AI w nauce: przełomy i zagrożenia dla środowiska akademickiego

Sztuczna inteligencja wkracza do nauki z impetem, który zmienia sposób pracy naukowców. OpenAI zaprezentowała model GPT-6 Astra we wrześniu, ogłaszając tym samym powstanie ogólnej sztucznej inteligencji. Przełom okazał się spektakularny: algorytm rozwiązał jeden z „problemów milenijnych” – zagadnień matematycznych o fundamentalnym znaczeniu dla całej dyscypliny. To osiągnięcie jednak wzbudziło niepokój w środowisku akademickim. Matematycy, którzy pracowali nad tym samym problemem, wyrazili obawy dotyczące przypisania przełomu firmie, a nie ich wieloletnim wysiłkom.

Jak AI zmienia produktywność naukowców?

Dane pokazują, że naukowcy stosujący narzędzia AI publikują średnio trzy razy więcej tekstów naukowych niż ich koledzy pracujący tradycyjnie. Równocześnie artykuły autorów korzystających z AI otrzymują prawie cztery razy więcej cytowań. To wydaje się sukcesem – większa widoczność, szybszy przepływ wiedzy. Rzeczywistość jest jednak bardziej skomplikowana.

Wzrost liczby wniosków grantowych w programie Marie Sklodowska-Curie Actions w latach 2022–2025 wskazuje na intensyfikację konkurencji. Paradoksalnie, współczynnik sukcesu publikacji i grantów systematycznie maleje. Oznacza to, że choć naukowcy produkują więcej pracy, szanse na uzyskanie finansowania pozostają coraz trudniejsze. Rynek naukowy staje się bardziej nasycony, a selekcja bardziej rygorystyczna.

Czy recenzja naukowa wytrzyma presję?

Standard weryfikacji badań w większości dziedzin nauki – double-blind peer review – opiera się na założeniu, że recenzenci mają czas na gruntowną analizę pracy. Inflacja publikacji naukowych utrudnia naukowcom znalezienie czasu na recenzje. Gdy liczba artykułów rośnie wykładniczo, a liczba recenzentów pozostaje stała, system trafia w kryzys. Dodajcie do tego możliwość, że część tekstów powstała przy wsparciu AI, a recenzenci będą mieć jeszcze większe wyzwania w ocenie oryginalności i rzetelności badań.

Jakie zagrożenia dla bezpieczeństwa danych?

Użytkownicy wrzucają do modeli AI dane osobiste: zdjęcia rodzinne, wyniki badań lekarskich, a naukowcy – wrażliwe informacje z badań. Centra danych do trenowania modeli wymagają olbrzymich ilości energii i wody, co podnosi pytania o sustainability. Byli pracownicy OpenAI oświadczają, że modele firmy są niebezpieczne – ostrzeżenie, które nie powinno być ignorowane przez akademię.

Polska debata: czy profesorowie rzeczywiście masowo korzystają z AI?

W Polsce rozpętała się kontrowersja wokół raportu „Polaków portret własny” i wypowiedzi prof. Barbary Mróz-Gorgoń, która stwierdziła, że „co drugi profesor na świecie wykorzystuje” AI. Rzecznik Konferencji Rektorów Akademickich Szkół Polskich domagał się przeprosin od badaczki. Spór ten odzwierciedla głębsze napięcie: środowisko akademickie nie ma jeszcze jasnego stanowiska wobec sztucznej inteligencji. Czy to narzędzie, czy zagrożenie? Odpowiedź wydaje się być: obydwa naraz.

Co to oznacza dla naukowców i instytucji?

Dla naukowców sytuacja jest dwuznaczna. Z jednej strony AI oferuje narzędzia, które mogą przyspieszać badania i zwiększać ich widoczność. Z drugiej strony, presja konkurencyjna może zmuszać do jej używania – nawet jeśli naukowiec ma obawy etyczne. Dla instytucji akademickich oznacza to konieczność szybkiego opracowania wytycznych dotyczących użycia AI w badaniach, ochrony danych i przejrzystości w procesie publikacji. Bez jasnych reguł, system może ulec erozji zaufania – a to jest fundamentem nauki.

Wzrost liczby publikacji i cytowań to fakt, ale fakt ten trzeba odczytać w kontekście zmian strukturalnych: większej konkurencji, trudniejszego dostępu do grantów i rosnących obaw o bezpieczeństwo. Akademia stoi przed wyborem: czy zaakceptuje AI jako nowy standard, czy ustanowi granice jego stosowania?