Τις προηγούμενες επαναστάσεις τις οδήγησαν τα ακαδημαϊκά περιοδικά και τα εργαστήρια. Τις επόμενες, μπορεί να μας τις φέρουν τα ρομπότ. Σύμφωνα με τον Economist, η Τεχνητή Νοημοσύνη μπορεί να προχωρά σε νέες ανακαλύψεις αναλύοντας την υφιστάμενη επιστημονική βιβλιογραφία, να φωτίζει «τυφλά σημεία» της επιστημονικής έρευνας, εξετάζοντας «ανοίκειες» υποθέσεις, αλλά και να υποδεικνύει ενδεχόμενους συνεργάτες, οι οποίοι μπορεί να μην γνωρίζονται έως τότε, γεφυρώνοντας συμπληρωματικά πεδία ερευνών. Την ίδια στιγμή, μηχανές μπορούν να διατυπώνουν υποθέσεις, να κάνουν πειράματα με την χρήση ρομπότ, να τροποποιούν τις υποθέσεις τους και να επαναλαμβάνουν τον ίδιο κύκλο. Κι όλα αυτά, δίχως τις προκαταλήψεις ή τους εγωισμούς που συχνά διακυβεύουν τα επιστημονικά εγχειρήματα των ανθρώπων.

Όπως έλεγε το 2023 ο Γιαν ΛεΚαν, ένας από τους νονούς της σύγχρονης τεχνητής νοημοσύνης (ΑΙ), «μέσα από τη διεύρυνση της ανθρώπινης ευφυΐας, η ΑΙ μπορεί να φέρει μια νέα Αναγέννηση, ίσως μια νέα φάση του Διαφωτισμού». Ήδη η AI μπορεί να διεξάγει μια σειρά από υφιστάμενες επιστημονικές διαδικασίες ταχύτερα και αποτελεσματικότερα. Θα μπορούσε άραγε να κάνει και κάτι περισσότερο, μετασχηματίζοντας τον ίδιο τον τρόπο με τον οποίο διεξάγεται η επιστημονική έρευνα;

Νέα πεδία έρευνας και ανακάλυψης 

Παρόμοιοι μετασχηματισμοί έχουν υπάρξει και σε παλιότερους καιρούς. Όταν, τον 17ο αιώνα, αναδύθηκε η επιστημονική μέθοδος, οι ερευνητές κατέληξαν να εμπιστεύονται περισσότερο τις πειραματικές διαπιστώσεις και τις θεωρίες στις οποίες αυτές κατέληγαν, σε σχέση με την ήδη εδραιωμένη της αρχαιότητας. Αυτή τη διαδικασία στήριξε, κατά καθοριστικό τρόπο, η έλευση των επιστημονικών περιοδικών, τα οποία έδωσαν στους ερευνητές τη δυνατότητα να μοιράζονται μεταξύ τους τις ανακαλύψεις τους – τόσο προκειμένου να διεκδικούν οι ίδιοι την προτεραιότητα στην ανακάλυψη, όσο και για να ενθαρρύνουν άλλους να αναπαραγάγουν τα ευρήματά τους και να οικοδομήσουν περαιτέρω πάνω σ’ αυτή τη βάση. Τα επιστημονικά περιοδικά ήταν εκείνα που διαμόρφωσαν μίαν ολόκληρη επιστημονική κοινότητα γύρω από ένα δεδομένο πεδίο επιστημονικής γνώσης: αυτό προκάλεσε ένα ολόκληρο κύμα ανακαλύψεων, το οποίο σήμερα είναι γνωστό ως επανάσταση της επιστήμης.

