aŭtoroj:
Barend Mons, Emerita Profesoro de la Universitato de Leiden, Estrarano de la fondaĵo GO FAIR kaj Direktoro de LIFES, la Iniciato de Leiden por JUSTA kaj Egaleca scienco
Arie Baak, Estrarano de LIFES Asocio por JUSTA kaj Egaleca scienco
Koen Jonkers, Eŭropa Komisiono, Komuna Esplorcentro (JRC), Bruselo, Belgio
Artefarita Inteligenteco transformas la manieron kiel scienco estas farata, komunikata kaj validigita. Ĝi havas veran promeson, ebligante ŝablonrekonon je skaloj, kiujn neniu homa esploristo povas egali, akcelante laborfluojn kaj malfermante novajn vojojn por malkovroj. Sed AI estas ankaŭ rapida, ne senerara kaj arbitra, dum scienco estas tempopostula kaj zorgema laŭ dezajno. La streĉiĝo inter ĉi tiuj du realaĵoj jam generas gravan misfunkcion: inundon de AI-generitaj publikaĵoj kaj datumoj, degraditan kolegan taksadon, halucinitajn trovojn kaj eroziitan fidon je la scienca registro. La kapabloj postulataj de estontaj sciencistoj ŝanĝiĝas fundamente kaj scienca politiko ne samrapidis. Trakti ĉi tiun mankon estas urĝa.
Scienco transiris de daten-maldensa al daten-riĉa medio kun rimarkinda rapideco. Kie esploristoj iam generis modestajn datumarojn kaj komunikis trovojn ĉefe per homlegeblaj artikoloj, ili nun funkcias en epoko de eksponenta datengenerado. Multo de ĝi estas altdimensia, distribuita kaj nur uzebla de maŝinoj. Ĉi tiu tendenco tamen ne speguliĝas en fakta datenreuzado. Por ŝanĝi tion, datumoj mem nun devas esti traktataj kiel bonega scienca produktaĵo, ne kiel kromprodukto de artikoloj.
Maŝinoj elstaras je trovado de ŝablonoj en grandaj kaj kompleksaj datumaroj. Sed maŝinoj ne havas enecan koncipan modelon de hom-rilata realeco. La rezulto estas preskaŭ senlima provizo de ŝablonoj, multaj falsaj, kelkaj misgvidaj. Centra defio por la sekva generacio de sciencistoj estos navigi ĉi tiun ŝablonĝangalon: distingi senchavan signalon de statistika bruo. Homa superrigardo ne estas laŭvola; ĝi estas strukture necesa.
Politikistoj ankaŭ devus konscii, ke artefarita inteligenteco en scienco etendiĝas multe preter Grandaj Lingvomodeloj, kiuj nuntempe dominas publikan diskuton. La pli larĝa pejzaĝo inkluzivas maŝinlernadon por hipotezgenerado, aŭtomatigitajn eksperimentajn laborfluojn kaj sciograf-bazitan rezonadon, ĉiu portante apartajn riskojn kaj ŝancojn, kiuj postulas personecigitajn administradajn respondojn.
La kvalito de artefarita inteligenteco-produktaĵo en scienco estas rekte determinita de la kvalito de datumoj enigo. FAIR-datumoj (Troveblaj, Alireblaj, Interoperacieblaj kaj Reuzeblaj, kaj ĉiam pli komprenataj kiel Plene Pretaj por AI) estas la fundamenta antaŭkondiĉo por respondeca AI-gvidata scienco. Sen ili, AI-modeloj estas trejnitaj per kruda, nekuracita, eble influita, aŭ eĉ fabrikita enhavo, produktante halucinojn, kiuj povas esti vivminacaj en klinikaj kuntekstoj kaj kiuj sisteme subfosas fidon je scienco. Precipe kie la reuzo de facile troveblaj datumoj estas plejparte fare de ne-scienc-bazitaj aktoroj kiel la nunaj LLM-kompanioj.
Same grava estas la uzo de FAIR-koncipaj modeloj por limigi AI-on. elirojPer provizado de strukturitaj semantikaj kadroj, kie ĉiu koncepto estas bone difinita, kiel ili rilatas kaj kio validas kiel valida inferenco, ĉi tiuj modeloj signife reduktas la riskon de halucinoj kaj helpas certigi, ke per AI generitaj rezultoj restas klarigeblaj, interpreteblaj kaj konfirmeblaj de homoj.
La integreca krizo en scienca eldonado pligravigas ĉi tiujn riskojn. AI-sistemoj nun povas generi kredindaspektajn artikolojn, datumojn kaj recenzojn preskaŭ tuj. Unu ĉefa AI-konferenco ricevis pli ol 20 000 kontribuaĵojn nur en 2025. La respondo (sciencistoj uzantaj AI por revizii AI-generitajn artikolojn) riskas krei fermitan bruan religan buklon, en kiu mankhavaj sistemoj taksas unu la alian sen senchava ekstera kontrolo. FAIR-datumoj publikigitaj ĉe la fonto, kie deveno povas esti kontrolita, estas inter la plej fortikaj iloj haveblaj por kontraŭbatali ĉi tiun tendencon.
