Применение искусственного интеллекта в науке: анализ работы академических исследователей
Анализ более 580 тысяч запросов показал, как ученые используют языковые модели для обзора литературы, генерации идей и ускорения своей работы.

Главное за 30 секунд
Искусственный интеллект становится полноценным ассистентом в научном процессе, помогая не только экономить время, но и формулировать новые исследовательские гипотезы.
- Проанализировано более 580 000 запросов от 1819 ученых.
- По оценке опрошенных, без ИИ выполнение тех же задач заняло бы в 1.9 раза больше времени.
- 68% исследователей используют языковые модели для разработки новых научных идей.
- Программа бесплатного доступа расширяется на 200 000 исследователей.
Неочевидное: Почти в четверти случаев (23%) на этапе поиска идей ученые не приходят с готовой концепцией, а просят саму модель предложить им новый исследовательский вопрос.
Команда экономических исследований компании OpenAI опубликовала отчет о том, как академические исследователи применяют большие языковые модели (LLM) в своей повседневной работе. Данные демонстрируют, что искусственный интеллект постепенно встраивается в научный процесс, помогая решать задачи от анализа доказательств до формулирования новых гипотез.
Научный прогресс фундаментально зависит от способности исследователей задавать новые вопросы и находить способы отвечать на них. Чтобы понять роль ИИ в этом процессе, исследователи проанализировали более 580 000 научных сообщений от 1819 ученых, участвовавших в летней пилотной программе для академических исследователей. Дополнительно был проведен опрос 251 участника программы.
Результаты опроса показывают значительное влияние на продуктивность. По оценке респондентов, выполнение их текущей работы с тем же уровнем качества без использования ИИ заняло бы в 1.9 раза больше времени. При этом 98% опрошенных участников ожидают, что технологии искусственного интеллекта ускорят научные открытия в их дисциплинах.

Изображение из источника
Особый интерес представляет то, как именно ученые работают с моделями на этапе поиска идей. Согласно данным отчета, 68% исследователей использовали систему для разработки исследовательских концепций. Взаимодействие распределилось следующим образом:
- В 36% случаев происходила совместная работа: ученый приносил базовую идею и просил модель доработать ее.
- В 35% случаев исследователь приходил с уже готовым, конкретным вопросом для работы.
- В 23% случаев инициатива делегировалась: ученые просили систему самостоятельно предложить исследовательский вопрос.
- Оставшиеся 6% сообщений не удалось отнести к конкретной категории.
Отвечая на вопрос о том, за счет чего именно ожидается ускорение научных открытий, исследователи назвали несколько причин (на основе 367 причин из 224 текстовых ответов). Более половины (52%) отметили банальное ускорение выполнения рутинной работы. Однако значительная часть указала на качественные изменения: 23% надеются находить более перспективные вопросы для изучения, а 14% — охватывать более широкий спектр тем.
Также по темеПрогнозирование времени дообучения языковых моделей: почему расчет через FLOPs не работает
Изображение из источника
Важным аспектом внедрения ИИ в академическую среду остается конфиденциальность. В рамках программы данные участников по умолчанию не используются для обучения моделей. Для анализа поведения пользователей применялись автоматизированные классификаторы, которые сортировали сообщения по типам деятельности (написание кода, обзор литературы, анализ данных). Исследовательская группа OpenAI видела только эти категории, не читая сами сообщения или ответы модели.
Данные показывают, что ученые не просто делегируют задачи, но и сохраняют вовлеченность, регулярно уточняя, проверяя и пересматривая ответы системы. По словам Сезара де ла Фуэнте, специалиста по антимикробным исследованиям, подобные инструменты становятся настоящей «игровой площадкой» для ученых.
Оправдаются ли ожидания по ускорению реальных научных открытий, покажет время. Как отмечается в отчете, прогресс будет зависеть не только от алгоритмов, но и от традиционных факторов: финансирования, наличия квалифицированного персонала и лабораторных мощностей для проверки сгенерированных идей. Тем не менее, для поддержки этого направления компания расширяет программу, предоставляя бесплатный доступ к инструментам для более чем 200 000 исследователей по всему миру.









