Sa pamamagitan ng AI, pinapalakas ang mga siyentipiko na gawin ang higit pa—mas masama. Isang modelo kung paano ginagawa ang pananaliksik ay nagtataya na ang mga modelo sa wika ay gagawing mas maraming papel ang mga siyentipiko, ngunit sa mas mababang kalidad. Si Carl Bergstrom sa University of Washington at ang kanyang mga kasamahan ay hinati ang proseso ng pananaliksik sa mga yugto at tinanong kung alin sa mga ito ang pinapabilis ng isang LLM. Mayroong DISCOVERY STAGE kung saan nagpapalikha ka ng mga hipotesis at gumagawa ng sapat na panimulang gawain upang masukat kung worth it ang isang proyekto. Pagkatapos ay ang DEVELOPMENT STAGE sa dalawang bahagi: * kinakailangang gawain - ang mga larawan at pagsusulat na hindi mo maipapalabas nang walang ito; at * diskresyonaryong gawain - ang mga susunod na eksperimento at pagpapabuti Sa mga termino ng coding, ang diskresyonaryong gawain ay ang pagsubok at pagwawasto ng mga error bago ang pag-release. Pinapabilis ng LLMs ang discovery at kinakailangang gawain—ngunit hindi ito nakakaapekto sa diskresyonaryong bahagi, dahil ang bahaging ito ay tinukoy bilang hindi kinakailangan. Anuman ang multi-agentic feedback loops, ang diskresyonaryong bahagi ay karaniwang ang "human in the loop" na bahagi—maraming "oh wait, ano ba talaga ang ginagawa nito??" na reality sandwiches. Kaya ang oras na napagbawasan ay ginagamit para magsimula sa susunod na papel kaysa pagpapabuti sa kasalukuyan, at mula dito ay lumabas ang pagtataya: mas maraming output, mas maliit na bahagi nito ay maganda. Ang punto ni Bergstrom ay tungkol sa mga insentibo: tinataya ang mga siyentipiko batay sa dami—kaya ang isang kasangkapan na nagpapataas ng dami ay ginagamit upang pataasin ang dami. Ang iyang inirerekumenda ay pagtataya sa pinakamahusay na gawa ng mga mananaliksik kaysa pagbibilang ng mga papel at sitasyon. (Tandaan: Ang papel ni Bergstrom ay inilabas sa arXiv noong 19 Hulyo at hindi pa binigyan ng peer review) #ScienceOfScience #AI #Research