Ένας περαιτέρω μετασχηματισμός άρχισε να εξελίσσεται στα τέλη του 19ου αιώνα, με την καθιέρωση των ερευνητικών εργαστηρίων – αληθινών εργοστασίων καινοτομίας όπου συνδυάζονταν ιδέες, άνθρωποι και υλικά σε βιομηχανική πλέον κλίμακα. Αυτό με τη σειρά του οδήγησε σε μια περαιτέρω ενίσχυση της καινοτομίας – από τα χημικά προϊόντα και τους ημιαγωγούς μέχρι και τα φαρμακευτικά είδη. Αυτές οι αλλαγές δεν είχαν ως μοναδικό αποτέλεσμα την αύξηση της παραγωγικότητας των θετικών επιστημών, αλλά μετασχημάτισαν και τις ίδιες, ανοίγοντας εντελώς νέα πεδία έρευνας και ανακάλυψης. Πώς λοιπόν θα μπορούσε η ΑΙ να πετύχει κάτι ανάλογο, δηλαδή όχι μόνο να γεννήσει νέα αποτελέσματα, αλλά και νέους τρόπους για να γεννιούνται νέα αποτελέσματα;

Μια πολλά υποσχόμενη προσέγγιση είναι η «ανακάλυψη βάσει βιβλιογραφίας» /LBD: αυτή, όπως αφήνει άλλωστε να φανεί και το όνομά της, έχει ως στόχο να προχωρά κανείς σε νέες ανακαλύψεις αναλύοντας την υφιστάμενη επιστημονική βιβλιογραφία. Το πρώτο τέτοιο σύστημα LBD, το οποίο δημιουργήθηκε ήδη τη δεκαετία του ’89 από τον Ντον Σουάνσον στο Πανεπιστήμιο του Σικάγο, αναζήτησε νέες διασυνδέσεις με βάση την αναζήτηση στο medline – μια βάση δεδομένων από ιατρικά περιοδικά. Είχε μια πρώιμη επιτυχία όταν συνδύασε δύο διαφορετικές παρατηρήσεις – ότι το σύνδρομο Raynaud (πάθηση του κυκλοφοριακού συστήματος) συσχετίζεται με το ιξώδες του αίματος, καθώς και ότι το ιχθυέλαιο μειώνει το ιξώδες του αίματος. Έκανε λοιπόν την υπόθεση ότι το ιχθυέλαιο θα μπορούσε να λειτουργήσει ως χρήσιμη μορφή θεραπείας. Η υπόθεση αυτή επαληθεύθηκε, εν συνεχεία, πειραματικά.

Φορτίζοντας τις μπαταρίες μας

Το σύστημα όμως του Δρα Σουάνσον δεν κατόρθωσε εκείνη την εποχή να καταστεί εξίσου δημοφιλές και εκτός της κοινότητας της ΑΙ. Σήμερα, τα συστήματα AI έχουν αναπτύξει πολύ πιο προωθημένες ικανότητες στην επεξεργασία φυσικής γλώσσας (NLP) και έχουν στη διάθεσή τους πολύ μεγαλύτερο όγκο επιστημονικής βιβλιογραφίας για να επεξεργάζονται. Το ενδιαφέρον για προσεγγίσεις τύπου LBD αναβαθμίζεται και σε άλλους τομείς – ιδιαίτερα στην επιστήμη των υλικών. Έτσι, για παράδειγμα, το 2019 μια ομάδα ερευνητών με επικεφαλής τον Βάχε Τσιτογιάν –που τότε ήταν στο Εθνικό Εργαστήριο Laurence Berkeley των ΗΠΑ– χρησιμοποίησε μια τεχνική τεχνητής νοημοσύνης, που ονομάζεται «ανεπιτήρητη εκπαίδευση», προκειμένου να αναλύσει περιλήψεις άρθρων από τον κλάδο της επιστήμης των υλικών, ώστε να αντληθούν πληροφορίες για τις ιδιότητες διαφορετικών υλικών και τη μετατροπή τους σε μαθηματικές παραστάσεις που αποκαλούνται «διανυσματικές αναπαραστάσεις λέξεων». Με αυτές τοποθετούνται έννοιες σε έναν χώρο πολλών διαστάσεων, όπου βρίσκονται έτσι ομαδοποιημένες όμοιες έννοιες. Το σύστημα που προκύπτει μ’ αυτόν τον τρόπο αποκτά μια «χημική διαίσθηση» με την οποία μπορεί να επισημανθούν, π.χ., υλικά με ιδιότητες ανάλογες μ’ εκείνες άλλων υλικών. Εν συνεχεία ζητείται από την ΑΙ να προτείνει υλικά τα οποία θα είχαν με τη σειρά τους θερμοηλεκτρικές ιδιότητες (δηλαδή την ικανότητα να μετατρέπουν διαφορές θερμοκρασίας σε ηλεκτρικό ρεύμα και αντιστρόφως), ακόμα κι αν στην επιστημονική βιβλιογραφία δεν αναφέρονταν ως τέτοια. Επιλέγονταν ύστερα τα δέκα περισσότερο υποσχόμενα υλικά. Ο πειραματικός έλεγχος στα εν λόγω υλικά κατέληξε στο συμπέρασμα ότι και τα δέκα όντως εμφάνιζαν απρόσμενα ισχυρές θερμοηλεκτρικές ιδιότητες.

