AI i vitenskapelig forskning: Produktivitetsgevinster mot kvalitetsrisikoer

AI som forskningsassistent

AI er en sann revolusjon for mange vitenskapelige felt, og gjør det mulig å behandle data og modellere virkelige materialer og situasjoner på en måte selv de kraftigste superdatamaskinene ikke kunne oppnå for bare noen år siden.

Recent examples include diverse forms of AI being used for:

• Finne nye materialer til fusjonsreaktorer.
• Gjenopprette klarhet i bilder fra romteleskopet.
• Optimalisere metall‑3D‑utskriftsprosesser.
• Oppdage nye materialer for solceller, hydrogen‑elektrokatalysatorer, superharde materialer, polymerer og faste elektrolytter.

Disse anvendelsene er vanligvis avhengige av svært spesialiserte AI‑modeller, nøye trent til å undersøke en spesifikk klasse av krystaller eller behandle et unikt sett med bilder.

Imidlertid, når vi snakker om AI, tenker den brede offentligheten vanligvis på generelle LLM‑er (store språkmodeller). Disse brukes for tiden hovedsakelig til å skrive og forbedre tekst, samt utføre avanserte, lesbare spørringer sammenlignet med tradisjonelle søkemotorer.

I teorien bør dette gjelde ikke bare for studenters essays, dårlig poesi og PowerPoint‑presentasjoner, men også for vitenskapelig forskning og publiserte artikler.

Dette kan imidlertid være et tveegget sverd, som forklart i en nylig analyse publisert i den prestisjetunge vitenskapelige tidsskriftet Science¹, med tittelen «Vitenskapelig produksjon i tiden med store språkmodeller».

I denne analysen observerte forskere ved University of California og Cornell University resultatene til vitenskapsfolk som bruker LLM‑er sammenlignet med deres tidligere arbeid. De oppdaget at selv om bruk av LLM‑er kan forbedre kvaliteten på vitenskapelige artikler, skaper det også et høyere volum av lavkvalitetsforskning, noe som forverrer eksisterende problemer i akademia.

Oppdage AI‑bruk i vitenskapelige forskningsartikler

Den første utfordringen er å fastslå hvor utbredt LLM‑bruk er i vitenskapelig skriving og hvem som bruker det.

Ikke overraskende er dette ikke data forskere spontant innrømmer, ettersom verktøyene fortsatt er nye og kan være feilutsatte, spesielt når det gjelder tekniske data eller nisjeemner.

Forskerne samlet inn mer enn 2 millioner artikler fra store vitenskapelige databaser som arXiv, bioRxiv og Social Science Research Network (SSRN), datert fra januar 2018 til juni 2024.

De sammenlignet deretter artikler publisert før 2023 – antatt skrevet av mennesker – med AI‑generert tekst.

Ved hjelp av disse dataene utviklet de en modell for å oppdage AI‑bruk. Med dette verktøyet fastsatte de med rimelig nøyaktighet hvilke forskere som bruker LLM‑er og når de begynte. Deretter fulgte de publikasjonsvolumet til disse forskerne før og etter adopsjon av verktøyene, og om artiklene senere ble akseptert av vitenskapelige tidsskrifter.

AI‑påvirkning på vitenskapelig forskning

Sveip for å bla →

Høyere produktivitet

Den første konklusjonen er at bruk av LLM‑er øker vitenskapsfolkenes produktivitet, i det minste når den måles etter antall publikasjoner.

På arXiv publiserte forskere som ble identifisert som brukere av LLM‑er omtrent en tredjedel flere artikler enn de som ikke så ut til å bruke AI. På bioRxiv og SSRN oversteg økningen 50 %.

Siden «publish or perish»-kulturen styrer karriereveiene til de fleste forskere, har denne økningen i volum en betydelig innvirkning på karriereforløp.

En annen innsikt er at løftet var sterkere for forskere antatt å være ikke‑engelsktalende.

For eksempel publiserte forskere tilknyttet asiatiske institusjoner mellom 43,0 % og 89,3 % flere artikler etter at detektoren antydet at de begynte å bruke LLM‑er.

Dette gir mening; mange forskere er teknisk briljante og i stand til å lese engelsk (et krav i moderne akademia), men kan ha vanskeligheter med å formulere klare, elegante setninger på et andre språk.

Utbredt bruk av LLM‑er kan jevne spillefeltet for ikke‑engelsktalende, og hjelpe høykvalitetsforskning med å oppnå internasjonal anerkjennelse uavhengig av forfatterens språklige flyt.

Bedre oppdagelse av vitenskapelig kunnskap

LLM‑er kan også brukes til å finne artikler som er relevante for et spesifikt tema, ved å bruke spesialiserte AI‑er som Elicit, ResearchRabbit eller Scite.

En betydelig del av vitenskapelig forskning består av å finne og lese andre artikler for å trekke ut informasjon eller identifisere eksperimentelle protokoller som kan gjenbrukes i nye sammenhenger.

AI‑er foretrekker generelt nyere artikler og legger mindre vekt på siteringsantall sammenlignet med tradisjonelle søkemotorer. Dermed gir de et alternativ for forskere som leter etter nye ideer eller mindre diskuterte eksperimenter.

