De AI-wetenschapper: een nieuwe era van geautomatiseerd onderzoek of slechts het begin

Wetenschappelijk onderzoek is een fascinerende combinatie van diepgaande kennis en creatief denken, waardoor nieuwe inzichten en innovaties ontstaan. Onlangs is Generatieve AI een transformatieve kracht geworden, die haar mogelijkheden gebruikt om uitgebreide datasets te verwerken en inhoud te creëren die de menselijke creativiteit nabootst. Deze mogelijkheid heeft generatieve AI in staat gesteld om verschillende aspecten van onderzoek te transformeren, van het uitvoeren van literatuuronderzoeken en het ontwerpen van experimenten tot het analyseren van gegevens. Op basis van deze ontwikkelingen heeft Sakana AI Lab een AI-systeem genaamd De AI-wetenschapper ontwikkeld, dat gericht is op het geautomatiseerd maken van het gehele onderzoeksproces, van het genereren van ideeën tot het opstellen en beoordelen van papers. In dit artikel zullen we deze innovatieve aanpak en de uitdagingen die het met zich meebrengt bij geautomatiseerd onderzoek onderzoeken.

De onthulling van de AI-wetenschapper

De AI-wetenschapper is een AI-agent die is ontworpen om onderzoek te doen in kunstmatige intelligentie. Het gebruikt generatieve AI, met name grote taalmodellen (LLM’s), om verschillende stadia van onderzoek te automatiseren. Vanaf een breed onderzoeksgebied en een eenvoudige initiële codebasis, zoals een open-sourceproject van GitHub, voert de agent een eind-tot-eindonderzoeksproces uit, waaronder het genereren van ideeën, het beoordelen van literatuur, het plannen van experimenten, het itereren op ontwerpen, het maken van figuren, het opstellen van manuscripten en zelfs het beoordelen van de definitieve versies. Het werkt in een continue lus, waarbij het zijn aanpak verfijnt en feedback incorporeert om toekomstig onderzoek te verbeteren, net zoals het iteratieve proces van menselijke wetenschappers. Hieronder volgt een overzicht van hoe het werkt:

• Ideeëngeneratie: De AI-wetenschapper begint met het verkennen van een reeks potentiële onderzoeksrichtingen met behulp van LLM’s. Elk voorgesteld idee omvat een beschrijving, een plan voor experimentuitvoering en zelfbeoordeelde numerieke scores voor aspecten zoals interesse, nieuwheid en haalbaarheid. Vervolgens worden deze ideeën vergeleken met bronnen zoals Semantic Scholar om overeenkomsten met bestaand onderzoek te controleren. Ideeën die te veel op bestaande studies lijken, worden gefilterd om originaliteit te waarborgen. Het systeem biedt ook een LaTeX-sjabloon met stijlbestanden en sectieheaders om te helpen bij het opstellen van het paper.
• Experimentele iteratie: In de tweede fase, zodra een idee en een sjabloon zijn vastgesteld, voert de AI-wetenschapper de voorgestelde experimenten uit. Vervolgens genereert het plots om de resultaten te visualiseren en maakt gedetailleerde notities om elke figuur te verklaren. Deze opgeslagen figuren en notities dienen als basis voor de inhoud van het paper.
• Paperopstelling: De AI-wetenschapper stelt vervolgens een manuscript op, opgemaakt in LaTeX, volgens de conventies van standaardmachine learningconferentiepublicaties. Het zoekt automatisch Semantic Scholar om relevante papers te vinden en te citeren, waardoor de opstelling goed ondersteund en informatief is.
• Geautomatiseerde paperbeoordeling: Een opvallende functie van de AI-wetenschapper is zijn LLM-gebaseerde geautomatiseerde beoordelaar. Deze beoordelaar beoordeelt de gegenereerde papers zoals een menselijke beoordelaar, waarbij feedback wordt geleverd die kan worden gebruikt om het huidige project te verbeteren of toekomstige iteraties te leiden. Deze continue feedbacklus stelt de AI-wetenschapper in staat om zijn onderzoeksoutput iteratief te verfijnen, waardoor de grenzen van wat geautomatiseerde systemen in wetenschappelijk onderzoek kunnen bereiken, worden verlegd.

De uitdagingen van de AI-wetenschapper

Hoewel “De AI-wetenschapper” een interessante innovatie lijkt in het domein van geautomatiseerde ontdekking, staat het voor verschillende uitdagingen die het kunnen verhinderen om significante wetenschappelijke doorbraken te behalen:

