Nå designer KI sine egne eksperimenter, men beviset kommer fortsatt fra laboratoriebenken

6. juli

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

Nå designer KI sine egne eksperimenter, men beviset kommer fortsatt fra laboratoriebenken

De siste to årene ga forskere KI som kunne oppsummere artikler og skrive kodeutkast. Denne måneden satte Nature søkelys på noe mer ambisiøst: KI-systemer som kjører hele løpet av vitenskapelig resonnering. I en News & Views-artikkel beskriver Olivier Elemento to uavhengig utviklede systemer, Google DeepMinds Co-Scientist og FutureHouses Robin, som genererer hypoteser, foreslår eksperimenter for å teste dem, tolker resultatene og deretter finpusser hypotesene i lys av funnene. Målet er en samarbeidspartner som deltar i hvert ledd av oppdagelsessyklusen, i stedet for en chatbot som venter på ledetekster. Det underliggende arbeidet er omtalt i Natures forskningssider, blant annet i «Accelerating scientific discovery with Co-Scientist».

Rammesettingen betyr like mye som evnen. En tilhørende Nature-artikkel, «KI-verktøy kan fremskynde tenkningen, men beviset kommer fortsatt fra laboratoriebenken», insisterer på at slike agenter er ment å styrke forskere, ikke å erstatte dem: De kan komprimere de langsomme, kognitive delene av forskningen, som å gå gjennom litteratur, spotte en plausibel mekanisme og skissere et eksperimentdesign, men en hypotese er bare verdt like mye som våtlab- eller feltdataene som til slutt tester den. Flaskehalsen flytter seg bare. Når en KI kan foreslå hundre lovende eksperimenter i løpet av en natt, blir de knappe ressursene benketid, reagenser, menneskelige forsøkspersoner og dømmekraften som avgjør hvilke ideer som er verdt kostnaden ved å finne det ut.

**Hvorfor det betyr noe:** For samfunnsvitere, forretningsforskere og markedsførere gjelder lærdommen langt utover biomedisinen. Handlende KI begynner å automatisere ide- og designfasen av forskningen, nettopp den delen mange av oss behandler som den kreative kjernen, mens validering forblir solid i menneskelige hender. Det omstokker hvor en forsker skaper verdi: mindre i å generere kandidathypoteser, mer i å velge hvilke som bør følges opp, designe troverdige tester og vokte seg mot en flom av plausible, men uverifiserte påstander. Labene og instituttene som vinner, blir ikke de som genererer flest hypoteser; det blir de som raskest tester de riktige.

Mer fra denne uken

Kan mennesker læres opp til å kjenne igjen KI-genererte ansikter?

KI-genererte ansikter er nå så å si umulige å skille fra ekte fotografier, noe som skjerper truslene mot informasjonsintegritet og sikkerhet. Algoritmiske detektorer finnes, men er ugjennomsiktige og skjøre. Denne PNAS-studien spør i stedet om mennesker selv kan læres opp til å fange de avslørende tegnene ved syntetiske ansikter, et menneskesentrert supplement til automatisert deepfake-deteksjon som betyr noe der tillit til bilder bærer forskning, journalistikk og bevis.

[Les originalartikkelen i PNAS, 29. juni →](https://doi.org/10.1073/pnas.2602122123)

Dyp læring leser mellom linjene i selskapsrapporter

Avsnittet om ledelsens diskusjon og analyse (MD&A) i et selskaps 10-K-skjema er et rikt, narrativt vindu mot finansiell helse, drift og utsikter, men vanskelig å analysere i stor skala. Denne MIS Quarterly-artikkelen utvikler en tekstbasert tilnærming med dyp læring som leser disse rapporteringene for å forstå selskapsdynamikk, og viser hvordan moderne språkteknologi gjør ustrukturert selskapstekst til signaler som er nyttige i finans-, regnskaps- og IS-forskning.

[Les originalartikkelen i MIS Quarterly, 22. mai →](https://doi.org/10.25300/misq/2026/19345)

Nevrale nettverk som styrer operasjonelle beslutninger

I denne Management Science-artikkelen foreslår forskere dype nevrale nettverk for datadrevet stokastisk optimalisering: Med historiske kovariater, beslutninger og kostnader lærer et nettverk å forutsi måleverdien som funksjon av en beslutning, og prediktoren brukes deretter til å velge bedre beslutninger. Dette er en konkret mal for å bygge maskinlæring inn i operasjonell beslutningstaking, i stedet for å behandle prediksjon og optimalisering som atskilte trinn.

[Les originalartikkelen i Management Science, 15. juni →](https://doi.org/10.1287/mnsc.2023.04141)

Hva skjer med annonseinntektene når budgiverne er lærende agenter

Auksjonsteori forutsier inntektsekvivalens mellom første- og andreprisesformat, men den hviler på forutsetninger som slites i ekte annonsesmarkeder. Denne Information Systems Research-studien undersøker inntekter i første- og andrepriseauksjoner for displayannonser når budgivningen utføres av lærende agenter, og gir plattformer og annonsører et mer realistisk bilde av hvordan overgangen til førstepriseauksjoner faktisk påvirker det utgiverne tjener.

[Les originalartikkelen i Information Systems Research, 15. juni →](https://doi.org/10.1287/isre.2025.2160)

Er utviklingsdyktig KI en darwinistisk trussel? En PNAS-debatt

I en tydelig PNAS-utveksling argumenterer Maarten Boudry for at KI som kan evolvere fortsatt er «domestisert, ikke forvillet», og ennå ikke utgjør en reell darwinistisk trussel. Müller, Steels og Szathmáry svarer at faren ved utviklingsdyktig KI er for alvorlig til å avgjøres av intuisjon. Vekslingen er en komprimert innføring i hvordan forskere resonerer om, og er uenige om, langsiktig KI-risiko som et studieobjekt i egen rett.

[Les originalartikkelen i PNAS, 2. juli →](https://doi.org/10.1073/pnas.2617785123)

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

KI-forskningsnytt