Yapay zeka (AI), hesaplama metodolojilerini geliştirerek ve çeşitli disiplinlerde büyük ölçekli veri kümelerinin analizini sağlayarak bilimsel araştırmayı önemli ölçüde dönüştürüyor. Biyomedikal araştırma alanında, makine öğrenimi modelleri gibi yapay zeka teknolojileri çok önemlidir. Örneğin, deepmind’in alphafold’u, protein yapılarını dikkate değer bir hassasiyetle tahmin etmek için gelişmiş derin öğrenme teknikleri kullanır. Bu yöntem, Covıd-19 salgını sırasında gösterildiği gibi, protein katlanma modellerini tahmin etmek için amino asit dizilerini yorumlayan, biyolojik süreçler ve hastalık mekanizmaları hakkında hızlı içgörüleri kolaylaştıran bir evrişimli sinir ağı kullanır.
Çevre bilimlerinde, iklim modellemesini ve tahminini iyileştirmek için yapay zeka uygulanır. Stanford Üniversitesi’ndeki araştırmacılar, hava durumu ve iklim olaylarının tahminlerini iyileştirmek için geleneksel iklim simülasyon yazılımıyla bütünleşen makine öğrenimi modelleri geliştirdiler. Bu modeller, tarihsel iklim verilerini analiz etmek için pekiştirmeli öğrenme ve sinir ağları kullanarak aşırı hava koşullarının ve bunların potansiyel etkilerinin daha doğru tahmin edilmesini sağlar.
Ayrıca, astronomi alanında, yapay zeka algoritmaları gök cisimlerini ve fenomenleri tanımlamak için astronomik gözlemlerden elde edilen verileri yönetir ve analiz eder. Dikkate değer bir uygulama, Kaliforniya Üniversitesi’nden araştırmacıların Kepler Uzay Teleskobu’ndan gelen ışık eğrileri verilerini işlemek için yapay zekayı kullanmasını içeriyordu. Sinir ağı tabanlı bir sınıflandırıcı uygulayarak, teleskopun verilerindeki ince sinyallerden dış gezegenleri tanımlayabildiler ve AI’nın geniş veri kümelerinde sinyal algılamayı ve örüntü tanımayı geliştirme yeteneğini sergilediler.
Ulusal Ekonomik Araştırmalar Bürosu tarafından yayınlanan yakın tarihli bir çalışma makalesi, yapay zekanın hipotez oluşturma ve teste entegrasyonunun daha verimli kaynak tahsisine, hızlandırılmış araştırma sonuçlarına ve artan ekonomik kazanımlara yol açtığını öne sürdü. Ajay K. Agrawal, John McHale ve Alexander Oettl’in “Yapay Zeka ve Bilimsel Keşif: Öncelikli Arama Modeli” makalesi, özellikle hipotez oluşturmaya odaklanarak yapay zeka ile inovasyon sürecinin kesişimini inceliyor. İnovasyon sürecinin, hangi hipotezlerin test edileceğine öncelik vermek için yapay zekayı kullanarak, kombinatoryal bir tasarım alanı üzerinde sıralı bir arama olarak görüldüğü yeni bir model sunar. Bu yöntem, teori ve sezginin hipotez oluşturmaya rehberlik ettiği geleneksel yaklaşımlarla çelişir. Yazarlar, inovasyon olasılığı, arama süresi ve beklenen kar gibi inovasyon sonuçlarını değerlendirmek için ayrı bir hayatta kalma analizi kullanmaktadır. Model, geleneksel yöntemlerden yapay zeka tabanlı tahminlere geçerek başarılı yeniliklerde artış, arama sürelerinde azalma ve daha yüksek karlar olabileceğini öne sürüyor.
Bununla birlikte, yapay zekanın bilimsel keşifte bu kullanımının başka bir yanı da vardır. Nature Dergisinde Lisa Messeri ve M. J. Crockett tarafından yayınlanan en iyi makale okunmalıdır. Yazarlar, yapay zekanın Bilimde kullanılmasının, bilim adamlarının gerçekte olduğundan daha fazlasını kavradıklarına inanabilecekleri “anlama yanılsamaları” yarattığını öne sürüyorlar. Yapay zekanın bu yanılsamayı yaratmasının altı nedeni vardır.
İlk olarak, yapay zeka karmaşık veri kümelerini analiz edebilir ve araştırmacılar için anlayışlı ve kapsamlı görünebilecek çıktılar üretebilir. Bununla birlikte, bu çıktılar, gerçek bir anlayış veya bağlamsal yargılama olmaksızın yalnızca kullanılan verilere ve algoritmalara dayanmaktadır. Araştırmacılar, verilerdeki temel ilkeleri veya kalıpları gerçekte olduğundan daha iyi kavradıklarına inanabilirler çünkü yapay zeka sonuçları görünüşte açık ve yetkili bir şekilde sunar.