• Creativiteitsbottleneck: De afhankelijkheid van de AI-wetenschapper van bestaande sjablonen en onderzoeksfiltering beperkt zijn vermogen om echte innovatie te bereiken. Hoewel het ideeën kan optimaliseren en itereren, heeft het moeite met het creatieve denken dat nodig is voor significante doorbraken, die vaak out-of-the-box-benaderingen en diepgaande contextuele begrip vereisen – gebieden waarop AI tekort schiet.
• Echo-kamereffect: De afhankelijkheid van de AI-wetenschapper van tools zoals Semantic Scholar riskeert bestaande kennis te versterken zonder deze uit te dagen. Deze aanpak kan leiden tot slechts incrementele vooruitgang, aangezien de AI zich richt op onderbelichte gebieden in plaats van het nastreven van de doorbrekende innovaties die nodig zijn voor significante doorbraken, die vaak het verlaten van gevestigde paradigma’s vereisen.
• Contextuele nuances: De AI-wetenschapper werkt in een lus van iteratieve verfijning, maar het ontbreekt aan een diepgaand begrip van de bredere implicaties en contextuele nuances van zijn onderzoek. Menselijke wetenschappers brengen een schat aan contextuele kennis met zich mee, waaronder ethische, filosofische en interdisciplinaire perspectieven, die essentieel zijn voor het herkennen van de betekenis van bepaalde bevindingen en voor het leiden van onderzoek naar invloedrijke richtingen.
• Afwezigheid van intuïtie en toeval: Het methodische proces van de AI-wetenschapper, hoewel efficiënt, kan de intuïtieve sprongen en onverwachte ontdekkingen die vaak significante doorbraken in onderzoek aandrijven, over het hoofd zien. Zijn gestructureerde aanpak kan mogelijk niet volledig de flexibiliteit bieden die nodig is om nieuwe, ongeplande richtingen te verkennen, die soms essentieel zijn voor echte innovatie.
• Beperkte menselijke oordeelsvorming: De geautomatiseerde beoordelaar van de AI-wetenschapper, hoewel nuttig voor consistentie, ontbreekt het aan de genuanceerde oordeelsvorming die menselijke beoordelaars met zich meebrengen. Significante doorbraken vereisen vaak subtiele, hoge-risico-ideeën die mogelijk niet goed presteren in een conventioneel beoordelingsproces, maar die het potentieel hebben om een veld te transformeren. Bovendien kan de focus van de AI op algorititmische verfijning mogelijk niet de zorgvuldige examinatie en diepe denkwijze stimuleren die nodig zijn voor echte wetenschappelijke vooruitgang.

Verder dan de AI-wetenschapper: de uitbreidende rol van generatieve AI in wetenschappelijke ontdekking

Hoewel “De AI-wetenschapper” uitdagingen heeft om het wetenschappelijke proces volledig te automatiseren, draagt generatieve AI al significant bij aan wetenschappelijk onderzoek in verschillende domeinen. Hieronder volgt een overzicht van hoe generatieve AI wetenschappelijk onderzoek versterkt:

• Onderzoeksassistentie: Generatieve AI-hulpmiddelen, zoals Semantic Scholar, Elicit, Perplexity, Research Rabbit, Scite en Consensus, bewijzen zich waardevol te zijn bij het zoeken en samenvatten van onderzoeksartikelen. Deze hulpmiddelen helpen wetenschappers om efficiënt te navigeren door de uitgebreide zee van bestaande literatuur en om sleutelinzichten te extraheren.
• Synthetische datageneratie: In gebieden waar echte data schaars of duur is, wordt generatieve AI gebruikt om synthetische datasets te creëren. Bijvoorbeeld heeft AlphaFold een database gegenereerd met meer dan 200 miljoen entries van 3D-structuren van eiwitten, voorspeld vanuit aminozuursequenties, wat een baanbrekende bron is voor biologisch onderzoek.
• Medische bewijsanalyse: Generatieve AI ondersteunt de synthese en analyse van medisch bewijs via hulpmiddelen zoals Robot Reviewer, die helpt bij het samenvatten en contrasteren van claims uit verschillende papers. Hulpmiddelen zoals Scholarcy vereenvoudigen verder literatuuronderzoeken door onderzoeksbevindingen samen te vatten en te vergelijken.
• Ideeëngeneratie: Hoewel nog in de vroege stadia, wordt generatieve AI onderzocht voor ideeëngeneratie in academisch onderzoek. Inspanningen zoals die besproken in artikelen van Nature en Softmat benadrukken hoe AI kan helpen bij brainstormen en het ontwikkelen van nieuwe onderzoeksconcepten.
• Opstellen en verspreiden: Generatieve AI helpt ook bij het opstellen van onderzoeksartikelen, het creëren van visualisaties en het vertalen van documenten, waardoor de verspreiding van onderzoek efficiënter en toegankelijker wordt.

Hoewel het volledig repliceren van de ingewikkelde, intuïtieve en vaak onvoorspelbare aard van onderzoek een uitdaging is, laten de hierboven genoemde voorbeelden zien hoe generatieve AI wetenschappers effectief kan ondersteunen in hun onderzoeksactiviteiten.

De conclusie

De AI-wetenschapper biedt een intrigerend kijkje in de toekomst van geautomatiseerd onderzoek, waarbij generatieve AI taken van brainstormen tot het opstellen van papers beheert. Echter, het heeft zijn beperkingen. Het systeem is afhankelijk van bestaande kaders, wat zijn creatieve potentieel kan beperken, en zijn focus op het verfijnen van bekende ideeën kan echte innovatieve doorbraken hinderen. Bovendien, hoewel het waardevolle ondersteuning biedt, ontbreekt het aan het diepe begrip en de intuïtieve inzichten die menselijke onderzoekers met zich meebrengen. Generatieve AI versterkt onmiskenbaar de efficiëntie en ondersteuning van onderzoek, maar de essentie van baanbrekende wetenschap blijft afhankelijk van menselijke creativiteit en oordeelsvorming. Naarmate de technologie vordert, zal AI blijven bijdragen aan wetenschappelijke ontdekking, maar de unieke bijdragen van menselijke wetenschappers blijven cruciaal.