Концентрация усилий — черта современной науки, которая выгодна при составлении бюджетов и планировании научных статей, но далеко не всегда идет на пользу человечеству. ИИ может стать воплощением того «безрассудного ученого», который согласен «потратить жизнь» на области знания, которые кажутся бесперспективными.

Один из первых шагов в карьере начинающего ученого — выбор направления. И необходимость финансировать исследования вынуждает исследователей искать баланс между новизной темы и наработанной базой, указывает колумнист Bloomberg. Итог закономерен: в некоторых областях публикуется огромное число работ, а другие остаются вовсе неисследованными. И эта практика укрепляет саму себя — настолько, что человеку разорвать круг невозможно.

Но это смогут сделать «бесстрашные» алгоритмы. Машинное время стоит с каждым годом все дешевле, а ИИ не надо регулярно публиковать статьи и отчитываться перед спонсорами.

Взять, например, генетику. Мы писали, что большая часть генов остается неисследованной, несмотря на то, что геном человека давно секвенировали. 90% работ посвящены 10% генов. При этом у генетиков есть преимущество по сравнению с другими исследователями: благодаря проекту Genome они хотя бы знают, чего не знают.

По оценке биолога Томаса Стойгера, сейчас 27% генов человека абсолютно не изучены. А большая часть исследований посвящена генам, изучение которых началось еще до полной расшифровки генома. Стойгер подчеркивает, что это проблема стратегического плана. По его данным, молодой ученый, который начинает исследования в неизученной области, на 50% реже преуспевает и становится независимым. И в любом случае дорога к успеху отнимает значительно больше времени, а найти финансирование для долгосрочных проектов с неочевидными перспективами в разы сложнее.

Решение этой проблемы в статье в журнале Science предложил профессор социологии Джеймс Эванс. Он разработал алгоритм, который на основании предыдущих работ успешно предсказал темы 96% научных публикаций на год вперед.

Более важным стал другой вывод исследования: наибольшее влияние на развитие науки оказали как раз 4% работ, которые ИИ не сумел предсказать.

Проблема в том, что научное финансирование консервативно, и одного исследования на ту или иную тему, даже прорывного, мало, чтобы приучить компании, государственные агентства и некоммерческие фонды рисковать. Эванс считает, что идеальная схема выделения денег на науку должна напоминать венчурное финансирование: инвесторы понимают, что преуспеет лишь малая часть проектов, но их воздействие будет настолько серьезным, что компенсирует все провалы.

По его мнению, ИИ может и должен помочь в этом ученым, указав на потенциально многообещающие области исследований, где стоит рискнуть. А инвесторы в таком случае будут уверены, что выбор происходит объективно.

О потенциале ИИ в науке задумываются многие. Например, алгоритмы помогут составить план опытов. Сейчас это наиболее затратная часть научной работы. Взаимодействие с ИИ также серьезно изменит место человека в «пищевой цепочке» науки: вместо экспериментаторской работы он сможет больше времени уделить анализу данных и построению выводов.

Источник: hightech.plus