باستخدام الذكاء الاصطناعي، يُمكّن العلماء من فعل المزيد — لكن بجودة أسوأ. نموذج يوضح كيفية إجراء الأبحاث يتوقع أن تجعل نماذج اللغة العلماء ينتجون مزيدًا من الأوراق، لكن بجودة أقل. قسم كارل بيرغستروم من جامعة واشنطن وزملاؤه عملية البحث إلى مراحل وسألوا أيها ستُسرّعها نماذج اللغة الكبيرة. هناك مرحلة اكتشاف حيث تُولّد الفرضيات وتُجرى أعمال أولية كافية لتقييم ما إذا كان المشروع يستحق المتابعة. ثم مرحلة التطوير في جزأين: * العمل الإلزامي — الرسوم البيانية والصياغة التي لا يمكنك نشرها دونها؛ و * العمل التخريجي — التجارب الإضافية والتنقيح من حيث البرمجة، العمل التخريجي هو الاختبار وإصلاح الأخطاء قبل الإصدار. تُسرّع نماذج اللغة اكتشاف العمل الإلزامي — لكنها لا تلمس الجزء التخريجي، لأن هذا الجزء مُعرّف بأنه غير إلزامي. سواءً كانت حلقات التغذية الراجعة متعددة الوكلاء أم لا، فإن الجزء التخريجي عادةً هو الجزء "الإنسان في الحلقة" — حيث توجد الكثير من "مهلاً، ما الذي يفعله بالضبط؟?" من الواقع المُعقّد. إذًا، الوقت المُوفَّر يُستثمر في بدء ورقة جديدة بدلاً من تحسين الورقة الحالية، وينتج عن ذلك التنبؤ: مخرجات أكثر، لكن نسبة أقل منها جيدة. نقطة بيرغستروم تتعلق بالحوافز: يتم تقييم العلماء بناءً على الكمية — لذا فإن الأداة التي تزيد الكمية تُستخدم لزيادة الكمية. حله المقترح هو تقييم الباحثين بناءً على أفضل أعمالهم بدلاً من عد الأوراق والاقتباسات. (ملاحظة: ورقة بيرغستروم نُشرت على arXiv في 19 يوليو ولم تخضع بعد لمراجعة الأقران) #ScienceOfScience #AI #Research