هوش مصنوعی می تواند علم را گسترش دهد - اما تنها در صورتی که موسسات از پاداش دادن به موارد قابل اندازه گیری خودداری کنند

استفاده از هوش مصنوعی در علم معمایی ایجاد می کند: محققان فردی در حال بهره وری بیشتر هستند، در حالی که شرکت علمی به عنوان یک کل در حال بررسی طیف محدودتری از ایده ها است.

آیا هوش مصنوعی جرقه یک رنسانس علمی - یا یک تک‌فرهنگ پراکنده را خواهد زد؟

به عنوان مثال، دانشگاهیان که ابزارهای هوش مصنوعی را به کار می گیرند، حدود سه برابر بیشتر مقالات منتشر می کنند و تقریبا پنج برابر بیشتر از همتایان خود استناد دریافت می کنند. با این حال، تحلیل‌های ادبیات علمی نشان می‌دهد که تحقیقات با کمک هوش مصنوعی 4.6 درصد کمتر از کارهای غیر هوش مصنوعی را پوشش می‌دهد، و این الگو در بیش از 70 درصد از زیرشاخه‌های مورد مطالعه وجود دارد.

مشکل تکنولوژیکی نیست، بلکه نهادی است. ابزارهای هوش مصنوعی ظرفیت دانشمندان را برای اکتشاف گسترش می‌دهند، اما انگیزه‌های سیستمی به این معناست که محققان از این قابلیت برای تمرکز شدیدتر روی مشکلاتی استفاده می‌کنند که مؤسسات می‌توانند به راحتی آن‌ها را تشخیص دهند، ارزیابی کنند و به آنها پاداش دهند، نه ایجاد زمینه‌های جدید.

این پویایی‌ها از هوش مصنوعی سرچشمه نمی‌گیرد: تحقیقات نشان داده است که مقالات و پتنت‌ها در شش دهه گذشته کمتر مخرب شده‌اند. اما هوش مصنوعی این تغییرات را تسریع می‌کند، زیرا سرعت و تشخیص الگو در بخش‌های بزرگ کار دقیقا همان چیزی است که یک سیستم باریک‌کننده به شدت روی آن تمرکز می‌کند. ساختار شغلی دانشگاهی این تأثیر را تقویت می کند. هوش مصنوعی گسترش یک خط تحقیقاتی آشنا را سریع‌تر و ارزان‌تر از ورود به زمین‌های ناآشنا می‌کند و سیستم‌های تشویقی موجود چنین سرعتی را پاداش می‌دهند.

برای رفع این نگرانی ها، ما سه توصیه را ارائه کردیم.

سیستم های تامین مالی فعلی به جای ایجاد مجموعه داده های جدید و قابلیت های اندازه گیری در بالادست، به طور عمده به بهره برداری پایین دستی از داده های موجود پاداش می دهند. با استفاده از مدل‌های قدرتمند هوش مصنوعی در مجموعه داده‌های عمومی، محققان اغلب می‌توانند نتایج قابل انتشار را با هزینه نسبتا کم تولید کنند.

به عنوان مثال، شبکه‌های نموداری گوگل برای اکتشاف مواد (GNoME) یک ابزار یادگیری عمیق است که 381000 کریستال معدنی پایدار را شناسایی کرده است و چشم‌انداز مواد شناخته شده را با مرتبه قدر 3 گسترش می‌دهد. در همین حال، AlphaFold، یک سیستم پیش‌بینی ساختار پروتئین که توسط DeepMind در لندن ایجاد شده است، بیش از 214 میلیون ساختار پروتئینی بالقوه ایجاد کرده است، و تعاملات بیولوژیکی را در مقیاسی بی‌سابقه قابل بازرسی می‌کند.

ابزار هوش مصنوعی AlphaFold برای شناسایی میلیون‌ها ساختار پروتئینی استفاده شده است. اعتبار: Jakub Porzycki/NurPhoto از طریق Getty

در مقابل، ایجاد یک مطالعه کوهورت طولی یا راه‌اندازی یک برنامه پایش تنوع زیستی می‌تواند سال‌ها سرمایه‌گذاری پایدار را قبل از تولید هر یافته قابل انتشاری به طول انجامد.

این عدم تقارن در حال گسترش است: هزینه‌های پیش‌بینی با مدل‌های هوش مصنوعی در دو سال گذشته تقریبا 100 برابر شده است، در حالی که ساخت زیرساخت‌های رصدی جدید همچنان هزینه‌های عملیاتی بلندمدت بالایی دارد 5-7. این بدان معنی است که شکاف بین آنچه برای بهره برداری ارزان است و آنچه برای کاوش گران است، هر چند ماه یکبار افزایش می یابد.

