Besættelsen af AI kan udsulte de forskningsfelter, teknologien har brug for at overleve

Jeg har udelukkende skrevet om kunstig intelligens i ti år. I 2022 var der kun en håndfuld andre journalister i verden, der udelukkende beskæftigede sig med AI; nu tæller vi flere tusinde eller flere, og velpolstrede medier har mere end én medarbejder ansat til udelukkende at dække kunstig intelligens.

Som art retter vi nu vores opmærksomhed, indsats, frygt og håb mod et kulturelt og teknologisk fænomen, der kun opstår én gang i århundredet, og som indtil fremkomsten af nyttige store sprogmodeller og effektiv diffusionsbaseret billed- og videogenerering havde henslæbt en tilværelse i kategorien »kuriositeter«, hvor deepfakes var en politisk kastebold, mens verdensøkonomierne tilsyneladende ikke var truet.

Den »rutineprægede« AI-storm

Det er naturligvis helt forbi nu. Alt er truet, alt bliver forstyrret, og 2026 har efter alt at dømme været året, hvor det var sværest at underbygge forudsigelser om det følgende år.

Hver uge, nogle gange flere gange om ugen, udkommer der nye modeller med lukket kildekode og åbne vægte. De udkommer nu så hyppigt, at nogle af dem ikke engang bliver anmeldt af entusiast- og hobbyfællesskaberne, som har fået et mere desillusioneret syn på området, og stiller stadig større krav til, hvad der fortjener opmærksomhed, i lyset af den konstante strøm af udgivelser.

Som en, der følger forsknings- og udgivelsesscenen tæt og professionelt, må jeg sige, at fremskridtene på tværs af AI-forskning og -udvikling, selvom de har stor betydning med mellemrum, typisk (og altid har gjort det) kommer i små skridt snarere end som revolutionerende eller evolutionære milepæle som transformere. I dag handler de største chok mest om AI’s indvirkning på økonomien snarere end om teknologiens nyeste muligheder.

Som jeg også tidligere har bemærket, svarer kvaliteten af idéerne i det enorme boom i AI-forskning siden 2022 ikke altid til mængden; mange af dem er »Frankenstein-agtige gentagelser, rekombinationer eller genopbygninger af eksisterende og mere nyt arbejde – lappetæppearkitekturer, der er udformet til at skabe tilsyneladende markante forbedringer i forhold til tidligere værker, men som ved nærmere eftersyn hæmmes af skrøbelige metoder eller absurd høje VRAM-omkostninger.

De emnerelaterede spøgelsesbyer

Da disse tusinder af journalister skiftede til AI-dækning, må de emner, de tidligere havde dækket, uundgåeligt have fået mindre direkte opmærksomhed. På en måde gjorde det næppe den store forskel, for AI blev så allestedsnærværende i kultur og infrastruktur, både som emne og i praksis, at en energikorrespondent for eksempel nu ville dække AI-relaterede spørgsmål mere end noget andet; det samme gjaldt journalister, der dækkede økonomi, beskæftigelse, politik og politiske tiltag blandt andet.

Det virkede, som om alle disse emner nu kunne anskues gennem AI’s optik, hvilket måske delvist forklarer den enorme vækst i »dedikeret« AI-dækning inden for et stadig mindre felt (om end feltet er gået en smule frem på det seneste).

Derfor må man spørge sig selv, om andre emner nu får utilstrækkelig dækning på grund af »AI-besættelsen« – emner med historier, tendenser og forgreninger, der måske med tiden kan påvirke selve »guldemnet« AI?

Men hvad kan man gøre? Ressourcerne er begrænsede, og indtil videre er AI århundredets historie.

Den store AI-migration

Ifølge en ny artikel, der har vakt min interesse for emnet, er det måske det, der er ved at ske med AI selv – ud over risikoen for, at nedskæring og genfodring vil forringe kvaliteten af fremtidige modeller, bliver AI-forskning så dominerende i det bredere videnskabelige økosystem, hvor idéer opstår og krydsbestøver på tværs af fagområder, at »serendipiske« øjeblikke – hvor uventede forbindelser mellem tilsyneladende urelaterede idéer kan forandre hele fagområder – kan blive stadig sjældnere.

Kort sagt peger det nye arbejde, der har titlen Stærkere gennembrud inden for kunstig intelligens fremskynder deres egen udtømning, på, at AI-besættelsen udhuler de generelle betingelser, hvorunder nye fremskridt opstår, herunder fremskridt, der direkte påvirker AI; og at der (for at parafrasere forfatterne groft) er en vis »indavlet tendens« i dette nye interessecentrum, som næppe fører til noget godt.

