Współczesny naukowiec nie musi już samodzielnie rozwiązywać wszystkich problemów badawczych. Może poprosić o pomoc sztuczną inteligencję. A jeśli współpracuje z innym naukowcem, który również korzysta z AI, sytuacja staje się jeszcze ciekawsza. Szczególnie gdy oba modele zaczynają ze sobą dyskutować.
Niedawno wraz z kolegą pracowaliśmy nad koncepcją interdyscyplinarnego projektu badawczego. Każde z nas dysponuje nieco innym zestawem kompetencji i narzędzi. Jedna część projektu obejmuje pozyskanie i analizę danych przestrzennych oraz przetwarzanie obrazów z wykorzystaniem głębokiego uczenia. Druga wiąże się z automatycznym budowaniem modeli uczenia maszynowego oraz metodami interpretacji ich wyników.
W teorii wszystko świetnie się uzupełnia. W praktyce pozostaje pytanie, jak połączyć te metody w spójny proces badawczy, zwłaszcza gdy nie wszystkie narzędzia współpracownika są nam równie dobrze znane.
I tutaj z pomocą przychodzi AI.
A co na to Twoje AI?
Zaczęło się całkiem niewinnie. Kolega zapytał, co mój asystent AI sądzi o naszym pomyśle.
Ponieważ projekt był ambitny, postanowiłam wykorzystać jeden z najbardziej zaawansowanych dostępnych mi modeli. Przedstawiłam mu problem, nasze zasoby i możliwości techniczne. W odpowiedzi otrzymałam trzy propozycje koncepcji badawczych wraz z uzasadnieniem, metodologią i potencjalnymi rezultatami.
Wygenerowałam z rozmowy dokument PDF i przesłałam go koledze.
Ten zapoznał się z propozycjami, a następnie postanowił skonsultować je ze swoim asystentem AI. Jakim? Nie wiem. W końcu wybór osobistego modelu językowego to dziś niemal prywatna sprawa. Nie wypada wypytywać. 😉
Po pewnym czasie otrzymałam trzy kolejne pliki zawierające analizę naszego projektu, propozycje metod badawczych i dodatkowe uwagi.
Przeczytałam je, chociaż przyznaję, że nie wszystkie zagadnienia były dla mnie zrozumiałe. W końcu właśnie dlatego współpracujemy — każde z nas specjalizuje się w czymś innym.
Postanowiłam więc zapytać mojego asystenta, co sądzi o propozycjach przygotowanych przez model kolegi.
Recenzja recenzji
Mój model zabrał się do pracy z godnym podziwu entuzjazmem.
Niektóre rozwiązania pochwalił. W innych dostrzegł słabości metodologiczne. Zaproponował poprawki, uzupełnienia i alternatywne podejścia. Wszystko starannie uzasadnił.
Problem polegał na tym, że uwag było sporo.
Przekazałam koledze informację, że mój model przeanalizował propozycje jego asystenta i ma kolejne zastrzeżenia. Szybko jednak dodałam, że nie wszystko skrytykował — część rozwiązań uznał za bardzo dobre.
W końcu nie chodziło o ustalenie, czyj model jest mądrzejszy.
Zaczęliśmy się jednak zastanawiać nad czymś innym. Skoro coraz częściej konsultujemy własne pomysły z AI, to czy nasze modele zaczynają dostosowywać się do naszego sposobu myślenia, czy może my stopniowo przejmujemy ich sposób argumentowania?
A może po prostu coraz częściej zamykamy się we własnych, wspomaganych algorytmicznie przestrzeniach intelektualnych?
To interesujące pytanie. Ale zanim zdążyliśmy się nad nim głębiej zastanowić, pojawił się bardziej przyziemny problem.
Kto to wszystko przeczyta?
Modele językowe mają pewną przewagę nad naukowcami. Nie muszą prowadzić zajęć ze studentami, przygotowywać wykładów, sprawdzać prac ani odpowiadać na wiadomości służbowe.
Mogą natomiast w bardzo krótkim czasie wygenerować kilkadziesiąt stron analiz, rekomendacji i komentarzy.
My musimy potem to wszystko przeczytać, zrozumieć i ocenić.