ما از سرمایه‌گذاران می‌خواهیم که عمدا به زیرساخت داده‌ها یارانه بدهند، به‌ویژه در حوزه‌های نادیده گرفته شده مانند بیماری‌هایی که از مطالعات کوهورت اصلی حذف شده‌اند. این سرمایه‌گذاری‌ها کند و غیر جذاب هستند، اما اگر هوش مصنوعی بخواهد با مشاهدات مناطقی که قبلا نادیده گرفته شده‌اند کار کند، ضروری هستند.

دانشگاه‌ها و آژانس‌های مالی باید جریمه محققانی را که از هوش مصنوعی برای ورود به حوزه‌های جدید استفاده می‌کنند، متوقف کنند. ابزارهای هوش مصنوعی هزینه اطلاعاتی چرخش را کاهش می دهند - برای مثال یک بوم شناس که وارد علم ژنومیک می شود، اکنون می تواند ادبیات ناآشنا را سریعتر طی کند. اما سیستم‌های ارزیابی هنوز هم محورها را در زیرشاخه‌های دیگر جریمه می‌کنند. کمیته‌های استخدام، نامزدها را با سابقه انتشار مستمر در یک حوزه واحد ارزیابی می‌کنند و آژانس‌های تامین مالی اغلب داده‌های اولیه از کار قبلی متقاضی را به عنوان پیش‌نیاز برای حمایت در نظر می‌گیرند.

ابزارهای هوش مصنوعی تک تک دانشمندان را تقویت می کنند اما می توانند تحقیقات را به طور کلی محدود کنند

doi: https://doi.org/10.1038/d41586-026-02961-z

Hao, Q., Xu, F., Li, Y. & Evans, J. Nature 649, 1237-1243 (2026).

پارک، ام.، لیهی، ای. و فانک، R. J. طبیعت 613، 138-144 (2023).

Merchant، A. et al. Nature 624، 80-85 (2023).

باریو-هرناندز، آی و همکاران. Nature 622، 637-645 (2023).

مسلج، ن. و همکاران. گزارش شاخص هوش مصنوعی 2025 (موسسه استنفورد برای هوش مصنوعی انسان محور، 2025).

شورای تحقیقات اقتصادی و اجتماعی. بررسی مطالعات گروهی ESRC 2024/25 (تحقیق و نوآوری انگلستان، 2025).

Bell, K. & Malerba, M. E. Biodivers. حفظ کنید. 34، 2513-2528 (2025).

هیل، آر و همکاران. Nature 642، 999-1006 (2025).

Wu, L., Wang, D. & Evans, J. A. Nature 566, 378-382 (2019).

Xu، F.، Wu، L. & Evans، J. Proc. Natl Acad. علمی USA 119, e2200927119 (2022).

دانشمندان هوش مصنوعی در حال تغییر تحقیقات هستند - موسسات، سرمایه‌گذاران و ناشران باید پاسخ دهند

پرداخت به بررسی همتایان: شرکت ها به محققان پول می دهند تا نسخه های خطی مجلات را ارزیابی کنند

چین اکنون در آزمایش‌های نسل بعدی درمان‌های CAR-T در جهان پیشتاز است

ویپینگ در دوران کودکی خطرات سلامتی بیشتری نسبت به آنچه فکر می‌کردیم دارد

سیستم هوش مصنوعی به دستگاه‌های آزمایشگاهی کمک می‌کند تا با یکدیگر «صحبت کنند» - ساده‌سازی تحقیقات

فقدان محقق و شرکت کننده زن در تحقیقات پزشکی بازساختی همه را عقب نگه می دارد

در ستایش معلمان انسانی: دانشگاه ها باید در برابر برون سپاری همه چیز به هوش مصنوعی مقاومت کنند

آزمایشگاه بیولوژیکی هوش مصنوعی Anthropic DNA "شبیه CRISPR" را در ویروس ها پیدا می کند. بعد چی؟

عامل هوش مصنوعی برای اولین بار وب سایت دولتی را هک می کند: چرا این نقض اهمیت دارد

موقعیت های رهبران یا محققین اصلی، هیئت علمی و پست دکتری در تمام سال باز است

بیمارستان دندانپزشکی، دانشکده پزشکی دانشگاه ژجیانگ

بودجه قابل توجه برای تحقیقات پسا دکتری

ما به دنبال متقاضیان برجسته برای پست های تمام وقت دوره تصدی / پست های هیئت علمی هستیم. موقعیت ها برای هر دو سطح جوان و ارشد در دسترس است.

دانشگاه علم و صنعت جنوب (مهندسی زیست پزشکی)

ما به دنبال یک دانشجوی فوق دکتری زیست شناسی محاسباتی با انگیزه هستیم

به آزمایشگاه Reznik در خدمات انکولوژی محاسباتی MSK بپیوندید