Η τεχνητή νοημοσύνη κάνει ένα βήμα προς την πλήρη επιστημονική αυτονομία

Ένα σύστημα τεχνητής νοημοσύνης που αναπτύχθηκε από τη Sakana AI σε συνεργασία με Καναδούς και Βρετανούς ερευνητές έχει αποδείξει την ικανότητά του να διεξάγει επιστημονική έρευνα από άκρο σε άκρο, από τη δημιουργία ιδεών έως τη σύνταξη άρθρων. Δημοσιευμένο στο Nature, αυτό το σύστημα υπέβαλε με επιτυχία μια εργασία σε ακαδημαϊκό συνέδριο, σημειώνοντας μια σημαντική πρόοδο στην αυτοματοποίηση της έρευνας.

Ένα σύστημα ικανό να διεξάγει επιστημονική έρευνα αυτόνομα, από τη σύλληψη των ιδεών έως τη σύνταξη πλήρους άρθρων, αντιπροσωπεύει ένα ορόσημο στην εξέλιξη της σχέσης μεταξύ τεχνητής νοημοσύνης και επιστημονικής μεθόδου. Αναπτύχθηκε από την Sakana AI σε συνεργασία με ερευνητές από το Πανεπιστήμιο της Βρετανικής Κολομβίας, το Vector Institute και το Πανεπιστήμιο της Οξφόρδης, αυτό το σύστημα που ονομάζεται AI Scientist λειτουργεί ως πλήρης εικονικός ερευνητής.

Μια αυτοματοποιημένη επιστημονική διαδικασία

Ο μηχανισμός βασίζεται σε μοντέλα θεμελίωσης που ενορχηστρώνουν κάθε φάση της επιστημονικής εργασίας. Δημιουργεί ερευνητικές ιδέες, εξερευνά την ακαδημαϊκή βιβλιογραφία για να επαληθεύσει την πρωτοτυπία των προτάσεων, γράφει και διορθώνει κώδικα για τη διεξαγωγή πειραμάτων, αναλύει τα αποτελέσματα που λαμβάνονται, παράγει οπτικοποιήσεις δεδομένων, γράφει χειρόγραφα σε LaTeX και αξιολογεί ακόμη και την ποιότητα της δικής του παραγωγής. «Αυτή η εργασία σηματοδοτεί την αυγή ενός νέου κεφαλαίου στην ανθρώπινη ιστορία, όπου η επιστημονική πρόοδος επιταχύνεται ριζικά από επιστήμονες της τεχνητής νοημοσύνης ικανούς να ενεργούν αυτόνομα».υπογραμμίζει ο Jeff Clune, καθηγητής πληροφορικής στο UBC και κύριος συγγραφέας της δημοσίευσης.

Η ομάδα ανέπτυξε επίσης έναν αυτοματοποιημένο αξιολογητή ικανό να προβλέπει αποφάσεις αποδοχής σε συνέδριο με απόδοση συγκρίσιμη με αυτή των ανθρώπινων αξιολογητών. Αυτό το στοιχείο κατέστησε δυνατό να καθοριστεί αυτό που οι ερευνητές περιγράφουν ως νόμο κλιμάκωσης: η ποιότητα των παραγόμενων αντικειμένων βελτιώνεται ανάλογα με τις δυνατότητες των υποκείμενων μοντέλων θεμελίωσης και την κατανεμημένη υπολογιστική ισχύ.

Δοκιμή σε πραγματικές συνθήκες

Για να αξιολογήσουν την απόδοση του συστήματος σύμφωνα με τα ακαδημαϊκά πρότυπα, οι ερευνητές υπέβαλαν τρία άρθρα που δημιουργήθηκαν εξ ολοκλήρου από τεχνητή νοημοσύνη σε ένα εργαστήριο του Διεθνούς Συνεδρίου για τις Learned Representations το 2025. Ένα από αυτά τα άρθρα, αφιερωμένο στην κανονικοποίηση των νευρωνικών δικτύων, έλαβε μέση βαθμολογία 6,33 στα 10 από ανθρώπους αναθεωρητές. Αυτή η απόδοση τον τοποθετούσε πάνω από το 55% περίπου όλων των υποβολών και ξεπέρασε το όριο αποδοχής του εργαστηρίου.

Σύμφωνα με μια προκαθορισμένη συμφωνία με τους διοργανωτές του συνεδρίου, η Sakana AI απέσυρε το άρθρο πριν από τη δημοσίευση, επικαλούμενη την έλλειψη καθιερωμένων προτύπων σχετικά με τα χειρόγραφα που δημιουργούνται από τεχνητή νοημοσύνη.

Τρέχουσες δυνατότητες και περιορισμοί

Οι ερευνητές αναγνωρίζουν αρκετές ελλείψεις στο τρέχον σύστημα:

• Μερικές φορές παράγει ανεπαρκώς αναπτυγμένες ιδέες
• Δημιουργεί ανακριβή εισαγωγικά
• Προς το παρόν, παραμένει περιορισμένη στην έρευνα της επιστήμης των υπολογιστών.

Η ίδια η Sakana AI ανέφερε ότι καμία από τις τρεις υποβολές της στο ICLR δεν πληρούσε τα εσωτερικά πρότυπα για δημοσίευση στην κύρια σύνοδο του συνεδρίου. Το έγγραφο που έγινε αποδεκτό πέρασε μόνο μία συνεδρία εργαστηρίου με ποσοστό αποδοχής από 60 έως 70 τοις εκατό.

Παρά τους περιορισμούς αυτούς, οι πιθανές επιπτώσεις αυτής της τεχνολογίας έχουν προσελκύσει την προσοχή της επιστημονικής κοινότητας. “Το AI Scientist ανοίγει το δρόμο για αναδρομική βελτίωση στην οποία το σύστημα AI όχι μόνο ανακαλύπτει νέες επιστημονικές γνώσεις, αλλά χρησιμοποιεί αυτές τις ανακαλύψεις για να γίνει καλύτερος στις επόμενες ανακαλύψεις.”εξηγεί ο Shengran Hu, διδακτορικός φοιτητής στο UBC και συν-συγγραφέας της μελέτης.

Ένα άρθρο στο Nature που δημοσιεύτηκε παράλληλα με το επιστημονικό άρθρο τονίζει ότι το σύστημα “εγείρει αναπάντητα ερωτήματα σχετικά με το πώς πρέπει να διεξάγεται και να διέπεται η έρευνα καθώς επιταχύνεται ο αυτοματισμός βάσει τεχνητής νοημοσύνης..

Τα ερωτήματα αφορούν τη γνωσιολογία της επιστήμης, την ηθική της έρευνας και την οργάνωση των ακαδημαϊκών κοινοτήτων.

Η εμφάνιση συστημάτων ικανών να αυτοματοποιήσουν ολόκληρη την επιστημονική διαδικασία θέτει θεμελιώδεις προκλήσεις για το μέλλον της έρευνας. Εάν η τεχνολογία καθιστά δυνατή την επιτάχυνση ορισμένων φάσεων της επιστημονικής εργασίας, αμφισβητεί επίσης τη θέση της ανθρώπινης διαίσθησης, δημιουργικότητας και ευθύνης στην παραγωγή γνώσης.

Εισήγηση: Lu et al. (2026). Προς αυτοματοποίηση από άκρο σε άκρο της έρευνας AI.ÂΦύση. DOI: 10.1038/s41586-026-10265-5