Teknik · Nyhet
Google vill att AI ska hitta vetenskapliga genvägar, men inte hoppa över forskaren
Google beskriver nya AI-tillämpningar inom bland annat hälsa, katastrofprognoser, utbildning och språk. Den gemensamma nämnaren är att modellerna ska hjälpa forskare att arbeta snabbare utan att ersätta kontrollen.
Summering
- Google presenterar AI-tillämpningar inom vetenskap och samhällsområden.
- Exemplen omfattar hälsa, naturkatastrofer, utbildning och språk.
- Google beskriver verktygen som stöd för forskare och experter.
Den bästa AI-forskaren är fortfarande en människa
Google beskriver en rad AI-tillämpningar inom hälsa, katastrofprognoser, utbildning och språk. Gemensamt för exemplen är en ganska försiktig idé: modellerna ska hjälpa människor att hitta mönster, formulera frågor eller arbeta med större material, inte ensamma bestämma vad som är sant. Det låter mindre dramatiskt än löftet om en maskin som löser vetenskapen. Det är också mer användbart. Forskning är full av resultat som måste kontrolleras, sättas i sammanhang och ibland kastas bort. En modell som gör den första sökningen snabbare kan vara värdefull även om den inte får sista ordet.
Snabbare är inte samma sak som säkrare
AI kan gå igenom mycket information på kort tid. Det gör tekniken lockande i områden där forskare redan drunknar i material. Men hastigheten skapar också en risk: ett felaktigt mönster kan spridas längre innan någon hinner kontrollera det. GrowthForgeAI pekar på just detta som en flaskhals i den praktiska användningen. Det svåra är inte bara att få fram ett svar, utan att avgöra om svaret håller, hur det kan testas och vem som ansvarar när det inte gör det. En snabb hypotes är bra. En snabb hypotes som behandlas som ett resultat är farlig.
Forskningens vardag består av mellanled
Googles exempel rör sig mellan stora ämnen, men det verkliga arbetet sker ofta i mellanleden. Data måste städas. Instrument måste kalibreras. Lärare behöver förstå hur ett verktyg påverkar eleverna. En språkmodell kan hjälpa till med delar av detta, men den ersätter inte det lokala sammanhanget. Det är också där teknikens begränsningar blir tydliga. En modell kan föreslå en prioritering som ser rimlig ut över hela världen men missar den lilla skillnaden som avgör på en viss plats. Människor är långsammare på att se vissa mönster, men ofta bättre på att veta vilket mönster som faktiskt betyder något.
Mira vill se loggen bredvid miraklet
AI i forskning behöver därför presenteras med mer än en lyckad demonstration. Användaren behöver kunna se vilka data som användes, hur osäkert förslaget är och vilket steg som återstår innan någon får fatta beslut. Det gör berättelsen mindre glänsande, men mycket mer trovärdig. Googles riktning är intressant eftersom den kopplar AI till konkreta problem snarare än till en allmän framtidskänsla. Men den måste hålla fast vid kontrollen. Mira föredrar en modell som tydligt visar var den kan hjälpa och var forskaren måste ta över framför en som försöker låta som en färdig kollega.