Artiklen fastslår^†:

»Et dominerende paradigme fjerner ikke kun sine rivaler, men også den mangfoldighed, som dets egen efterfølger kunne være blevet rekombineret ud fra.

»Indsnævringen af opmærksomheden efter 2017, overgangen for mere end halvdelen af alle forfattere, der skiftede fagområde, til AI, den faldende vitalitet blandt nye idéer og det stadig stejlere fald i antallet af aktive idéer gennem successive cyklusser beskriver tilsammen et system, hvis kreative kapacitet eroderes af succesen for de dominerende paradigmer, det selv har frembragt.«

Tidligere forskning har observeret, at AI muligvis er ved at gøre forskning til en monokultur, men forfatterne til det nye arbejde mener også, at AI’s voksende dominans kan berøve feltet de nye idéer, det har brug for for fortsat at udvikle sig. De sammenligner AI-forskning med biologisk videnskab, hvor gennembrud som cryo-EM og AlphaFold har udløst lignende cyklusser af innovation – og tilbagegang.

For at fremlægge empirisk belæg for deres teorier analyserede forfatterne 7,18 millioner computerfaglige artikler udgivet mellem 1990 og 2025 i OpenAlex. De fulgte ændringer i forskningsemner og citationer, bevægelser mellem fagområder blandt 3,7 millioner forskere samt 73.089 fagfællebedømmelser for at undersøge, hvordan AI’s voksende dominans har påvirket den videnskabelige mangfoldighed.

Et af de mest interessante resultater, der kom frem i dataene, handler om forskeres seneste overgang til AI og væk fra de emner, de allerede forskede i:

‘Forskere, der skifter felt, befinder sig midt i karrieren og har allerede opnået en vis anerkendelse. De forlader det arbejde, der gav dem deres status, for at følge feltets tiltrækningskraft, selv om det koster dem et tab ved at skifte retning.’

Undersøgelsen viste, at mere end halvdelen af de 918.862 registrerede skift mellem computerfaglige områder gik til AI, mens andre områder, især systemforskning og teoretisk forskning, støt mistede forskere.

Fra den nye artikel: ændringer i andelen af computerfaglige artikler om AI, systemer og teori fra 1990 til 2025. Hver firkant repræsenterer ét år; blå angiver en større andel og rød en mindre. AI’s andel steg kraftigt efter 2017, mens de øvrige områder gik tilbage. Kilde

De forskere, der med størst sandsynlighed skiftede felt, var erfarne akademikere med etablerede karrierer. Samtidig voksede AI’s andel af alle computerfaglige artikler fra 40 % i 2017 til over 55 % i 2025.

Fra Arxiv-bloggen: stigningen i indsendte artikler inden for datalogi over en periode på 2 år, 2024-26. Kilde

Tre signaler

Artiklen identificerer tre »sammenfaldende tegn«, som forfatterne mener har været karakteristiske for datalogi siden 2017.

Det første er en markant indsnævring af forskningens fokus efter 2017, hvor Transformer-arkitekturen blev introduceret. Ved at udtrække de ti mest fremtrædende nøgleord fra hver af 7,18 millioner computerfaglige artikler fulgte forfatterne, hvor meget forskningen koncentrerede sig om de samme emner:

Grafer, der viser, hvordan datalogisk forskning siden 2017 i stigende grad er blevet koncentreret. Til venstre fokuserer forskerne på et smallere udvalg af emner. Til højre går en voksende andel af citationerne til et mindre udvalg af artikler. Begge tendenser tog fart omkring introduktionen af Transformer-arkitekturen.

I årtier havde denne koncentration været forholdsvis stabil, selv under internettets, smartphones og deep learnings fremmarch. Men fra 2017 til 2025 steg Gini-koefficienten^†† for forskningens fokus (se billedet ovenfor) fra 0,26 til 0,33, en stigning på 27 %. Også citationerne blev mere koncentrerede, og deres Gini-koefficient steg fra 0,60 til et højdepunkt på 0,69.

Forskerne, der kommer fra Tsinghua University, University of Chicago og Santa Fe Institute, skriver:

‘Transformer-arkitekturen ændrede feltet i en grad, som dens forgænger ikke gjorde. Mønstret skyldes ikke en artefakt: Det består på tværs af variationer i [keyword count].’

De fortsætter:

‘AI’s andel af de computerfaglige publikationer steg fra 40 % til over 55 % mellem 2017 og 2025, mens systemforskningen går tilbage efter en lang guldalder, og teoriforskningen skrumper endnu mere.’

