Besattheten av AI kan svälta ut de forskningsområden som AI behöver för att överleva

Jag har skrivit uteslutande om artificiell intelligens i tio år. År 2022 fanns det bara en handfull andra journalister i världen som enbart bevakade AI. Nu är vi flera tusen, eller fler, och resursstarkare medier har mer än en medarbetare som enbart bevakar artificiell intelligens.

Som art riktar vi nu vår uppmärksamhet, våra ansträngningar, vår oro och våra förhoppningar mot ett kultur- och teknikfenomen som bara inträffar en gång per sekel. Fram till dess att användbara stora språkmodeller och effektiv bild- och videogenerering baserad på diffusionsmodeller kom, hade fenomenet förpassats till kategorin ”kuriosa”, där deepfakes var en politisk slagpåse, samtidigt som världsekonomierna uppenbarligen inte var hotade.

Den ”rutinmässiga” AI-stormen

Det är förstås helt förändrat nu. Allt hotas, allt påverkas och, kan man hävda, har 2026 varit året då det varit svårast att förankra förutsägelser om det följande året.*

Varje vecka, ibland flera gånger i veckan, lanseras nya modeller med sluten källkod och modeller med öppna vikter. De släpps nu så ofta att vissa inte ens recenseras av entusiast- och hobbygemenskapen, vars medlemmar börjar bli luttrade på det här området,  och ställer allt högre krav på vad som förtjänar deras uppmärksamhet i den ständiga strömmen av lanseringar.

Som någon som följer forskningen och lanseringarna noggrant och yrkesmässigt måste jag säga att framstegen inom AI-forskning och -utveckling visserligen får stor betydelse med långa mellanrum, men att de brukar – och alltid har brukat – ske i små steg, snarare än som revolutionerande eller evolutionära milstolpar som Transformers. Numera handlar de stora överraskningarna främst om AI:s påverkan på ekonomin, snarare än om dess senaste förmågor.

Som jag tidigare har påpekat motsvarar dessutom inte alltid kvaliteten på idéerna i den enorma AI-forskningsboomen sedan 2022 dess omfattning. Många arbeten är ”Frankenstein”-liknande nyversioner, kombinationer eller sammansättningar av befintlig och mer nyskapande forskning – lapptäckesarkitekturer som utformats för att skapa skenbara betydande förbättringar jämfört med tidigare arbeten – men som vid närmare granskning hämmas av bräckliga metoder eller absurt höga VRAM-kostnader.

Ämnenas spökstäder

När de här tusentals journalisterna gick över till att bevaka AI fick de ämnen de tidigare hade bevakat oundvikligen mindre direkt uppmärksamhet. På sätt och vis spelade det ingen större roll, eftersom AI och användningen av AI blev så allestädes närvarande i kulturen och infrastrukturen att exempelvis en energikorrespondent numera skulle bevaka AI-relaterade frågor mer än något annat. Detsamma gäller dem som bevakar ekonomi, sysselsättning, politik och policy, bland annat.

Det verkade som om alla dessa ämnen nu kunde betraktas genom AI:s lins, vilket kan förklara en del av den kraftiga ökningen av ”dedikerad” AI-bevakning inom ett ständigt krympande fält (även om det har repat sig lite på sistone).

Därför måste man fråga sig om andra ämnen nu får otillräcklig bevakning på grund av ”AI-besattheten” – ämnen med berättelser, trender och förgreningar som så småningom kan påverka AI, det ”gyllene ämnet”, i sig?

Men vad kan man göra? Resurserna är begränsade, och hittills är AI århundradets stora berättelse.

Den stora AI-migrationen

Enligt en ny artikel som har väckt mitt engagemang i frågan kan det här vara vad som håller på att hända med AI självt. Förutom risken att neddragningar och återmatning sänker kvaliteten på framtida modeller koncentreras det bredare vetenskapliga ekosystem där idéer uppstår och befruktar varandra över disciplingränserna så kraftigt till AI-forskning att ”serendipiska” ögonblick – då oväntade kopplingar mellan till synes orelaterade idéer kan förändra hela forskningsfält – kan bli allt ovanligare.

Kort sagt antyder den nya studien, med titeln Starkare genombrott inom artificiell intelligens påskyndar sin egen utarmning, att AI-besattheten suger undan de omgivande förutsättningar som krävs för att nya framsteg ska kunna ske, även framsteg som direkt påverkar AI. Den tyder också på att det, för att grovt parafrasera författarna, finns en viss ”inavlad tendens” i detta nya intressecentrum, som knappast verkar leda till något gott.

