AI sa Pananaliksik Siyentipiko: Pagtaas ng Produktibidad laban sa Panganib sa Kalidad

AI Bilang Katulong sa Pananaliksik

AI ay isang tunay na rebolusyon para sa maraming larangan ng siyensiya, na nagbibigay-daan sa pagproseso ng datos at pagmomodelo ng mga totoong materyales at sitwasyon sa paraang kahit ang pinakamakapangyarihang supercomputer ay hindi kayang gawin ilang taon lamang ang nakalipas.

Kamakailang mga halimbawa ay kinabibilangan ng iba’t ibang anyo ng AI na ginagamit para sa:

• Paghahanap ng mga bagong materyales para sa mga reaktor ng nuclear fusion.
• Pagbabalik ng kalinawan ng mga larawan ng space telescope.
• Pag-optimize ng mga proseso ng metal 3D printing.
• Pagdiskubre ng mga bagong materyales para sa mga solar cell, hydrogen electrocatalysts, superhard na materyales, polymer, at solid-state electrolytes.

Kadalasang umaasa ang mga aplikasyon na ito sa lubos na espesyalisadong mga modelo ng AI, na masusing sinanay upang suriin ang isang tiyak na klase ng kristal o iproseso ang isang natatanging hanay ng mga larawan.

Sa kabila nito, kapag pinag-uusapan ang AI, kadalasang iniisip ng mas malawak na publiko ang mga pangkalahatang LLM (Large Language Models). Kadalasan itong ginagamit para sa pagsulat at pagpapabuti ng teksto, pati na rin sa pagsasagawa ng mga advanced at nababasang query kumpara sa tradisyunal na mga search engine.

Sa teorya, dapat itong ilapat hindi lamang sa mga sanaysay ng estudyante, masamang tula, at mga presentasyon sa PowerPoint, kundi pati na rin sa pananaliksik siyentipiko at mga nailathalang papel.

Gayunpaman, ito ay maaaring maging dalawang talim na espada, tulad ng ipinaliwanag sa isang kamakailang pagsusuri na inilathala sa prestihiyosong siyentipikong review na Science¹, na may pamagat na “Produksyon ng Siyensiya sa Panahon ng Malalaking Modelo ng Wika”.

Sa pagsusuring ito, sinuri ng mga mananaliksik mula sa University of California at Cornell University ang output ng mga siyentipiko na gumagamit ng LLM kumpara sa kanilang nakaraang gawain. Natuklasan nila na habang ang paggamit ng LLM ay maaaring magpabuti ng kalidad ng mga siyentipikong papel, nagdudulot din ito ng mas mataas na dami ng mababang kalidad na pananaliksik, na nagpapalala sa umiiral na mga problema sa akademya.

Pag-detect ng Paggamit ng AI sa mga Papel ng Siyentipikong Pananaliksik

Ang unang hamon ay tukuyin kung gaano kalaganap ang paggamit ng LLM sa pagsulat siyentipiko at sino ang gumagamit nito.

Hindi nakakagulat na ito ay hindi datos na kusang inaamin ng mga mananaliksik, dahil ang mga kasangkapan ay bago pa lamang at maaaring magkamali, lalo na sa teknikal na datos o mga espesipikong paksa.

Ang mga mananaliksik ay nag-compile ng mahigit 2 milyong papel mula sa malalaking siyentipikong database tulad ng arXiv, bioRxiv, at Social Science Research Network (SSRN), na may petsa mula Enero 2018 hanggang Hunyo 2024.

Kinalaunan, ikinumpara nila ang mga papel na inilathala bago ang 2023—na inaakalang isinulat ng tao— laban sa AI-generated na teksto.

Gamit ang datos na ito, bumuo sila ng modelo upang matukoy ang paggamit ng AI. Sa pamamagitan ng kasangkapang ito, natukoy nila nang may katamtamang katumpakan kung aling mga siyentipiko ang gumagamit ng LLM at kailan sila nagsimulang gumamit. Sinundan nila ang dami ng publikasyon ng mga siyentipikong iyon bago at pagkatapos ng pag-aampon ng mga kasangkapan, at kung ang mga papel ay tinanggap ng mga siyentipikong journal.

Epekto ng AI sa Siyentipikong Pananaliksik

Mag-swipe para mag-scroll →

Mas Mataas na Produktibidad

Ang unang konklusyon ay na ang paggamit ng LLM ay nagpapataas ng produktibidad ng mga siyentipiko, kahit na sinusukat ito sa bilang ng mga publikasyon.

