AI i vetenskaplig forskning: produktivitetsökningar mot kvalitetsrisker

AI som forskningsassistent

AI är en sann revolution för många vetenskapliga områden, vilket möjliggör bearbetning av data och modellering av verkliga material och situationer på ett sätt som även de mest kraftfulla superdatorerna inte kunde uppnå för bara några år sedan.

Recent examples include diverse forms of AI being used for:

• Att hitta nya material för kärnfusionsreaktorer.
• Att återställa bildkvaliteten för rymdteleskop.
• Att optimera metall‑3D‑skrivprocesser.
• Att upptäcka nya material för solceller, väteelektrokatalysatorer, superhårda material, polymerer och fast‑tillstånd‑elektrolyter.

Dessa tillämpningar förlitar sig vanligtvis på mycket specialiserade AI‑modeller, finjusterade för att undersöka en specifik kristallklass eller bearbeta en unik uppsättning bilder.

Men när vi talar om AI tänker den breda allmänheten vanligtvis på generella LLM‑modeller (Stora språkmodeller). Dessa används för närvarande mest för att skriva och förbättra text, samt utföra avancerade, läsbara frågor jämfört med traditionella sökmotorer.

I teorin bör detta gälla inte bara för studentuppsatser, dålig poesi och PowerPoint‑presentationer, utan även för vetenskaplig forskning och publicerade artiklar.

Detta kan dock vara ett tveeggat svärd, som förklaras i en nyligen publicerad analys i den prestigefyllda vetenskapliga tidskriften Science¹, med titeln “Vetenskaplig produktion i stora språkmodellers era”.

I denna analys observerade forskare vid University of California och Cornell University resultaten från forskare som använde LLM‑modeller jämfört med deras tidigare arbete. De upptäckte att medan användning av LLM‑modeller kan förbättra kvaliteten på vetenskapliga artiklar, skapar det också en högre volym av lägre‑kvalitativ forskning, vilket förvärrar befintliga problem inom akademin.

Upptäcka AI‑användning i vetenskapliga forskningsartiklar

Den första utmaningen är att fastställa hur utbredd LLM‑användning är i vetenskapligt skrivande och vem som använder den.

Inte förvånande är detta inte data som forskare spontant avslöjar, eftersom verktygen fortfarande är nya och kan vara felbenägna, särskilt när det gäller tekniska data eller nischade ämnen.

Forskarna samlade in mer än 2 miljoner artiklar från stora vetenskapliga databaser som arXiv, bioRxiv och Social Science Research Network (SSRN), daterade från januari 2018 till juni 2024.

De jämförde sedan artiklar publicerade före 2023 – antagna att vara skrivna av människor – med AI‑genererad text.

Med dessa data utvecklade de en modell för att upptäcka AI‑användning. Med detta verktyg kunde de med rimlig noggrannhet avgöra vilka forskare som använder LLM‑modeller och när de började. De spårade sedan publikationsvolymen för dessa forskare före och efter antagandet av verktygen, samt om dessa artiklar senare accepterades av vetenskapliga tidskrifter.

AI:s påverkan på vetenskaplig forskning

Svep för att rulla →

Högre produktivitet

Den första slutsatsen är att användning av LLM‑modeller ökar forskarnas produktivitet, åtminstone när den mäts i antal publikationer.

På arXiv publicerade forskare som flaggats som AI‑användare ungefär en tredjedel fler artiklar än de som inte verkade använda AI. På bioRxiv och SSRN översteg ökningen 50 %.

Eftersom kulturen “publicera eller gå under” styr karriärvägarna för de flesta forskare, har denna volymökning en allvarlig inverkan på karriärbanor.

En annan insikt är att ökningen var starkare för forskare som antas vara icke‑modersmålstalare i engelska.

Till exempel publicerade forskare knutna till asiatiska institutioner mellan 43,0 % och 89,3 % fler artiklar efter att detektorn indikerade att de börjat använda LLM‑modeller.

Detta är logiskt; många forskare är tekniskt briljanta och kan läsa engelska (ett krav i modern akademi) men kan ha svårt att konstruera tydliga, eleganta meningar på ett andraspråk.

Omfattande användning av LLM‑modeller kan jämna ut spelplanen för icke‑modersmålstalare, vilket hjälper högkvalitativ forskning att få internationellt erkännande oavsett författarens språkliga färdighet.

Bättre upptäckt av vetenskaplig kunskap

LLM‑modeller kan också användas för att hitta artiklar som är relevanta för ett specifikt ämne, med hjälp av specialiserade AI‑verktyg som Elicit, ResearchRabbit eller Scite.

En betydande del av vetenskaplig forskning består av att hitta och läsa andra artiklar för att härleda information eller identifiera experimentella protokoll som kan återanvändas i nya sammanhang.

AI‑system tenderar generellt att föredra nyare artiklar och lägger mindre vikt vid citeringsantal jämfört med traditionella sökmotorer. Därmed erbjuder de ett alternativ för forskare som söker nya idéer eller mindre diskuterade experiment.