I artikeln står det^†:

”Ett dominerande paradigm undanröjer inte bara sina rivaler, utan också den mångfald ur vilken dess egen efterföljare skulle ha kunnat sättas samman.

”Den snävare uppmärksamheten efter 2017, övergången till AI för mer än hälften av alla författare som bytt forskningsfält, den minskande livskraften hos nya idéer och den allt brantare nedgången i aktiva idépopulationer genom på varandra följande cykler beskriver tillsammans ett system vars kreativa förmåga urholkas av framgången hos de dominerande paradigm som det självt har skapat.”

Tidigare forskning har konstaterat att AI kan vara på väg att göra forskningen till en monokultur, men författarna till den nya studien menar också att AI:s växande dominans kan beröva området de nya idéer som behövs för att det ska fortsätta utvecklas. De jämför AI-forskningen med biologisk forskning, där genombrott som kryo-EM och AlphaFold har utlöst liknande cykler av innovation – och tillbakagång.

För att ta fram empiriska belägg för sina teorier analyserade författarna 7,18 miljoner datavetenskapliga artiklar publicerade mellan 1990 och 2025 i OpenAlex. De följde förändringar i forskningsteman och citeringar, hur 3,7 miljoner forskare rörde sig mellan olika forskningsområden samt 73 089 sakkunniggranskningar för att undersöka hur AI:s växande dominans har påverkat den vetenskapliga mångfalden.

Ett av de mest intressanta resultaten i materialet gäller den senaste tidens flytt av forskare till AI-området och bort från de ämnen de redan arbetade med:

”De som byter forskningsområde är forskare mitt i karriären, med en viss etablering, som lämnar det arbete som gett dem deras ställning för att följa områdets dragningskraft, även om det innebär en omställningskostnad.”

Studien visade att mer än hälften av de 918 862 registrerade bytena mellan datavetenskapliga forskningsområden gick till AI, medan andra områden, särskilt systemforskning och teoretisk forskning, stadigt tappade forskare.

Från den nya artikeln: förändringar mellan 1990 och 2025 i andelen datavetenskapliga artiklar som handlar om AI, system och teori. Varje ruta motsvarar ett år. Blått visar en större andel och rött en mindre andel. AI:s andel ökade kraftigt efter 2017, medan de andra områdenas andelar minskade. Källa

De forskare som var mest benägna att byta område var erfarna akademiker med etablerade karriärer. Samtidigt ökade AI:s andel av alla datavetenskapliga artiklar från 40 % år 2017 till mer än 55 % år 2025.

Från Arxiv-bloggen: ökningen av antalet inskickade artiklar inom datavetenskap under en tvåårsperiod, 2024–2026. Källa

Tre tecken

Artikeln identifierar tre ”samverkande kännetecken” som enligt författarna har kommit att prägla datavetenskapen sedan 2017.

Det första är en kraftig insnävning av forskningsfokus efter 2017, då Transformer-arkitekturen introducerades. Genom att plocka ut de tio mest framträdande nyckelorden ur var och en av 7,18 miljoner datavetenskapliga artiklar kunde författarna följa hur mycket forskningen koncentrerades till samma ämnen:

Diagram som visar hur datavetenskaplig forskning har blivit alltmer koncentrerad sedan 2017. Till vänster: forskarna fokuserar på ett snävare urval av ämnen. Till höger: en växande andel av citeringarna går till ett mindre urval artiklar. Båda trenderna tilltog i samband med att Transformer introducerades.

I årtionden hade denna koncentration varit relativt stabil, även under internets, smarttelefonernas och den djupa inlärningens framväxt. Men mellan 2017 och 2025 steg Gini-koefficienten^†† för forskningsfokus (se bilden ovan) från 0,26 till 0,33, en ökning med 27 %. Även citeringarna blev mer koncentrerade: deras Gini-koefficient steg från 0,60 till som högst 0,69.

Forskarna, som kommer från Tsinghua University, the University of Chicago och the Santa Fe Institute, skriver:

”Transformer förändrade området i en omfattning som föregångaren inte gjorde. Mönstret är inte en artefakt: det kvarstår trots variation i [keyword count].”

De fortsätter:

”AI:s andel av datavetenskapliga publikationer ökar från 40 % till över 55 % mellan 2017 och 2025, samtidigt som systemforskningen lämnar en lång guldålder bakom sig och teoriforskningen krymper ännu mer.”

