Với AI, các nhà khoa học được trang bị để làm nhiều hơn – nhưng tệ hơn. Một mô hình về cách thức nghiên cứu được thực hiện dự đoán rằng các mô hình ngôn ngữ sẽ giúp các nhà khoa học sản xuất nhiều bài báo hơn, nhưng với chất lượng thấp hơn. Carl Bergstrom tại Đại học Washington và các cộng sự đã chia quá trình nghiên cứu thành các giai đoạn và xác định những giai đoạn nào mà LLM làm tăng tốc. Có một GIAI ĐOẠN KHÁM PHÁ, nơi bạn đưa ra các giả thuyết và thực hiện đủ công việc sơ bộ để đánh giá xem một dự án có đáng theo đuổi hay không. Sau đó là GIAI ĐOẠN PHÁT TRIỂN với hai phần: * công việc bắt buộc – những hình ảnh và bản nháp bạn không thể xuất bản nếu không có; và * công việc tùy chọn – các thí nghiệm theo dõi và việc tinh chỉnh Theo thuật ngữ lập trình, công việc tùy chọn là phần kiểm thử và sửa lỗi trước khi phát hành. LLM tăng tốc khám phá và công việc bắt buộc – nhưng chúng không tác động đến phần tùy chọn, vì phần này được định nghĩa là không bắt buộc. Dù có hay không có các vòng phản hồi đa tác nhân, phần tùy chọn thường là phần “con người trong vòng lặp” – đầy những trải nghiệm “Ồ chờ đã, cái này thực sự đang làm gì??”. Vì vậy, thời gian tiết kiệm được sẽ được dùng để bắt đầu bài báo tiếp theo thay vì cải thiện bài hiện tại, và dự đoán này xuất phát từ đó: nhiều đầu ra hơn, nhưng một tỷ lệ nhỏ hơn trong số đó là tốt. Điểm chính của Bergstrom là về động lực: các nhà khoa học được đánh giá dựa trên số lượng – nên một công cụ tăng số lượng sẽ được sử dụng để tăng số lượng. Giải pháp mà ông đề xuất là đánh giá các nhà nghiên cứu dựa trên công việc xuất sắc nhất của họ, thay vì đếm số bài báo và trích dẫn. (Lưu ý: Bài báo của Bergstrom đã được đăng trên arXiv vào ngày 19 tháng 7 và chưa được bình duyệt) #ScienceOfScience #AI #Research