Ύστερα, οι ερευνητές προχώρησαν σε επανεκπαίδευση των συστημάτων τους, παραλείποντας τα πλέον πρόσφατα άρθρα, ζήτησαν δε απ’ αυτά να προβλέψουν ποια νέα θερμοηλεκτρικά υλικά θα ανακαλύπτονταν τα επόμενα χρόνια. Το σύστημα αποδείχθηκε οκτώ φορές ακριβέστερο στο να προβλέπει τέτοιου είδους ανακαλύψεις, απ’ ό,τι αν αυτές προέκυπταν τυχαία. Μπορούσε επίσης το εν λόγω σύστημα να προβαίνει σε ακριβείς προβλέψεις με τη χρήση άλλων όρων, όπως «φωτοβολταϊκό». Οι ερευνητές κατέληξαν στο συμπέρασμα ότι «παρόμοιες μέθοδοι συναγωγής συμπερασμάτων με βάση γλωσσικές καταγραφές μπορεί να αποτελέσουν ένα εντελώς καινούργιο πεδίο έρευνας ανάμεσα στην επεξεργασία φυσικών γλωσσών και τις θετικές επιστήμες».

Φωτίζοντας «τυφλά σημεία» όπου κρύβονται ανακαλύψεις

Άρθρο των Γιάμσιντ Σουράτι και Τζέιμς Ίβανς –αμφότερων κοινωνιολόγων του Πανεπιστημίου του Σικάγου–, δημοσιευμένο στο περιοδικό Nature Human Behavior, επεκτείνει με καινούργιο τρόπο αυτού του είδους την προσέγγιση. Ξεκινά από την παρατήρηση ότι τα συστήματα LBD τείνουν να επικεντρώνονται στις έννοιες που καλύπτουν τα άρθρα, παραβλέποντας τους συγγραφείς τους, έτσι εκπαίδευσαν ένα σύστημα LBD να λαμβάνει υπόψη και τα δύο αυτά στοιχεία. Το σύστημα που προέκυψε αποδείχθηκε δύο φορές καλύτερο στην πρόβλεψη νέων ανακαλύψεων στην επιστήμη των υλικών, σε σύγκριση με εκείνο που είχε διαμορφώσει η ομάδα Τσιτογιάν, ενώ επιπλέον είχε και την ικανότητα να προβλέπει με επιτυχία ποιος ερευνητής θα έκανε την τελική ανακάλυψη σε άνω του 40% των περιπτώσεων. Όμως οι εν λόγω ερευνητές πήγαν έπειτα κι άλλο ένα βήμα παραπέρα. Αντί να συμβιβαστούν με τις συμβατικές αντιλήψεις για να προβλέψουν πού θα μπορούσαν οι επιστήμονες να προβούν σε νέες ανακαλύψεις, ζήτησαν από το μοντέλο τους να αποφεύγει τις συμβατικές και να επιλέγει «ανοίκειες» υποθέσεις – δηλαδή υποθέσεις που μπορούσαν μεν να πιθανολογηθούν επιστημονικά, αλλά που θα ήταν απίθανο να οδηγήσουν σε ανακαλύψεις στο άμεσο μέλλον. Το σύστημα –αυτό είναι το επιχείρημα των ερευνητών– μπορεί με τον τρόπο αυτό να επιταχύνει τις ανακαλύψεις σε βραχυπρόθεσμο ορίζοντα και να φωτίσει «τυφλά σημεία» όπου κρύβονται ανακαλύψεις.