Resultaterne tyder derfor på, at forskerne i stigende grad forfulgte de samme idéer og citerede et smallere udvalg af arbejde, selv om datalogien voksede.

Det andet »tegn« handler om det voksende antal forskere, der forlader deres specialer for at arbejde med AI. Ved at følge 3,7 millioner forskere identificerede forfatterne næsten 919.000 skift mellem computerfaglige områder. Af disse gik 53,81 % til AI – et forskningsområde, der hvert år fik flere forskere, mens systemforskning og teori støt mistede dem:

Forskeres overgang til AI. Grafen til venstre viser, at AI tiltrækker en voksende andel af forskere fra andre datalogiske fagområder, mens systemer og teori går tilbage. De to grafer til højre viser, hvem der er mest tilbøjelige til at skifte: forskere, der er cirka 32 år inde i deres publiceringskarriere, og hvis publikationsresultater er stærkere end cirka 82 % af deres kollegers. Et skift af fagområde tælles, når en forsker begynder at publicere størstedelen af sine artikler inden for et andet område.

De, der skiftede, var typisk etablerede akademikere midt i karrieren snarere end nytilkomne eller veteraner. Sandsynligheden for at skifte til AI toppede ved en akademisk anciennitet på 31,8 år og blandt forskere på 82-percentilen for publikationsniveau.

Den tredje af de tre tendenser, som artiklen fremhæver, er et voksende pres på fagfællebedømmelsen – den proces, hvor andre forskere vurderer en videnskabelig artikels kvalitet og pålidelighed før publicering.

Ved at undersøge 73.089 bedømmelser af 26.731 artikler indsendt til 45 konferencer og andre fora mellem 2017 og 2025 fandt forfatterne, at bedømmernes tillid til deres evne til at vurdere artiklerne faldt fra 3,9 til 2,9 på en skala fra 1 til 5:

Grafer over ændringer i videnskabelig fagfællebedømmelse mellem 2017 og 2025. Grafen til venstre viser, at bedømmerne bliver mindre sikre på deres evne til at vurdere indsendte artikler, idet deres bedømmelser falder fra 3,9 til 2,9 ud af 5. Grafen til højre viser udviklingen i fjendtlige kommentarer i bedømmelserne. De faldt kortvarigt i 2021, da NeurIPS-konferencen skiftede til den mere gennemsigtige OpenReview-platform, men steg derefter igen. Begge linjer viser glidende gennemsnit over tre år.

Forfatterne foreslår, at denne tilbagegang kan skyldes AI’s hurtige vækst, som har gjort det vanskeligere at matche artikler med tilstrækkeligt kvalificerede bedømmere:

‘Bedømmerkorpsene er blevet oversvømmet af nytilkomne, der er blevet tiltrukket af AI’s tyngdekraft. Bedømmerne får i stigende grad artikler med AI-metoder, der ligger uden for deres kernekompetence. Det er blevet strukturelt vanskeligt at matche indsendte artikler med bedømmere, der rent faktisk er eksperter.

‘Under disse forhold ligner accept i stigende grad et møntkast.’

Efter guldrushene

Artiklen antyder også, at AI’s største gennembrud i sidste ende kan fremskynde deres egen udtømning, eftersom hvert større fremskridt efterfølges af en bølge af nye idéer – men denne første innovationsflom ebber siden ud i træg gentagelse, efterhånden som forskningen i stigende grad koncentreres om selve gennembruddene.^†:

‘De efterfølgende cyklusser i moderne AI mættes tidligere og udtømmes hurtigere. Cyklussen komprimeres.

‘Gennem 36 års udvikling inden for datalogi, der spænder over de tre store teknologiske fremskridt AlexNet, Transformer og LLM’er, ser vi gentagne gange den samme spiral [pattern].

‘Det er bemærkelsesværdigt, at dette mønster ikke er begrænset til datalogi. Inden for biologien ser vi den samme udtømningscyklus efter større fremskridt, både ikke-computationale (f.eks. kryo-EM) og computationalle (f.eks. AlphaFold).’  

Denne »udmattelse« fandt bestemt sted for autoenkodere, generative adversarial-netværk (GAN’er) og autoenkoder-tilgange som deepfakes. Alle disse blev nådesløst udpint af forskere i årevis, længe efter at deres potentiale tydeligvis var udtømt, indtil nye rammeværker og tilgange endelig kom til og lettede presset på dem.

For at følge disse cyklusser søgte forfatterne under alle omstændigheder i videnskabelige abstracts efter karakteristiske navneord og fraser og fulgte deres fremkomst, forsvinden og lejlighedsvise tilbagevenden som tegn på ændringer i forskningsidéerne.