A czasu mamy coraz mniej.
W pewnym momencie okazało się, że nasze modele zdążyły już wymienić więcej argumentów, niż byliśmy w stanie spokojnie przeanalizować. Co gorsza, każda kolejna odpowiedź otwierała nowe możliwości badawcze i kolejne kwestie wymagające rozstrzygnięcia.
Zaczęłam się zastanawiać, czy przypadkiem nie podzielimy losu osiołka Buridana, który stojąc pomiędzy dwiema równie atrakcyjnymi stertami — owsa i siana — nie potrafił zdecydować, którą wybrać, i ostatecznie umarł z głodu.
Nam na szczęście śmierć głodowa nie groziła, ale ryzyko, że zamiast rozpocząć badania, będziemy bez końca analizować coraz doskonalsze koncepcje, stawało się całkiem realne.
Przypomniał mi się wtedy film, w którym ktoś połączył dwóch agentów AI — jeden był rekruterem, drugi zaś reprezentował kandydata na stanowisko. Agenci mieli przeprowadzić rozmowę kwalifikacyjną, co się chyba udało, lecz ostatecznie utknęli w niekończącej się pętli uprzejmych pożegnań.
„Dziękuję za rozmowę!”
„Również dziękuję. W razie pytań pozostaję do dyspozycji!”
„Bardzo dziękuję za gotowość do pomocy!”
I tak dalej.
Nasze modele na szczęście nie utknęły w pętli pożegnań. Istniało jednak ryzyko, że utkną w pętli wzajemnych recenzji, korekt i udoskonaleń.
W końcu zaproponowałam, żebyśmy zakończyli dyskusję między modelami, roboczo wybrali jedną z koncepcji i przystąpili do działania.
Kolega się zgodził. Oboje mieliśmy już dość nadmiaru informacji i otwartych wątków.
Ustaliliśmy więc, że potrzebujemy konkretnego planu postępowania, najlepiej krok po kroku.
Oczywiście poprosimy o jego przygotowanie AI.
Kto właściwie prowadzi badania?
Cała sytuacja była zabawna, ale skłoniła mnie do kilku refleksji.
Po pierwsze, AI rzeczywiście może pomagać w interdyscyplinarnej współpracy naukowej. Pozwala lepiej zrozumieć metody wykorzystywane przez współpracowników, proponuje sposoby łączenia różnych narzędzi i wskazuje problemy, których sami moglibyśmy nie zauważyć.
Po drugie, może pełnić rolę pośrednika w dyskusji. Krytyczne uwagi zgłoszone przez model bywają łatwiejsze do przyjęcia niż te same uwagi wypowiedziane bezpośrednio przez współpracownika. Nie dyskutujemy wtedy o tym, kto ma rację, lecz wspólnie oceniamy argumenty przedstawione przez nasze narzędzia.
Po trzecie, generatywna AI zmienia proporcje między tworzeniem propozycji a ich oceną. Wygenerowanie kolejnej koncepcji zajmuje chwilę. Jej rzetelna weryfikacja wymaga wiedzy, czasu i wysiłku. Łatwo więc znaleźć się w sytuacji, w której mamy znacznie więcej potencjalnych rozwiązań niż możliwości ich sprawdzenia.
Nie oznacza to, że AI przestaje być pomocna. Przeciwnie — bez niej przygotowanie naszego projektu mogłoby być znacznie trudniejsze.
Musimy jednak pamiętać, że możliwość prowadzenia dalszej dyskusji nie oznacza jeszcze, że taka dyskusja jest potrzebna.
Ostatecznie to my musimy zdecydować, kiedy zakończyć analizowanie i zacząć działać.
A skoro coraz częściej współpracujemy z modelami, które potrafią generować pomysły, oceniać argumenty i proponować kolejne kierunki badań, być może jedną z najważniejszych kompetencji współczesnego naukowca stanie się umiejętność powiedzenia własnemu AI:
„Wystarczy. Teraz ja podejmuję decyzję”.
Tylko czy zawsze będziemy potrafili rozpoznać ten właściwy moment, zanim sami utkniemy w pętli metodologicznego perfekcjonizmu?
Dodaj komentarz