Πέρα από την υπόδειξη νέων υποθέσεων προς διερεύνηση, τα συστήματα LBD που συνυπολογίζουν και τους συγγραφείς των άρθρων έχουν τη δυνατότητα να υποδεικνύουν ενδεχόμενους συνεργάτες, οι οποίοι μπορεί να μη γνώριζαν ο ένας τον άλλον έως τότε. Αυτή η προσέγγιση θα μπορούσε να αποβεί ιδιαίτερα αποτελεσματική στον εντοπισμό επιστημόνων οι οποίοι δουλεύουν σε διαφορετικούς τομείς, γεφυρώνοντας συμπληρωματικά πεδία ερευνών. Οι διεπιστημονικές ερευνητικές συνεργασίες «από το να αποτελούν σπάνια περίπτωση θα καταλήξουν πιο συνηθισμένη υπόθεση, όταν τη διαμεσολάβηση κάνει η ΑΙ», εξηγεί η Γιολάντα Γκιλ, ειδική στους ηλεκτρονικούς υπολογιστές από το Πανεπιστήμιο της Νότιας Καλιφόρνιας. Καθώς λοιπόν τα συστήματα LBD επεκτείνονται κατά τρόπο που μπορούν πλέον να χειρίζονται πίνακες, διαγράμματα και δεδομένα αλληλουχίας γονιδίων ή κώδικα προγραμματισμού, θα αποκτούν και περισσότερες ικανότητες. Μελλοντικά, οι ερευνητές μπορεί να εμπιστεύονται παρόμοια συστήματα προκειμένου να διαχειριστούν την ανάγκη παρακολούθησης ενός τεράστιου όγκου νέων επιστημονικών άρθρων, να επισημαίνουν ενδιαφέροντα δεδομένα, να προτείνουν νέες ερευνητικές υποθέσεις – ακόμα και να τα συνδέουν με δυνητικούς ερευνητικούς συνεργάτες, κάπως σαν γραφεία επιστημονικών συνοικεσίων. Μ’ αυτόν τον τρόπο, τα εργαλεία ΑΙ θα μπορούσαν να επεκτείνουν και να μεταμορφώσουν την υφιστάμενη – εδώ και αιώνες– υποδομή των επιστημονικών εκδόσεων.

Γεμάτοι ενεργητικότητα

Αν η LBD υπόσχεται να τονώσει σημαντικά τον κόσμο των επιστημονικών περιοδικών με τη χρήση ΑΙ, τα «ρομπότ-επιστήμονες» ή τα «αυτο-καθοδηγούμενα εργαστήρια» υπόσχονται να πετύχουν το ίδιο στον κόσμο των εργαστηρίων. Αυτές οι μηχανές πηγαίνουν πολύ πιο πέρα από τις έως τώρα μορφές αυτοματισμού των εργαστηρίων, όπως π.χ. ισχύει με τις πλατφόρμες ελέγχου φαρμάκων. Αντιθέτως: τους παρέχεται ένα πλαίσιο γνώσεων για ένα δεδομένο ερευνητικό πεδίο, με τη μορφή δεδομένων, άρθρων διαφόρων ερευνητών και διπλωμάτων ευρεσιτεχνίας. Εν συνεχεία με τη χρήση ΑΙ διατυπώνουν υποθέσεις, κάνουν πειράματα με τη χρήση ρομπότ, αξιολογούν τα αποτελέσματα, τροποποιούν τις υποθέσεις τους και επαναλαμβάνουν τον ίδιο κύκλο. Ο Αδάμ, μηχανή που είχε κατασκευαστεί το 2009 στο Πανεπιστήμιο Αμπερίστγουιθ της Ουαλίας, πραγματοποίησε πειράματα με αντικείμενο τη σχέση γονιδίων και ενζύμων στον μεταβολισμό της μαγιάς, υπήρξε δε το πρώτο μηχάνημα που ανακάλυψε με αυτόνομο τρόπο νέες επιστημονικές γνώσεις.