Resultaten tyder alltså på att forskarna, trots att datavetenskapen växte, i allt högre grad ägnade sig åt samma idéer och citerade ett allt snävare urval av forskning.

Det andra ”kännetecknet” handlar om att allt fler forskare överger sina specialområden för att arbeta med AI. Genom att följa 3,7 miljoner forskare identifierade författarna närmare 919 000 byten mellan datavetenskapliga forskningsområden. Av dessa gick 53,81 % till AI – ett forskningsområde som fick fler forskare varje år, medan systemforskning och teori stadigt tappade forskare:

Forskares övergång till AI. Diagrammet till vänster visar hur AI lockar till sig en växande andel forskare från andra datavetenskapliga områden, medan system- och teoriforskning tappar mark. De två diagrammen till höger visar vilka som oftast gör övergången: forskare som har publicerat forskning i ungefär 32 år och vars publikationsmeriter är starkare än hos cirka 82 % av deras kollegor. Ett områdesbyte räknas när en forskare börjar publicera merparten av sina artiklar inom ett annat område.

De som bytte område var oftast etablerade akademiker mitt i karriären, snarare än nykomlingar eller veteraner. Sannolikheten att gå över till AI var som störst efter 31,8 år i den akademiska karriären och bland forskare på den 82:a percentilen när det gäller publikationsmeriter.

Den tredje av de tre trender som artikeln tar upp är den ökande pressen på sakkunniggranskning – den process där andra forskare bedömer en vetenskaplig artikels kvalitet och tillförlitlighet före publicering.

Efter att ha granskat 73 089 sakkunnigbedömningar av 26 731 artiklar som skickats in till 45 konferenser och andra forum mellan 2017 och 2025 fann författarna att granskarnas tilltro till sin förmåga att bedöma artiklarna minskade från 3,9 till 2,9 på en femgradig skala:

Diagram över förändringar i vetenskaplig sakkunniggranskning mellan 2017 och 2025. Diagrammet till vänster visar att granskarnas tilltro till sin förmåga att bedöma inskickade artiklar minskar, med poäng som faller från 3,9 till 2,9 av fem. Diagrammet till höger följer fientliga granskningskommentarer, som tillfälligt minskade 2021 när konferensen NeurIPS gick över till den mer transparenta plattformen OpenReview, innan de åter började öka. Båda linjerna visar glidande treårsmedelvärden.

Författarna menar att denna nedgång kan bero på AI:s snabba expansion, som har gjort det svårare att matcha artiklar med sakkunniga granskare med rätt kompetens:

‘Granskargrupperna har översvämmats av nykomlingar som dragits till av AI:s dragningskraft. Granskare får allt oftare artiklar med AI-metoder som ligger utanför deras kärnkompetens. Det har blivit strukturellt svårt att matcha inskickade artiklar med verkligt sakkunniga granskare.

‘I det här systemet liknar antagning alltmer ett slantsinglingsresultat.’

Efter guldrushen (eller guldrusherna)

Artikeln antyder också att AI:s största genombrott i slutänden kan påskynda sin egen utmattning, eftersom varje större framsteg följs av en våg av nya idéer – men denna första innovationsvåg klingar sedan av och övergår i trög upprepning, när forskningen i allt högre grad koncentreras kring själva genombrotten.^†:

‘Efterföljande cykler inom modern AI når mättnad tidigare och mattas av mer abrupt. Cykeln blir kortare.

‘Under 36 år av datavetenskaplig utveckling, med de tre stora tekniska framstegen AlexNet, Transformer och stora språkmodeller (LLM), ser vi gång på gång samma spiral [pattern].

‘Det är värt att notera att detta mönster inte är begränsat till datavetenskap. Inom biologin ser vi samma utmattningscykel efter stora framsteg som inte bygger på beräkningar (till exempel kryoelektronmikroskopi) och beräkningsbaserade framsteg (till exempel AlphaFold).’  

Denna ”utmattning” drabbade utan tvekan autokodare, generativa adversariala nätverk (GAN) och metoder med autokodare, till exempel deepfejkningar. Forskare fortsatte att utnyttja dem skoningslöst i åratal, långt efter att deras potential tydligt hade uttömts, tills nya ramverk och metoder till slut kom och avlastade dem.

För att följa dessa cykler sökte författarna igenom vetenskapliga sammanfattningar efter utmärkande substantiv och fraser och följde deras förekomst, försvinnande och tillfälliga återkomst som tecken på förändrade forskningsidéer.

