitteistona.

AI‑pääomakustannusten odotetaan nousevan jopa 200 miljardiin dollariin vuonna 2025, suurimpien teknologiayritysten jatkuvasti kasvavan kumulatiivisen kulutuksen päälle. Muiden elektronisten komponenttien, kuten korkean suorituskyvyn RAM-muistin, saatavuus on nyt niukkaa Nvidia‑piirien tuotannon kiihtyessä.

Vaikka tieteellinen tutkimus ei ehkä edusta suurinta osaa AI‑laskennasta kuluttaja- tai B2B‑käytön rinnalla, se voi tulla merkittäväksi pitkän aikavälin ajuriksi, lupauksena uusia seoksia, lääkkeitä ja tieteellisiä menetelmiä.

(Voit lukea lisää Nvidian historiasta, nykyisestä liiketoiminnasta ja tulevaisuuden näkymistä omassa sijoitusraportissamme yrityksestä.)

Viitattu tutkimus

^{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, Numero 6779 s. 1240-1243. DOI: 10.1126/science.adw3000}