Sa arXiv, ang mga siyentipikong tinukoy na gumagamit ng LLM ay nag-post ng halos isang-katlo pang mas maraming papel kumpara sa mga hindi tila gumagamit ng AI. Sa bioRxiv at SSRN, ang pagtaas ay lumampas sa 50%.

Dahil ang kulturang “publish or perish” ay nagdidikta ng landas ng karera ng karamihan sa mga siyentipiko, ang pagtaas ng dami ay may seryosong epekto sa mga trajectory ng karera.

Isa pang pananaw ay na ang pagtaas ay mas malakas para sa mga siyentipikong inaakalang hindi katutubong nagsasalita ng Ingles.

Halimbawa, ang mga mananaliksik na nakaugnay sa mga institusyong Asyano ay nag-post ng 43.0% hanggang 89.3% pang mas maraming papel matapos ipahiwatig ng detector na nagsimulang gumamit sila ng LLM.

May katwiran ito; maraming siyentipiko ay teknikal na mahusay at kayang magbasa ng Ingles (isang kinakailangan sa modernong akademya) ngunit maaaring mahirapan sa pagbuo ng malinaw, magarbong pangungusap sa pangalawang wika.

Ang malawakang paggamit ng LLM ay maaaring magpantay ng larangan para sa mga hindi katutubong nagsasalita, tumutulong sa mataas na kalidad na pananaliksik na makakuha ng internasyonal na pagkilala anuman ang kahusayan sa wika ng may-akda.

Mas Mahusay na Pagdiskubre ng Siyentipikong Kaalaman

Maaaring gamitin din ang LLM upang maghanap ng mga papel na may kaugnayan sa isang tiyak na paksa, gamit ang mga espesyalisadong AI tulad ng Elicit, ResearchRabbit, o Scite.

Isang malaking bahagi ng siyentipikong pananaliksik ay binubuo ng paghahanap at pagbabasa ng iba pang mga papel upang makuha ang impormasyon o tukuyin ang mga experimental protocol na maaaring magamit muli sa mga bagong konteksto.

Kadalasang pinapaboran ng AI ang mas kamakailang mga papel at binibigyan ng mas kaunting bigat ang bilang ng mga sipi kumpara sa tradisyunal na mga search engine. Dahil dito, nagbibigay sila ng alternatibo para sa mga siyentipiko na naghahanap ng mga bagong ideya o hindi gaanong napag-usapang eksperimento.

“Ang mga taong gumagamit ng LLM ay kumokonekta sa mas iba’t ibang kaalaman, na maaaring nagdudulot ng mas malikhaing ideya.”

Keigo Kusumegi, isang doctoral na mag-aaral sa Cornell University

Maaaring subukan ang hipotesis na ito sa hinaharap sa pamamagitan ng pagsuri kung ang mga papel na isinulat gamit ang tulong ng AI ay may mas iba’t ibang bibliograpiya o mas mapanlikha at interdisiplinaryo.

AI Bilang Bagong Isyu sa Siyensiya at Akademya

Sa mga nagdaang taon, ang siyentipikong pananaliksik—lalo na sa agham panlipunan—ay nakaranas ng krisis sa reproducibility.

Dahil ang mga resulta ng maraming papel ay hindi maaaring ulitin ng ibang mananaliksik, maaaring ang mga tila seryosong pag-aaral ay may depekto o kahit mapanlinlang. Ito ay inilarawan bilang isang existential crisis for science.

Historikal, ang komplikadong pagsulat—kasama ang mas mahabang pangungusap at sopistikadong bokabularyo—ay naging heuristic para sa mas mataas na kalidad na pananaliksik. Bagaman hindi perpekto, ito ay tumutulong na ihiwalay ang maayos na naisulat na pananaliksik mula sa mababang kalidad na pagsusuri.

Sa kabaligtaran, ang mga papel na isinulat gamit ang tulong ng AI ay kasalukuyang mas mababang tsansa na matanggap ng mga journal.

Sa pangkalahatan, ito ay nagbabantang lalo pang ihiwalay ang sukatan ng “mga nailathalang papel” mula sa tunay na talento ng isang mananaliksik. Maaaring mahirapan ang mga editor at reviewer na tukuyin ang pinakamahahalagang pagsusumite, lalo na habang ang AI ay nagiging mas epektibo at kahawig ng tao.

