KI i forskning: Maskinen som forutsier eksperimentet ditt før du kjører det

11. juli

Velkommen til ukens oversikt over hvordan kunstig intelligens omformer forskningen, hentet fra Nature, Science og ledende tidsskrifter.

KI blir et forskningsinstrument: det både forutsier og utfører eksperimenter

For samfunnsvitere er ukens hovedfunn uroende på den beste måten. I Nature har Ashwini Ashokkumar, Luke Hewitt, Isaias Ghezae og Robb Willer samlet 70 forhåndsregistrerte, nasjonalt representative surveyeksperimenter: 476 behandlingseffekter på tvers av 105 165 amerikanske deltakere, og bedt GPT-4 om å simulere hvordan representative utvalg av amerikanere ville reagert på hvert stimulus. Modellens predikerte behandlingseffekter korrelerte med de reelle ved r = 0,85, på nivå med eller bedre enn paneler av menneskelige prognosemakere. Avgjørende er at nøyaktigheten holdt seg (r = 0,90) for upubliserte studier som ikke kan ha lekket inn i treningsdataene, selv om modellen hadde en tendens til å overestimere effektstørrelser. En tilhørende Nature-kommentar argumenterer for fornuftig bruk av store språkmodeller til å sortere og forhåndsteste design før de settes ut i felt.

Hvis den første artikkelen viser KI som forutsier eksperimenter, viser den andre KI som kjører dem. I Science introduserer Kexin Huang og kolleger Biomni, en generell biomedisinsk agent hvis handlingsoppdagelseskomponent gravde ut verktøy, databaser og protokoller fra tusenvis av publikasjoner på tvers av 25 domener for å bygge et samlet miljø der agenten selvstendig utfører mangfoldige forskningsoppgaver. Les sammen skisserer de to artiklene et kontinuum: en modell som billig kan spå hvilke hypoteser som er verdt å teste, som mater en agent som kan utføre deler av testingen, og som dermed komprimerer løpet mellom idé og evidens.

**Hvorfor det betyr noe:** Et instrument som forutsier resultatene dine før du samler inn data, er genuint nyttig til å prioritere studier, drive analyser og stressteste design, men det er også en fristelse til å hoppe over det rotete, overraskende empiriske arbeidet som velter forutinntagelser. Overskriftstallet r = 0,85 er et gjennomsnitt over velbrukte survey-paradigmer; spørsmålene feltet ditt mest trenger besvart, er ofte de en stor språkmodell har minst å bidra med. Bruk verktøyene til å bestemme hva som bør kjøres, ikke som en erstatning for å kjøre det, og behandle enhver «simulert deltaker» som en hypotesegenerator, aldri som data.

Mer fra denne uken

«Humanizer»-verktøy kan viske ut sporene etter KI-skrevet tekst

Nature omtaler en klasse «humanizer»-verktøy som omformulerer og omstiler KI-generert tekst nettopp for å slå ut detektorene tidsskrifter og universiteter støtter seg på. For forskere og redaktører betyr dette våpenkappløpet noe: Det undergraver integritetskontroller basert på deteksjon og skyver byrden tilbake på krav om åpenhet, proveniens og tillit. Artikkelen er en nyttig virkelighetskontroll for alle som regner med automatisert KI-tekstdeteksjon for å håndheve innleveringsregler.

[Les originalartikkelen i Nature, 7. juli →](https://doi.org/10.1038/d41586-026-02105-3)

Blir vi «omvendte kentaurer»?

I en Science-anmeldelse av Cory Doctorows «The Reverse Centaur's Guide to Life After AI» pakker Tim Wu ut bokens sentrale bekymring: En «omvendt kentaur» er en arbeider som er redusert til å mate og rydde opp etter et automatisert system, i stedet for å bli forsterket av det. For forskere som veier hvordan KI skal flettes inn i forsknings- og undervisningsflyt, er det en skarp påminnelse om at utformingen av arbeidsdelingen mellom menneske og KI, ikke modellens rå kapasitet, avgjør hvem som egentlig bestemmer.

[Les originalartikkelen i Science, 9. juli →](https://doi.org/10.1126/science.aei9754)

En grunnmodell for celler

Forskere presenterer Universal Cell Embedding (UCE), en grunnmodell trent med selvveiledet læring på et stort korpus av encelledata, som plasserer celler av mange typer og arter i et delt representasjonsrom. I likhet med språkmodellinbreddinger sikter den mot å være et generelt underlag andre analyser kan bygge videre på, og gir samfunns- og atferdsforskere en konkret mal for hvordan «grunnmodeller» ser ut utenfor tekst.

[Les originalartikkelen i Nature, 8. juli →](https://doi.org/10.1038/s41586-026-10689-z)

Et nevralt nettverk bygget inne i en minnebrikke

Science omtaler et kunstig nevralt nettverk implementert direkte i en dataminnebrikke, «beregning i minne med fysikk», som rekonstruerer mønstre av menneskelig kortikal aktivitet med høy nøyaktighet i sanntid. Ved å utføre beregningen der dataene allerede ligger, peker slik nevromorf maskinvare mot langt mer energieffektiv KI, et voksende anliggende etter som regne- og strømkostnadene ved store modeller stiger.

[Les originalartikkelen i Science, 2. juli →](https://doi.org/10.1126/science.aei8090)

Humanoide roboter tar første steg inn i kirurgien

En gjennomførbarhetsstudie i Nature rapporterer tidlige in vivo-tester av humanoide roboter som utfører kirurgiske oppgaver, en trinnvis, men konkret sondering av hvorvidt generelle robotplattformer, i stedet for spesialbygde kirurgirigger, kan operere i en levende kropp. Det minner oss om at de samme fremskrittene innen kropps-basert KI som driver automatisering i lagre og laboratorier, sniker seg inn i kliniske omgivelser der kravene til pålitelighet er langt høyere.

[Les originalartikkelen i Nature, 8. juli →](https://doi.org/10.1038/s41586-026-10796-x)

Dette var ukens innhold. Del gjerne artikkelen med en kollega som fortsatt limer inn tekst i ChatGPT, og utforsk KI-verktøy for egen forskning på gaiforresearch.com.

KI-forskningsnytt