Διάδοχος του Αδάμ ήταν η Εύα, η οποία διενεργεί πειράματα ανακάλυψης φαρμάκων και διαθέτει πιο προωθημένο λογισμικό. Όταν σχεδιάζει, και εν συνεχεία αναλύει πειράματα, χρησιμοποιεί μηχανική μάθηση προκειμένου να δημιουργήσει «ποσοτικές σχέσεις δομής/δράσης (QSARs)», δηλαδή μαθηματικά μοντέλα που συσχετίζουν χημικές δομές με τα βιολογικά αποτελέσματα. Έτσι, η Εύα ανακάλυψε ότι η τρικλοζίνη –αντιβακτηριακό συστατικό που χρησιμοποιείται στις οδοντόπαστες– μπορεί να αναστείλει τη λειτουργία ουσιώδους μηχανισμού στα παράσιτα που προκαλούν την ελονοσία.

Ο Ρος Κινγκ, ερευνητής ΑΙ στο Πανεπιστήμιο του Καίμπριτζ που συμμετείχε στη δημιουργία του Αδάμ, παραλληλίζει τα ρομπότ-επιστήμονες του μέλλοντος με τα συστήματα ΑΙ που κατασκευάζονται για να παίξουν σκάκι ή Γκο. Η προοπτική να δούμε μηχανές που θα νικούν τους ανθρώπους στα παιχνίδια αυτά φαινόταν κάποτε να απέχει δεκαετίες, πλην όμως η τεχνολογία εξελίχθηκε πολύ πιο γρήγορα απ’ ό,τι αναμενόταν. Πέραν τούτου, τα συστήματα ΑΙ ανέπτυξαν για τα παιχνίδια αυτά στρατηγικές τις οποίες οι ανθρώπινοι παίκτες δεν είχαν καν φανταστεί. Κάτι αντίστοιχο μπορεί να συμβεί και με τα ρομπότ-επιστήμονες, όσο αυτά αποκτούν μεγαλύτερες ικανότητες. «Αν η ΑΙ μπορεί να διερευνήσει ένα πλήρες πεδίο υποθέσεων, και μάλιστα αν μπορεί να διευρύνει αυτό το πεδίο, τότε μπορεί να δείξει ότι οι άνθρωποι δεν εξερευνούν παρά μόνο ένα μικρό πεδίο υποθέσεων – ενδεχομένως λόγω των δικών τους επιστημονικών προκαταλήψεων», καταλήγει ο Ρος Κινγκ.

Τα σύνορα της γνώσης

Τα ρομπότ-επιστήμονες θα μπορούσαν επίσης να μετασχηματίσουν την επιστημονική έρευνα και μ’ έναν άλλο τρόπο: βοηθώντας στην επίλυση ορισμένων από τα προβλήματα που έως τώρα αποτελούσαν δοκιμασία για την επιστημονική προσπάθεια. Ένα απ’ αυτά έγκειται στην ιδέα ότι η επιστημονική έρευνα –υπό διάφορες έννοιες– καταλήγει να είναι όλο και λιγότερο παραγωγική, οπότε το να προωθεί κανείς τα σύνορα της γνώσης καθίσταται μια όλο και πιο δύσκολη και πιο ακριβή υπόθεση. Υπάρχουν πολλές θεωρίες γιατί κάτι τέτοιο θα μπορούσε να συμβαίνει: μπορεί οι πιο εύκολες ανακαλύψεις να έχουν ήδη γίνει, οπότε ενδεχομένως να χρειάζεται περισσότερη εκπαίδευση των συστημάτων προκειμένου οι επιστήμονες να φτάνουν σε νέες ανακαλύψεις. Τα συστήματα μέσω ΑΙ θα μπορούσαν, εδώ, να προσφέρουν σημαντική βοήθεια εκτελώντας εργαστηριακές εργασίες πιο γρήγορα, πιο φθηνά και με μεγαλύτερη ακρίβεια απ’ ό,τι οι άνθρωποι. Σε αντίθεση με τους ανθρώπους, τα ρομπότ μπορούν να δουλεύουν σε εικοσιτετράωρη βάση. Με τον ίδιο τρόπο που οι υπολογιστές και τα ρομπότ έχουν διευκολύνει την έρευνα μεγάλης κλίμακας στην αστρονομία (όπως μεγάλες έρευνες του στερεώματος, ή πάλι αυτόματη αναζήτηση εξωπλανητών), τα ρομπότ-επιστήμονες θα μπορούσαν να προσεγγίσουν μεγάλα προβλήματα της βιολογίας συστημάτων, τα οποία διαφορετικά δεν θα ήταν πρακτικό να επιχειρηθούν λόγω της κλίμακάς τους. «Δεν χρειαζόμαστε ριζικά νέα επιστημονικά εργαλεία προκειμένου να κάνουμε κάτι τέτοιο, χρειαζόμαστε όμως μεγάλες ποσότητες επιστήμης» κατά τον Ρος Κινγκ.