“Personer som använder LLM‑modeller kopplar till mer diversifierad kunskap, vilket kan driva mer kreativa idéer.”

Keiko Kusumegi, doktorand vid Cornell University

Denna hypotes kan testas i framtiden genom att undersöka om artiklar skrivna med AI‑assistans har mer diversifierade bibliografier eller är mer innovativa och tvärvetenskapliga.

AI som ett nytt problem inom vetenskap & akademi

Under de senaste åren har vetenskaplig forskning – särskilt inom samhällsvetenskaperna – upplevt en reproducerbarhetskris.

Eftersom resultaten i många artiklar inte kan reproduceras av andra forskare, kan annars seriösa studier vara felaktiga eller till och med bedrägliga. Detta har beskrivits som en ”existentiell kris för vetenskapen.”

Historiskt har komplex skrivning – inklusive längre meningar och sofistikerat vokabulär – varit en heuristik för forskning av högre kvalitet. Även om den inte är felfri hjälpte den till att särskilja välskriven forskning från slarvig analys.

I kontrast är artiklar skrivna med AI‑assistans för närvarande mindre benägna att accepteras av tidskrifter.

Sammanfattningsvis hotar detta att ytterligare koppla loss måttet “publicerade artiklar” från en forskares faktiska talang. Redaktörer och granskare kan ha svårt att identifiera de mest värdefulla inskickningarna, särskilt när AI blir alltmer effektiv och mänskliglik.

Slutligen kan enorma volymer av “slop” – falska men trovärdiga forskningsartiklar – genereras via AI. Denna risk är inte begränsad till sociala medier; den är ett betydande problem för vetenskaplig forskning, där granskarnas tid redan var en knapp resurs innan LLM‑ernas framkomst.

Vad AI betyder för framtiden för vetenskaplig forskning

Eftersom AI är ett verktyg måste forskare lära sig att använda det effektivt. Det är nästan omöjligt att förbjuda LLM‑modeller i forskningslaboratorier, och detektering kommer bara bli svårare.

Anpassning och produktiv användning av AI i vetenskapligt skrivande kommer att bli det avgörande ämnet framöver.

“Redan nu är frågan inte ‘Har du använt AI?’ utan ‘Hur exakt har du använt AI, och var det till hjälp?'”

Anställningspraxis inom vetenskap kan gynnas av en återgång till kvalitativa mått, såsom djupgående intervjuer och tekniska tester, snarare än att enbart förlita sig på publikationsvolym.

På samma sätt måste granskare och vetenskapliga tidskrifter anpassa sig. Eventuellt kan system som verifierar om ett inskickat manus härstammar från ett legitimt forskningslab innan analys krävas för att blockera massproduktion av falska artiklar.

I slutändan kommer en djup förståelse för de tekniska elementen i en artikel, snarare än språklig elegans, att bli den främsta faktorn för att bedöma kvalitet.

Investera i AI‑innovation

Nvidia

Nvidia har utvecklats från ett grafikkortsföretag inriktat på spelare till världens största företag, tack vare sin centrala roll i att tillhandahålla AI‑hårdvara till hela teknikindustrin.

Som pionjär inom AI‑dedikerad hårdvara var Nvidia först med att hjälpa forskare att utnyttja dessa verktyg. “CUDA”, ett generellt programmeringsgränssnitt för Nvidias GPU:er, öppnade dörren för användningar bortom spel och banade vägen för dagens AI‑applikationer.

“Forskare insåg att genom att köpa detta spelkort som heter GeForce, lägger du till det i din dator och i praktiken får du en personlig superdator.

Molekylär dynamik, seismisk bearbetning, CT‑rekonstruktion, bildbehandling – en hel rad olika saker.”

Jensen Huang, i en intervju med Sequoia

Det är sannolikt att Nvidias hårdvara, antingen direkt eller integrerad i molnen hos Microsoft (MSFT ), Google, Meta och OpenAI, kommer att förbli den föredragna hårdvaran för forskare.

AI‑kapitalutgifter förväntas nå så mycket som 200  miljarder dollar år 2025, utöver den ständigt växande kumulativa spendingen från de största teknikföretagen. Andra elektroniska komponenter, såsom högpresterande RAM, är nu i brist när Nvidias chipproduktion ökar.

Även om vetenskaplig forskning kanske inte utgör majoriteten av AI‑beräkning jämfört med konsument‑ eller B2B‑användning, kan den bli den mest påverkningsfulla långsiktiga drivkraften, med löften om nya legeringar, mediciner och vetenskapliga metoder.

(Du kan läsa mer om Nvidias historia, nuvarande verksamhet och framtidsutsikter i vår dedikerade investeringsrapport om företaget.)

Refererad studie

^{1. Keigo Kusumegi, Xinyu Yang, Paul Ginsparg, Mathijs de Vaan, Toby Stuart, and Yian Yin. Vetenskaplig produktion i stora språkmodellers era. Science. 18 Dec 2025. Vol 390, Issue 6779 pp. 1240-1243. DOI : 10.1126/science.adw3000}