İkincisi, yapay zeka araçları veri analizi ve hipotez oluşturma gibi görevleri hızlı ve verimli bir şekilde gerçekleştirebilir. Bilim adamları için bilişsel yükteki bu azalma, yapay zeka tarafından yeterli inceleme yapılmadan çıkarılan sonuçları kabul etmelerine yol açabilir. Yapay zekanın yanıt verme kolaylığı ve hızı, bu yanıtların altında yatan mekaniğe veya olası yanlışlıklara ilişkin daha derin araştırmaları caydırabilir.
Üçüncüsü, özellikle derin öğrenmeyi içerenler olmak üzere birçok yapay zeka modeli karmaşıktır ve genellikle “kara kutu” modelleri olarak adlandırılan tamamen şeffaf değildir. Bu modelleri kullanan bilim adamları, algoritmaların belirli sonuçlara nasıl ulaştığını tam olarak anlayamayabilirler. Bu opaklık, kullanıcıların algoritmik süreçleri ve ilgili potansiyel önyargıları tam olarak anlamadan yapay zeka tarafından oluşturulan sonuçlara çok fazla güvenilirlik atfettiği yanlış güvene yol açabilir.
Dördüncüsü, yapay zeka araçları genellikle belirli analiz türlerini veya veri işleme görevlerini optimize etmek için tasarlanmıştır. Bu uzmanlık istemeden araştırmacıları, potansiyel olarak değerli diğer yaklaşımları ihmal ederek, yapay zekanın yeteneklerine en uygun sorulara ve yöntemlere odaklanmaya yönlendirebilir. Bu, bilimsel araştırmanın çeşitliliğinin azaldığı ve yalnızca AI uyumlu metodolojilerin geliştiği bir bilme monokültürü yaratır.
Beşinci olarak, yapay zeka sistemleri mevcut veri kümelerinden öğrenir ve bu veri kümelerinde bulunan önyargıları sürdürebilir veya güçlendirebilir. Bu, yeni içgörülerin yalnızca geçmiş verilerin yansımaları olduğu, mevcut inançları ve yanlış anlamaları yeni, bağımsız gözlemlerle zorlamadan pekiştirdiği bir duruma yol açabilir. Araştırmacılar daha sonra, esasen eski verilerin yetersiz sürümlerine baktıklarında yanlış bir şekilde yeni bir anlayış kazandıklarını varsayabilirler.
Altıncı olarak, yapay zekanın öngörücü yeteneklerine yapılan vurgu, bilimsel fenomenlerin arkasındaki nedensel ilişkileri anlamanın önemini gölgeleyebilir. Bilim adamları, bir yapay zeka aracının, bu sonuçların neden ortaya çıktığını anlamalarına yardımcı olup olmamasından ziyade sonuçları doğru bir şekilde tahmin edip edemeyeceği konusunda daha fazla endişe duyabilirler. Açıklayıcıdan öngörücü modellere bu geçiş, bilimsel bilginin derinliğinden uzaklaşabilir.
Bu geçiş, bilimde bir şeyi “bilmenin” ne anlama geldiğiyle ilgili temel soruları gündeme getiriyor. Bilimsel bilgi, açıklayıcı derinlikten ziyade ağırlıklı olarak öngörücü doğrulukla karakterize edilirse, fenomenlerin neden ve nasıl seyreltilebileceğini anlama arayışı olarak bilimin özü sulandırılabilir. Bu değişim, kapsamlı bir anlayıştan birincil amacın operasyonel etkinlik ve teknolojik fayda olduğu bir modele doğru ilerleyerek bilimin hedeflerini yeniden tanımlayabilir. Böyle bir yeniden tanımlama, bilimi, araçların — yapay zeka araçlarının — bilimsel faaliyetin amaçlarını dikte etmeye başladığı teknolojik determinizmin hakim olduğu bir alana dönüştürme riskini taşır. Bu senaryo, bilimsel çabaların temelini oluşturan değerlerin felsefi bir şekilde yeniden değerlendirilmesini zorunlu kılar ve bilimsel alandaki ilerlemeyi ve başarıyı nasıl tanımladığımız hakkında eleştirel düşünmemize meydan okur.
Aditya Sinha (X: @adityasinha004), Hindistan Başbakanı’na Özel Görev, Araştırma ve Ekonomik Danışma Konseyi Görevlisidir. Kişisel görüşler.