“Folk som bruker LLM‑er kobler seg til mer variert kunnskap, noe som kan drive frem mer kreative ideer.”

Keigo Kusumegi, doktorgradsstudent ved Cornell University

Denne hypotesen kan testes i fremtiden ved å undersøke om artikler skrevet med AI‑assistanse har mer variert litteraturliste eller er mer innovative og tverrfaglige.

AI som et nytt problem i vitenskap & akademia

De siste årene har vitenskapelig forskning – spesielt innen samfunnsvitenskapene – opplevd en replikasjonskrise.

Fordi resultatene i mange artikler ikke kan reproduseres av andre forskere, kan tilsynelatende seriøse studier være feilaktige eller til og med falske. Dette har blitt beskrevet som en “eksistensiell krise for vitenskapen.”

Historisk har kompleks skriving – inkludert lengre setninger og sofistikert vokabular – vært en heuristikk for høyere kvalitet på forskning. Selv om den ikke er idiotsikker, hjalp den med å skille ekspertmessig skrevet forskning fra dårlig analyse.

I kontrast er artikler skrevet med AI‑assistanse for tiden mindre sannsynlig å bli akseptert av tidsskrifter.

Alt i alt truer dette med ytterligere å frakoble målet «publiserte artikler» fra den faktiske talenten til en forsker. Redaktører og fagfeller kan ha problemer med å identifisere de mest verdifulle innsendelsene, spesielt etter hvert som AI blir stadig mer effektiv og menneskelig.

Til slutt kan enorme mengder «slop» – falske men plausibel utseende forskningsartikler – genereres via AI. Denne risikoen er ikke begrenset til sosiale medier; den er et betydelig problem for vitenskapelig forskning, hvor fagfellers tid allerede var en knapp ressurs før fremveksten av LLM‑er.

Hva AI betyr for fremtiden til vitenskapelig forskning

Fordi AI er et verktøy, må forskere lære å bruke det effektivt. Det er nesten umulig å forby LLM‑er fra forskningslabber, og oppdagelse vil bare bli vanskeligere.

Tilpasning og produktiv bruk av AI i vitenskapelig skriving vil bli det definerende temaet fremover.

“Allerede nå er spørsmålet ikke, ‘Har du brukt AI?’ Spørsmålet er, ‘Hvordan har du nøyaktig brukt AI, og var det nyttig?'”

Ansettelsespraksis i vitenskap kan ha nytte av en tilbakevending til kvalitative målinger, som dyptgående intervjuer og tekniske tester, i stedet for kun å stole på publikasjonsvolum.

På samme måte må fagfeller og vitenskapelige tidsskrifter tilpasse seg. Potensielt kan systemer som verifiserer om en innsendelse stammer fra et legitimt forskningslaboratorium før analyse bli nødvendig for å blokkere masseproduksjon av falske artikler.

Til syvende og sist vil en dyp forståelse av de tekniske elementene i en artikkel, snarere enn språklig eleganse, bli det viktigste elementet i vurderingen av kvalitet.

Investere i AI‑innovasjon

Nvidia

Nvidia har utviklet seg fra et grafikkortfirma som retter seg mot spillere til verdens største selskap, takket være sin sentrale rolle i å levere AI‑maskinvare til hele teknologibransjen.

Som en pioner innen AI‑dedikert maskinvare var Nvidia den første som hjalp forskere med å utnytte disse verktøyene. “CUDA”, et generelt programmeringsgrensesnitt for Nvidias GPU‑er, åpnet døren for bruk utover spill, og banet vei for dagens AI‑applikasjoner.

Forskerne innså at ved å kjøpe dette spillkortet kalt GeForce, legger du det til datamaskinen din, og du har i praksis en personlig superdatamaskin.

Molekylær dynamikk, seismisk prosessering, CT‑rekonstruksjon, bildebehandling – en hel rekke ulike ting.

Jensen Huang, i et intervju med Sequoia

Det er sannsynlig at Nvidias maskinvare, enten direkte eller integrert i skyene til Microsoft (MSFT ), Google, Meta og OpenAI, vil forbli foretrukket maskinvare for forskere.

AI‑kapitalutgifter forventes å nå så mye som 200 milliarder dollar i 2025, i tillegg til stadig økende samlet forbruk fra de største teknologiselskapene. Andre elektroniske komponenter, som høyytelses‑RAM, er nå i mangel ettersom Nvidias chipproduksjon øker.

Selv om vitenskapelig forskning kanskje ikke utgjør hoveddelen av AI‑beregning sammenlignet med forbruker‑ eller B2B‑bruk, kan den bli den mest innflytelsesrike langsiktige driveren, med løfter om nye legeringer, medisiner og vitenskapelige metoder.

(Du kan lese mer om Nvidias historie, nåværende virksomhet og fremtidige utsikter i vår dedikerte investeringsrapport om selskapet.)

Studie referert

^{1. Keigo Kusumegi, Xinyu Yang, Paul Ginsparg, Mathijs de Vaan, Toby Stuart, and Yian Yin. Vitenskapelig produksjon i tiden med store språkmodeller. Science. 18 Dec 2025. Vol 390, Issue 6779 pp. 1240-1243. DOI: 10.1126/science.adw3000}