2026. július 1., szerda · Kutatás

Az AI felgyorsíthatja a gondolkodást, de a tudományos bizonyítékok továbbra is a laborból származnak

A Nature szerkesztőségi véleménycikkéhez kapcsolódó levélben Kristina Katsemonova, egy londoni biotechnológiai startup alapítója amellett érvel, hogy a mesterséges intelligencia a tudományos munkában nem helyettesítheti, csak segítheti az emberi kutatókat. Katsemonova saját tapasztalata alapján ír arról, hogyan vált AI-rajongóból realistává: az MI-eszközök ugyan felgyorsítják a gondolkodási folyamatokat, a tényleges tudományos bizonyítékok továbbra is a laboratóriumi munkából származnak. Ezt a megközelítést erősíti a Financial Times elemzése is, amely szerint az AI alapvetően képes átformálni a gyógyszerfejlesztést, de a természet tempóját – a klinikai vizsgálatok és biológiai folyamatok idejét – nem lehet megkerülni. Mindkét forrás arra a következtetésre jut, hogy az MI a kutatás eszköze, nem pedig a kísérletes tudományt kiváltó megoldás.

Miért fontos?

A vita rávilágít az AI tudományos alkalmazásának valós korlátaira: a laborban végzett kísérleti munka nem váltható ki pusztán algoritmusokkal.

Források

Nature Tudományos Financial Times

Kapcsolódó témák

Napi összefoglaló

Ez a hír a 2026. július 1., szerda napi AI összefoglaló része.

Kapcsolódó hírek

Tanulmány szerint az AI nem javíthatja, csak felszínesebbé teheti a kutatást

Egy elméleti közgazdasági modell, amelyet a Princeton, a University of Washington és más intézmények kutatói jegyeznek, azt vizsgálja, mi történik, ha a nyelvi modellek időt takarítanak meg a tudósoknak. A szerzők a mesterséges intelligenciát idealizáltan, hibamentesnek és gyakorlatilag ingyenesnek feltételezik, hogy tisztán az időmegtakarítás hatását mérhessék. A viselkedésökológiából ismert táplálékkereső modellt adaptálva azt állítják, hogy a felszabaduló idő alternatívaköltsége megnő: minden órát, amit egy meglévő projektre fordítanak, elveszítenek egy új elindításától. A modell szerint három lehetséges forgatókönyvből kettőben az AI alkalmazása felszínesebb kutatáshoz vezet, mert a kutatók inkább új projekteket indítanak, semmint elmélyülnének a meglévőkben. Ez egy nem lektorált, elméleti modellezésen alapuló állítás, nem empirikus mérés eredménye.

Az AI forradalmasítja a biológiai gyógyszerjelöltek tervezését és felgyorsítja a gyógyszerfejlesztést

A gépi tanulás egyre meghatározóbb szerepet tölt be a biológiai gyógyszerek fejlesztésében: a modellek képesek a lehetséges molekulajelöltek hatalmas teréből kiválogatni a legígéretesebb variánsokat, ezzel jelentősen rövidítve a fejlesztési ciklusidőt. Az AstraZeneca szerint a vállalatnál minden lépés – tervezés, előállítás, tesztelés, elemzés – számítógépes támogatással működik, és az AI-alapú tervező-mérő-tanuló ciklus kevesebb zsákutcával jár. Puja Sapra, az AstraZeneca kutatási vezetője a MIT Technology Review-nak elmondta, hogy az AI nemcsak gyorsít, hanem korábban gyógyíthatatlannak tartott célpontok elérését is lehetővé teszi. A forrás szerint a következő generációs biológiai gyógyszerek egyszerre több célpontot képesek támadni, ami a hagyományos módszerekkel nem volt megvalósítható.

Kutatás: a kereskedelmi LLM-routerek nem múlják felül a véletlen választást

Hat kereskedelmi LLM-router tesztje 14 beállításban, nyolc feladatkategóriát lefedő benchmarkon azt mutatja, hogy egyikük sem múlja felül azt a módszert, amely két gondosan kiválasztott modell közül azonos költség mellett véletlenszerűen választ – áll egy nem lektorált kutatási anyagban (preprint). Némelyik router emellett több mint 10 százalékponttal gyengébben is teljesített, mint e kétmodelles véletlen alapvonal. A szerzők ezt négy visszatérő mintázatra vezetik vissza: a nehézség figyelmen kívül hagyására, a hosszúság szerinti téves rangsorolásra, a szemantikai illesztésre és a modellkészlet nem optimális összeállítására. A tanulmány egy alternatív értékelési módszert és egy egyszerű kétmodelles routert is javasol, amely elkerüli e négy hibát, ám a javulás a véletlenszerű routinghoz képest csekély marad, mert egy jól megválasztott modellpáros már eleve keveset enged javítani.

LLM-ügynökök finomítják az emberi gondolkodás kognitív modelljeit

Kutatók új hibrid rendszert mutatnak be, amely a kognitív algoritmusok felfedezését programfinomítási feladatként kezeli: a korábban kézzel megalkotott, valószínűségi programként megfogalmazott kognitív modelleket LLM-ügynökök vizsgálják felül. Az ügynökök azonosítják, hol tér el a modell az emberi viselkedéstől, kutatói korlátok között kódszintű módosításokat javasolnak, majd ellenőrzik a strukturális hűséget, miközben egy valószínűségi következtető modul számítja ki a rejtett változókat és az adatok valószínűségét. A nem lektorált, arXiv-on közzétett tanulmány szerint a módszert egy problémamegoldási feladatban tesztelték, ahol a felülvizsgált modellek következetesen jobban illeszkedtek az emberi viselkedésre, mint az eredeti modellek, és néhány visszatérő, érdemi viselkedési változatosságot magyarázó innovációt is azonosítottak. A szerzők szerint ez a hibrid megközelítés ötvözi az emberi szakértelem interpretálhatóságát az LLM-ek rugalmasságával és skálázhatóságával.