Sa huli, napakalaking dami ng “slop”—mga pekeng ngunit mukhang makatotohanang papel sa pananaliksik—ay maaaring mabuo sa pamamagitan ng AI. Ang panganib na ito ay hindi limitado sa social media; ito ay isang malaking problema para sa siyentipikong pananaliksik, kung saan ang oras ng mga reviewer ay dati nang kakaunti bago sumulpot ang mga LLM.

Ano ang Ibig Sabihin ng AI para sa Hinaharap ng Siyentipikong Pananaliksik

Dahil ang AI ay isang kasangkapan, kailangang matutunan ng mga mananaliksik kung paano ito gamitin nang epektibo. Halos imposibleng ipagbawal ang LLM sa mga laboratoryo ng pananaliksik, at ang pag-detect ay lalo pang magiging mahirap.

Ang pag-angkop at produktibong paggamit ng AI sa pagsulat siyentipiko ay magiging pangunahing paksa sa hinaharap.

“Sa kasalukuyan, ang tanong ay hindi, ‘Gumamit ka ba ng AI?’ Ang tanong ay, ‘Paano mo eksaktong ginamit ang AI, at ito ba ay nakatulong?'”

Maaaring makinabang ang mga praktis sa pagkuha ng mga siyentipiko mula sa pagbabalik sa mga kwalitatibong sukatan, tulad ng malalim na panayam at teknikal na pagsusulit, sa halip na umasa lamang sa dami ng publikasyon.

Gayon din, kailangang mag-angkop ang mga reviewer at siyentipikong journal. Posibleng kailanganin ang mga sistema na nagbebeberipika kung ang isang pagsusumite ay nagmula sa lehitimong laboratoryo ng pananaliksik bago ito suriin upang pigilan ang mass production ng pekeng mga papel.

Sa huli, ang malalim na pag-unawa sa mga teknikal na elemento ng isang papel, sa halip na ang kagandahan ng wika, ang magiging pangunahing batayan sa paghusga ng kalidad.

Pamumuhunan sa Inobasyon ng AI

Nvidia

Ang Nvidia ay nag-evolve mula sa isang kumpanya ng graphics card na nagta-target sa mga manlalaro tungo sa pinakamalaking kumpanya sa mundo, salamat sa kanyang sentral na papel sa pagbibigay ng AI hardware sa buong industriya ng teknolohiya.

Bilang isang pioneer sa AI-dedicated na hardware, ang Nvidia ang unang tumulong sa mga mananaliksik na magamit ang mga kasangkapang ito. Ang “CUDA,” isang pangkalahatang programming interface para sa mga GPU ng Nvidia, ay nagbukas ng pinto para sa mga gamit lampas sa gaming, naglatag ng daan para sa mga AI application ngayon.

“Napagtanto ng mga mananaliksik na sa pagbili ng gaming card na tinatawag na GeForce, idinadagdag mo ito sa iyong computer, halos nagkakaroon ka ng personal na supercomputer.

Molecular dynamics, seismic processing, CT reconstruction, image processing—isang hanay ng iba’t ibang bagay.

Jensen Huang, sa isang panayam sa Sequoia
Malamang na ang hardware ng Nvidia, direkta man o isinama sa mga cloud ng Microsoft (MSFT ), Google, Meta, at OpenAI, ay mananatiling hardware na pinipili ng mga mananaliksik.

Inaasahang aabot sa $200B ang AI capex sa 2025, bukod pa sa patuloy na lumalaking kabuuang gastusin ng pinakamalalaking kumpanya ng teknolohiya. Ang iba pang elektronikong komponent, tulad ng high-performance RAM, ay nagkakaroon ng kakulangan habang tumataas ang produksyon ng chip ng Nvidia.

Bagaman ang siyentipikong pananaliksik ay maaaring hindi kumakatawan sa karamihan ng AI compute kumpara sa consumer o B2B na paggamit, maaari itong maging pinaka-impluwensyal na pangmatagalang driver, na nangangako ng mga bagong alloy, gamot, at metodolohiyang siyentipiko.

(Maaari kang magbasa pa tungkol sa kasaysayan ng Nvidia, kasalukuyang negosyo, at mga hinaharap na prospect sa aming dedikadong ulat sa pamumuhunan tungkol sa kumpanya.)

Pag-aaral na Binanggit

^{1. Keigo Kusumegi, Xinyu Yang, Paul Ginsparg, Mathijs de Vaan, Toby Stuart, and Yian Yin. Produksyon ng Siyensiya sa Panahon ng Malalaking Modelo ng Wika.Science. 18 Dec 2025. Boly 390, Isyu 6779 pp. 1240-1243. DOI: 10.1126/science.adw3000}