Sub ĉio ĉi kuŝas struktura fiasko en instigoj. Esploristoj ankoraŭ estas ĉefe rekompencitaj laŭ la nombro de artikoloj kaj la citaĵkvotoj, metriko destinita por epoko de datumoj malabundaj. Eldonado de altkvalitaj FAIR-datumoj portas malmultan profesian rekonon kaj neniun garantiitan financan kovradon. Ĉi tio devas ŝanĝiĝi.
La teknika administrada pejzaĝo por datumoj en scienco estas en krizo. Jardekoj da dependeco de malgranda nombro da grandaj nubprovizantoj, kombinitaj kun juraj instrumentoj kiel la Usona Nuba Leĝo, kreis problemon de datumsuvereneco, kiu nun estas akra, precipe konsiderante la lastatempan malstabilecon de la usona politiko kaj ĝiajn efikojn sur internacie komunan esploran infrastrukturon. Multaj el la kernaj sciencaj datumresursoj de la mondo estas efike ekster la jurisdikcia kontrolo de la institucioj kaj komunumoj, kiuj generis ilin.
La FAIR-Principoj, kompletigitaj de la CARE-Principoj (kiuj traktas la rajtojn kaj interesojn de Indiĝenaj Popoloj en datenadministrado), provizas koheran kadron por respondeca administrado. Kune, ili difinas la kondiĉojn sub kiuj datumoj devus esti malfermitaj aŭ limigitaj, reuzeblaj kaj suverenaj. La koncepto de Interreto de FAIR-Datumoj kaj Servoj (IFDS), en kiu datumoj restas ĉe sia fonto kaj estas vizitataj de rajtigitaj algoritmoj anstataŭ kopiitaj kaj centralizitaj, ofertas praktikan arkitekturan respondon. En ĉi tiu modelo, komputilaj demandoj vojaĝas al distribuitaj datennodoj; datumoj ne vojaĝas al centralizitaj deponejoj krom se neeviteblaj.
Justa partopreno en scienco per artefarita inteligenteco ankaŭ postulas, ke ĉi tiu infrastrukturo estu vere alirebla. Institucioj kaj komunumoj en la Tutmonda Sudo ne povas esti pasivaj subjektoj de datumreuzado. Ĉe la alia fino de la spektro de konektebleco, datenintensa industrio ne devus esti ekskludita. Distribuita JUSTA infrastrukturo, desegnita por eviti vendistŝlosiĝon kaj unuopajn punktojn de fiasko, estas la mekanismo per kiu senchava partopreno fariĝas ebla.
Kohera politika respondo postulas agadon sur pluraj frontoj:
Scienco estas tutmonda publika bono. Ĝia integreco, egaleco kaj malfermiteco ne povas esti supozitaj; ili postulas aktivajn politikajn elektojn. La fenestro por establi solidan regadon por AI en scienca produktado estas malfermita, sed ĝi ne restos tia senfine. La decidoj faritaj nun pri datennormoj, infrastrukturo, instigoj kaj kontrolado determinos ĉu AI akcelas fidindan sciencon aŭ sisteme subfosas ĝin.
Foto de Getty Images por Unsplash+
Gastigita en partnereco inter la Internacia Scienca Konsilio (ISC) kaj Frontiers Policy Labs, ĉi tiu blogo estas parto de la Nova regado por scienco en la 21-a jarcento' serio servanta kiel dinamika diskutforumo por pensgvidado pri la estonteco de scienca regado. Forirante de rigidaj akademiaj studoj, la iniciato kunigas gvidajn tutmondajn voĉojn por liveri akrajn, provokemajn sed sciencbazitajn kaj antaŭenrigardajn opiniajn artikolojn. Farante tion, ĝi volas kontribui al difino de rezistema, inkluziva kaj travidebla regada modelo ekipita por la defioj de morgaŭ.
Vidu la originalan afiŝon tie.
malgarantio
La informoj, opinioj kaj rekomendoj prezentitaj en niaj gastblogoj estas tiuj de la individuaj kontribuantoj kaj ne nepre reflektas la valorojn kaj kredojn de la Internacia Scienca Konsilio.
Legu pli pri emerĝantaj teknologioj kaj transformoj Legu pli pri Moderna scienco: geostrategiaj, teknologiaj kaj sociaj motoroj de ŝanĝo Legu pli pri Organizita scienco en la epoko de AI: Ĉu ni dormas ĉe la stirilo? 
Legu pli pri la lanĉo de la Pacifika Akademio de Sciencoj per AI-funkciigita esplorplatformo kaj regiona takso-raporto pri esplorado kaj disvolviĝo 