Οι αυτοματισμοί θα μπορούσαν να συμβάλουν στην επίλυση και ενός άλλου προβλήματος: την κρίση αναπαραγωγής των πειραμάτων. Θεωρητικά όταν κάποιος επιστήμονας δημοσιεύει αποτελέσματα ερευνών του, άλλοι επιστήμονες μπορούν να τα αναπαράγουν και να επαληθεύουν τη δουλειά που έχει γίνει. Aλλά η αναπαραγωγή δεν τυγχάνει μεγάλης φήμης και πολλές προσπάθειες δεν αναπαράγονται – οπότε αφήνεται να διαφανεί ότι η αρχική δουλειά δεν ήταν έγκυρη, ή ακόμα και ότι ήταν προϊόν απάτης. Οι επιστήμονες δεν διαθέτουν αρκετά κίνητρα ώστε να αναπαράγουν τη δουλειά των άλλων, καθώς βρίσκονται υπό συνεχή πίεση να δημοσιεύουν νέα ευρήματα και όχι να επαληθεύουν υφιστάμενα πειράματα. Και εδώ, λοιπόν, τα ρομπότ-επιστήμονες θα μπορούσαν να δώσουν βοήθεια σε κάποια πεδία έρευνας – ιδίως στη μοριακή βιολογία. Μελέτη που δημοσιεύθηκε το 2022 από την Κάθριν Ρόουπερ του Πανεπιστημίου του Μάντσεστερ είχε αναλύσει πάνω από 12.000 άρθρα με θέμα τον καρκίνο του στήθους και επέλεξε 74 βιοϊατρικά αποτελέσματα προς επαλήθευση με τη χρήση του ρομπότ Εύα – το οποίο μπόρεσε και επαλήθευσε τα 43 απ’ αυτά. Οι μελετητές κατέληξαν στο συμπέρασμα ότι οι αυτοματισμοί «έχουν τη δυνατότητα να περιορίσουν την κρίση αναπαραγωγής» καθώς και ότι «παρακάμπτονται τα κοινωνιολογικά και επαγγελματικά αντικίνητρα για την ανάληψη προσπαθειών επανάληψης πειραμάτων». Οι μηχανές δεν ενοχλούνται από την ενασχόληση με τις επαληθεύσεις προηγούμενων αποτελεσμάτων. Ούτε –σε αντίθεση με τους ανθρώπους– ντροπιάζονται με τη δημοσιοποίηση αρνητικών αποτελεσμάτων, όπως για παράδειγμα όταν ένα ορισμένο μόριο αρνείται να επιδράσει σε έναν δεδομένο στόχο. Η δημοσίευση αρνητικών αποτελεσμάτων θα βοηθούσε στο να μη σπαταλούνται προσπάθειες, καθώς μελλοντικοί ερευνητές θα μπορούσαν να γνωρίζουν τι να μην κάνουν, ενώ τα ρομπότ-επιστήμονες μπορούν να καταγράφουν αξιόπιστα κάθε λεπτομέρεια της έρευνάς τους, πράγμα που (θεωρητικά τουλάχιστον) διευκολύνει την εν συνεχεία ανάλυση των αποτελεσμάτων τους. «Οι καινοτομίες της ΑΙ μπορεί να βελτιώσουν την επιστημονική προσπάθεια σε όλους αυτούς τους τομείς», συμπεραίνει η Γ. Γκιλ.

