Генеративный ИИ уже существенно повышает продуктивность научного процесса – но это не означает автоматического потока прорывных открытий. Крупное исследование о том, как ученые используют ИИ, проведенное экспертами Google, Google DeepMind и нескольких американских университетов, показало, что картина сложнее, чем «ИИ заменит ученых» или «ИИ ускорит открытия».
🔘 Ученые лидируют в использовании ИИ.
Например, в США они обращаются к ИИ почти в три раза чаще, чем средний американский работник.
🔘 У ИИ-моделей четкое разделение «научного» труда.
Универсальные LLM помогают с анализом, кодом, гипотезами и координацией. У специализированных моделей, способных на сложные симуляции, задачи специфические, например прогнозирование исхода заболевания или построение генных и климатических моделей. Половина статей, где использовались специализированные модели, вошли в топ-1% по цитируемости.
🔘 ИИ экономит ученым около 7 рабочих часов в неделю.
Сэкономленное время направляется на исследовательскую работу и повышает ее продуктивность. Восемь из 10 опрошенных исследователей отмечают рост производительности своей лаборатории за последние три года.
🔘 Более поздние этапы научного процесса превращаются в «бутылочное горлышко».
ИИ ускорил анализ данных, расчеты и написание кода. Но теперь узким местом становятся эксперименты, клиническая валидация, сбор данных и проверка результатов. Поэтому, несмотря на рост производительности, ИИ не привел к потоку революционных открытий.
🔘 ИИ подталкивает к предсказуемым проектам.
49% опрошенных ученых отметили, что ИИ подталкивает их сосредоточиться на темах с предсказуемо надежными результатами, где риск неудачи минимален. 40% видят рост низкокачественных работ.
🔴 Подробнее читайте в статье на сайте «Эконс»
🔘 Ученые лидируют в использовании ИИ.
Например, в США они обращаются к ИИ почти в три раза чаще, чем средний американский работник.
🔘 У ИИ-моделей четкое разделение «научного» труда.
Универсальные LLM помогают с анализом, кодом, гипотезами и координацией. У специализированных моделей, способных на сложные симуляции, задачи специфические, например прогнозирование исхода заболевания или построение генных и климатических моделей. Половина статей, где использовались специализированные модели, вошли в топ-1% по цитируемости.
🔘 ИИ экономит ученым около 7 рабочих часов в неделю.
Сэкономленное время направляется на исследовательскую работу и повышает ее продуктивность. Восемь из 10 опрошенных исследователей отмечают рост производительности своей лаборатории за последние три года.
🔘 Более поздние этапы научного процесса превращаются в «бутылочное горлышко».
ИИ ускорил анализ данных, расчеты и написание кода. Но теперь узким местом становятся эксперименты, клиническая валидация, сбор данных и проверка результатов. Поэтому, несмотря на рост производительности, ИИ не привел к потоку революционных открытий.
🔘 ИИ подталкивает к предсказуемым проектам.
49% опрошенных ученых отметили, что ИИ подталкивает их сосредоточиться на темах с предсказуемо надежными результатами, где риск неудачи минимален. 40% видят рост низкокачественных работ.
🔴 Подробнее читайте в статье на сайте «Эконс»