AlexNet år 2012 och Transformer-modeller år 2017 satte båda igång en våg av nya idéer som till slut ebbade ut. AI drog ifrån allt mer vid varje genombrott, medan andra datavetenskapliga områden hamnade på efterkälken och till slut genererade nya idéer i lägre takt än före 2012:

Jämförelse av andelen nya forskningsidéer inom AI (blått), datavetenskap utan AI (rött) och båda tillsammans (streckad lila). Antalet nya idéer ökade kraftigt efter AlexNet 2012 och Transformer 2017, innan det sedan minskade. AI:s försprång växte efter det andra genombrottet. Linjerna visar glidande medelvärden över tre år.

Mönstret gäller även idéer som faller ur bruk, när nya genombrott sopar undan äldre angreppssätt, ibland flera år efter att de introducerats. Ändå fångas själva genombrotten i samma cykel: vart och ett lockar till sig en våg av forskningsintresse som till slut avtar, och lämnar fältet i väntan på en ny upptäckt som kan ge det ny kraft (som med gaussisk splatting, efter ett intervall på 31 år):

Jämförelse av andelen citeringar till originalartiklarna om AlexNet (rött) och Transformer (blått) från 2012 till 2025. Andelen citeringar till båda ökade först, men minskade sedan kraftigt, vilket visar hur intresset för stora genombrott så småningom avtar. Linjerna visar glidande medelvärden över tre år.

Författarna menar att AI:s framgång koncentrerar forskare och idéer kring en handfull dominerande angreppssätt, samtidigt som de närliggande fält som skulle kunna bidra till att skapa efterföljarna fortsätter att tappa mark. De förutspår inte uttryckligen att detta kommer att förhindra framtida genombrott, men lyfter fram möjligheten att AI gradvis urholkar den mångfald som nästa stora språng kan vara beroende av.

Författarna följde också antalet idéer som fortfarande används aktivt. Under de efterföljande vågorna av AI-utveckling sjönk detta antal allt längre under förväntningarna, med ett större underskott efter Transformer än efter AlexNet:

Diagram över antalet aktiva forskningsidéer under flera på varandra följande AI-genombrott. Heldragna linjer visar modellerad tillväxt, medan streckade avsnitt visar att det faktiska antalet faller under de prognostiserade nivåerna. Underskottet är större efter Transformer än efter AlexNet, och en tidig nedgång märks också under eran med stora språkmodeller (LLM-eran).

Sammanfattningsvis drar författarna slutsatsen att när arbete och människor koncentreras till ett allt snävare urval av AI-relaterade utmaningar riskerar närliggande fält att utarmas. Dessa fält skulle tidigare naturligt ha bidragit med idéer till AI-sektorn – och till många andra sektorer.

Med hänvisning till John Hasslers kommentar om tilldelningen av 2025 års Nobelpris i ekonomisk vetenskap drar de följande slutsats:

‘Nobelkommittén varnade för att mekanismerna bakom kreativ förstörelse måste upprätthållas om stagnation ska kunna undvikas. Våra resultat pekar ut en sådan mekanism, intellektuell mångfald, och visar att dagens institutioner urholkar den.

‘De institutioner som fördelar uppmärksamhet – däribland granskningssystem, publiceringsavgifter och regler, belöningsstrukturer, rekrytering, befordran och normer kring pensionering 12 – påverkar alla om det finns utrymme för nästa paradigm att växa fram.

‘Att utforma dem väl innebär att stå emot impulsen att satsa ännu mer på det paradigm som för tillfället vinner, att beskatta koncentration snarare än utforskande och att flytta utvärderingsmakten från de mest produktiva till det nyskapande.

‘Kreativ förstörelse upprätthåller tillväxt bara så länge den lämnar något efter sig som kan kombineras på nytt. En singularitet har ingen efterföljare.’

* Det borde finnas ett ord för det här: ”prognosresistent”? Nåja, det är inget enskilt ord utan ett uttryck, och det låter också som om det syftar på 2026 snarare än på hur 2027 ser ut från 2026. ”Oframtidsbar”? Det fick en röd markering i stavningskontrollen, så vi kör på det.

^† Min omvandling av författarnas källhänvisningar i löptext till hyperlänkar.

^†† Ginikoefficienten visar hur ojämnt något är fördelat på en skala från 0 (fullständig jämlikhet) till 1 (maximal koncentration). Här innebär ett högre värde att forskarna fokuserar på färre ämnen.

Först publicerad onsdagen den 21 oktober 2026