Λειτουργικοί αυτοματισμοί;

Τα εμπόδια είναι πολλά. Πέρα από καλύτερο εξειδικευμένο υλικό (hardware) και καλύτερο λογισμικό (software), καθώς και πληρέστερη συνεργασία των δύο αυτών, υπάρχει ανάγκη για μεγαλύτερη διαλειτουργικότητα μεταξύ των συστημάτων αυτοματισμού των εργαστηρίων, καθώς και κοινών προτύπων που να επιτρέπουν στους αλγόριθμους ΑΙ να ανταλλάσσουν και να ερμηνεύουν σημαντικές πληροφορίες. Η καθιέρωση τυποποιημένων μικρο-δισκίων, που περιλαμβάνουν εκατοντάδες μικρών δοκιμαστικών σωλήνων και επιτρέπουν τη διαχείριση εργαστηριακών δειγμάτων σε μεγάλους όγκους, αύξησε την παραγωγικότητα κατά πολλές εκατοντάδες φορές σε μερικές κατηγορίες ανάλυσης. Τώρα το ίδιο θα πρέπει να γίνει και με τα δεδομένα – πολλά από τα στοιχεία που προκύπτουν από μικρο-δισκία σε βιολογικά εργαστήρια παραμένουν, για παράδειγμα, σε υπολογιστικά φύλλα ή σε πίνακες άρθρων, απ’ όπου δεν μπορούν να διαβαστούν από τις μηχανές. 

Ένας άλλος φραγμός είναι η έλλειψη εξοικείωσης των επιστημόνων με τα βασιζόμενα στην ΑΙ εργαλεία. Μερικοί ερευνητές, δε, όπως και οι περισσότεροι εργαζόμενοι άλλωστε, ανησυχούν μήπως οι αυτοματισμοί απειλήσουν τις δουλειές τους. Τα πράγματα όμως αλλάζουν, εξηγεί η Γ. Γκιλ. Όταν –το 2014– είχε μελετήσει τη στάση των θετικών επιστημόνων έναντι της ΑΙ, είχε καταλήξει στο συμπέρασμα ότι, στους περισσότερους τομείς, «το ενδιαφέρον για την ΑΙ δείχνει να είναι σχετικά περιορισμένο». Οι περισσότερες προσπάθειες να ενσωματωθεί ΑΙ σε επιστημονική έρευνα προερχόταν από ερευνητές της ίδιας της ΑΙ, οι οποίοι μάλιστα βρίσκονταν στα εργαστήρια αντιμέτωποι με σκεπτικισμό, αν μη με εχθρότητα. Τώρα όμως η επίπτωση της ΑΙ είναι «βαθύτερη, πανταχού παρούσα» κατά τη Γ. ΓΚιλ. Πολλοί επιστήμονες, εξηγεί, «αναζητούν πλέον με δική τους πρωτοβουλία συνεργάτες από τον χώρο της ΑΙ». Η αναγνώριση των δυνατοτήτων της ΑΙ αυξάνεται, ιδιαίτερα στην επιστήμη των υλικών και στην ανακάλυψη φαρμάκων, όπου οι ειδικοί διαμορφώνουν πλέον τα δικά τους συστήματα με βάση ΑΙ. «Αν μπορούσαμε να κάνουμε τις μηχανές να είναι το ίδιο αποδοτικές στις επιστήμες όσο είναι οι άνθρωποι, τότε θα είχαμε ριζική αλλαγή, γιατί μπορούμε να έχουμε πολλές από αυτές», λέει ο Ρος Κινγκ.

Τα επιστημονικά περιοδικά άλλαξαν τον τρόπο που οι επιστήμονες ανακάλυπταν την πληροφορία και έχτιζαν ο ένας πάνω στη δουλειά του άλλου. Τα ερευνητικά εργαστήρια μεγέθυναν την κλίμακα των ερευνών και βιομηχανοποίησαν τον πειραματισμό. Με την περαιτέρω εξάπλωση και τον συνδυασμό αυτών των δύο προηγούμενων μετασχηματισμών, η ΑΙ θα μπορούσε όντως να μεταβάλει τον τρόπο με τον οποίο διεξάγεται η επιστημονική έρευνα.

©The Economist. Μεταφράστηκε και δημοσιεύθηκε από την Economia Media Α.Ε., έπειτα από ειδική άδεια. Το πρωτότυπο αγγλικό κείμενο βρίσκεται στο www.economist.com