এআইয়ের সাহায্যে বিজ্ঞানীদের আরও বেশি কাজ করার ক্ষমতা দেওয়া হচ্ছে—কিন্তু খারাপভাবে। একটি গবেষণা প্রক্রিয়ার মডেল প্রেডিক্ট করে যে ভাষা মডেলগুলি বিজ্ঞানীদের আরও বেশি পেপার তৈরি করতে সহায়তা করবে, কিন্তু কম মানের। ওয়াশিংটন বিশ্ববিদ্যালয়ের কার্ল বার্গস্ট্রম এবং তাঁর সহকর্মীরা গবেষণা প্রক্রিয়াকে ধাপগুলিতে ভাগ করেন এবং জিজ্ঞাসা করেন যে LLM-এরা কোন ধাপগুলির গতি বাড়ায়। একটি DISCOVERY STAGE আছে, যেখানে আপনি হাইপোথিসিস তৈরি করেন এবং প্রথম পর্যায়ের যথেষ্ট কাজ করেন, যাতে বুঝতে পারেন একটি প্রকল্পকে অনুসরণ করা উচিত কিনা। তারপর, DEVELOPMENT STAGE, যা দুটি অংশে বিভক্ত: * প্রয়োজনীয় কাজ - যেসব চিত্র, ডraf-এর অভাবে আপনি প্রকাশনা করতে পারবেন না;এবং * ঐচ্ছিক কাজ - অতিরিক্ত 실헗গুলি,এবং polish-এরকম কোডিংয়ের ভাষায়, ঐচ্ছিক কাজটি হলো rlease-এর আগে testingএবং bug-fixing। LLM-গুলি discoveryএবং required work-কে accelerationকরে—কিন্তু discretionary half-এরওয়াতেই touchকরেনা,কারণ discretionary half-এর definitionইহলো: "required"নয়। Multi-agentic feedback loopsহোক,হোকনা, discretionary half-টি generally "human in the loop" part—অসংখ্য "oh hang on, what's it even doing??" reality sandwiches। অতএব, saved time-টি current paper-টি improveকরারজন্যনয়,বরং next paper-টি startকরারজন্য useহয়,এবং predictionটি outfallহয়: more output, less fraction good। Bergstrom-এর pointহলো incentives: scientists-দের assessmentহয় volume-এরউপর—তাই volumeবাড়ানোরজন্য toolটি useহয় volumeবাড়ানোরজন্য। তিনি suggested fixহলো: researchers-দের assessmentকরুন best work-এরউপর, paperএবং citations-countকরেনা। (নোট: Bergstrom-এর paperটি 19 July-এ arXiv-এ uploadহয়েছে,এখনও peer-reviewedহয়নি) #ScienceOfScience #AI #Research