AlexNet i 2012 og Transformers i 2017 satte hver især gang i en bølge af nye idéer, som til sidst ebbede ud. AI trak yderligere fra efter hvert gennembrud, mens andre datalogiske fagområder sakkede bagud og til sidst skabte nye idéer i et lavere tempo end før 2012:

Sammenligning af andelen af nye forskningsidéer inden for AI (blå), datalogi uden for AI (rød) og de to områder samlet (stiplet lilla). Antallet af nye idéer steg kraftigt efter AlexNet i 2012 og Transformer i 2017, før det faldt igen. AI’s forspring blev større efter det andet gennembrud. Linjerne viser rullende gennemsnit over tre år.

Mønstret gælder også idéer, der går af brug, når nye gennembrud fejer ældre tilgange til side, nogle gange flere år efter at de er kommet frem. Gennembruddene selv indgår dog i den samme cyklus: Hvert af dem tiltrækker en bølge af forskningsinteresse, som til sidst aftager, og så må feltet vente på en ny opdagelse, der kan sætte gang i udviklingen igen (som det skete med gaussisk splatting efter et interval på 31 år):

Sammenligning af citationer til de oprindelige artikler om AlexNet (rød) og Transformer (blå) fra 2012 til 2025. Begge fik en stigende andel af citationerne, før andelen faldt kraftigt, hvilket viser, hvordan interessen for store gennembrud efterhånden aftager. Linjerne viser rullende gennemsnit over tre år.

AI’s succes samler forskere og idéer omkring en håndfuld dominerende tilgange, mens de tilstødende felter, der kunne bidrage til at skabe deres efterfølgere, fortsat taber terræn, mener forfatterne. De forudsiger ikke direkte, at dette vil forhindre fremtidige gennembrud, men peger på muligheden for, at AI gradvist udhuler den mangfoldighed, som det næste store spring kan afhænge af.

Forskerne fulgte også antallet af idéer, der stadig var i aktiv brug. Gennem successive bølger af AI-udvikling faldt dette antal stadig længere under det forventede niveau, og underskuddet var større efter Transformer end efter AlexNet:

Diagram over antallet af aktive forskningsidéer gennem successive AI-gennembrud. De fuldt optrukne linjer viser den modellerede vækst, mens de stiplede afsnit viser, at de faktiske tal falder under de forventede niveauer. Underskuddet er større efter Transformer end efter AlexNet, og et tidligt fald viser sig også i LLM-æraen.

Sammenfattende konkluderer forfatterne, at koncentrationen af indsats og mennesker om et stadig snævrere udvalg af AI-relaterede udfordringer truer med at udarme beslægtede felter, som tidligere naturligt ville have bidraget med idéer til AI-sektoren – og til en række andre sektorer.

Med henvisning til John Hasslers kommentar om tildelingen af Nobelprisen i økonomi i 2025 konkluderer de:

‘Nobelkomitéen advarede om, at mekanismerne bag kreativ destruktion skal opretholdes, hvis stagnation skal undgås. Vores resultater peger på én sådan mekanisme, nemlig intellektuel mangfoldighed, og viser, at de nuværende institutioner er ved at udhule den.

‘De institutioner, der fordeler opmærksomhed – herunder bedømmelsessystemer, indsendelsesgebyrer og regler, belønningsstrukturer, ansættelser, forfremmelser og pensionsordninger 12 – er alle med til at afgøre, om der er plads til, at det næste paradigme kan opstå.

‘At udforme dem godt betyder, at man må modstå trangen til at satse endnu mere på det paradigme, der vinder lige nu, lægge større omkostninger på koncentration end på udforskning og flytte beslutningsmyndigheden i evalueringen væk fra de mest produktive og over til det nyskabende.

‘Kreativ destruktion opretholder kun vækst, så længe den efterlader noget, der kan kombineres på ny. En singularitet har ingen efterfølger.’

* Der burde være et ord for det: »prognosebestandig«? Tja, det er ikke et enkeltstående ord, men et udtryk, og det lyder også, som om det henviser til 2026 snarere end til synet på 2027 fra 2026. »Ufremtidiggørlig«? Stavekontrollen satte en rød streg under det, så lad os holde os til det.

^† Min omdannelse af forfatternes indlejrede citationer til hyperlinks.

^†† Gini-koefficienten angiver, hvor skævt noget er fordelt, på en skala fra 0 (fuldstændig lighed) til 1 (maksimal koncentration). Her betyder en højere værdi, at forskerne koncentrerer sig om færre emner.

Først offentliggjort onsdag den 21. oktober 2026