Nature の論文が xAI の目標を検証、人間の認知 AI が宇宙の本質を探る、マスク氏: 黙ってろ、金やるぞ!

馬氏は数日前にAIを使って宇宙の本質を探究することを目的としたAI企業xAIを発表したばかりだ。

幸運なことに、ちょうど馬氏が xAI に取り組む人材を募集していたとき、科学界も彼と同じ考えを持っていたようで、Nature 誌に「xAI 目標の実現可能性レポート」とも言える論文を発表しました。

論文アドレス: https://www.nature.com/articles/s41562-023-01648-z#auth-Jamshid-Sourati

「人間の意識によって強化されたAIによる科学発展の加速」と題されたこの論文は、厳密な科学的アプローチを用いて、馬英九氏がただ空約束をしているだけではないのかと疑問を呈する人々を一時的に黙らせている。

それを読んだ後、馬社長の頭の中にはおそらく「お金を送ってください」というたった10の言葉しか浮かばなかったでしょう。*5

論文の著者であるシカゴ大学のジェームズ・エバンス教授は、この論文を一文で要約した。

人間が（AIを使って）自分たちが何をしているのか理解を深めれば、予測精度が向上し、自分自身を超えることができ、科学の発展が加速します。

AI評論家のマーカス氏もこの論文を転送し、大規模モデルへの熱狂から他のAI関連の開発に人々の注意が向けられることを期待している。

マスク氏がxAI集会で述べた通りです。

将来登場する AGI が、人類を悩ませている根本的な問題のいくつかを解決するのに役立たないのであれば、それは AGI と呼ばれるに値しません。

同様に、AI テクノロジーが大学生の最終課題のやりくりにしか役立たず、人間の認知能力の限界を広げるのに役立たないのであれば、それは Nvidia グラフィック カードをゲームで遊ぶためだけに使い、AI のトレーニングには使わないのと同じで、リソースの無駄です。

論文内容の概要

具体的には、研究者たちは、人間の意識を人工知能モデルと組み合わせることで科学の進歩を加速できる方法を研究したいと考えています。

実験とデータセットの比較を通じて、人工知能モデルは人間の科学者の推論をシミュレートして将来の発見を予測し、貴重な補足仮説を生成し、科学者が見込みのない研究を避けるのに役立つことがわかりました。

公開された科学的発見に基づいてトレーニングされた AI モデルは、材料科学における貴重な材料の発明や、医学における標的治療法の発見に役立っています。

しかし、そのような AI は既存の科学的発見に基づいてのみトレーニングされており、より専門的な科学者の知識は取り入れられていません。

研究者らは論文の中で、人間の専門家が認識できる推論に基づいて教師なしモデルを訓練することで人間の専門知識の分布を取り入れることで、将来の科学的発見を予測する AI の能力が大幅に向上する (最大 400%) ことを示しています。

このようなアプローチは、特定の研究トピックのみでトレーニングされた AI の予測を大幅に上回ります。

この方法は、関連する文献や結果が比較的少ない分野で特に効果的です。

このようなモデルは、科学者が行う予測を正確に予測します。

さらに、研究者たちはこの方法を使って「エイリアン」仮説についての科学的な予測を立てた。

AIの助けがなければ、人間がそのような仮説を短期間で解決することは不可能でしょう。

研究者たちは、人間の意識を持つ人工知能が人間の発見を加速させたり、人間の盲点を探ったりすることで、人間が科学の限界を迅速かつ大幅に拡大できるようになると考えています。

具体的には、研究者はまず科学的発見を次のように定義しました。

既存の材料と明確に定義された特性との関係が初めて報告されました。

たとえば、「バンコマイシンは肺炎の治療に使用できます」の場合、バンコマイシンが素材で、肺炎の治療に効果的であることが属性です。

次に研究者らの手法では、教師なし多様体学習と呼ばれる手法と出版物に関する利用可能な生データを組み合わせて、候補の発見に関係する各トピックについて人間の科学者の既知の分布を活用します。

研究者らはこのアプローチを拡張して、より広範な材料のマトリックスとその機能特性を特定し、COVID-19のワクチンや治療法を含む、100を超えるさまざまな人間の病気に対する何千もの薬の発見を予測した。

研究方法

各発見予測実験は、ターゲット属性と一連の資料で構成され、資料は予測子によってスコア付けされ、最高スコアの 50 個の資料が予測結果として選択されます。

各予測子は、材料と属性の類似性を計算して、個々の材料にスコアを付けます。

研究者のハイパーグラフベースの予測器が使用する類似度メトリックには、1 つまたは 2 つの中間著者ノードを持つマテリアル ノードとプロパティ ノード間の遷移確率 (つまり、2 段階および 3 段階の遷移、つまり s=2 および s=3) と、ディープウォーク埋め込み空間におけるコサイン類似度が含まれます。

前者はランダムウォークを生成せずにベイズの定理によって計算できますが、後者は研究者のハイパーグラフ上でランダムウォークシーケンスのセットを明示的に生成する必要があります。

コンテンツベースのレプリケーション ベースラインにおける類似度の尺度は、予測年以前に作成された送信ドキュメントのコーパスでトレーニングされた Word2Vec モデルの埋め込み空間におけるコサイン類似度です。

各プロパティおよび潜在的な資料コレクションの出版物と実際の調査結果のコーパスは、それぞれ異なる方法で準備されます。

人間の専門知識とハイパーグラフを統合する

私たちは、研究出版物に基づいてハイパーグラフを構築することにより、科学者が集合的かつ認知的にアクセスできる推論の分布を共同でモデル化します。

ハイパーグラフは、エッジがノードのペアではなくノードのセットを接続する一般化されたグラフです。

研究者の研究ハイパーグラフはハイブリッドであり、ノードはタイトルや概要に記載されている材料や特性だけでなく、それらを研究した科学者にも対応しています (下の図を参照)。

写真

研究ハイパーグラフを構築した後、研究者たちはその上でランダムウォークのシーケンスを生成することで、認知的にアクセス可能な推論を特定しました。

これらのウォークは、人間の科学者に推論の道筋を提供し、最先端の研究を推進するために必要な多様な専門知識を発見するハイブリッドな道筋をたどります。

科学者が以前の研究で強誘電体材料（センサーに使用される可逆的な電気分極現象）であるチタン酸鉛（PbTiO3）を使用したことがある場合、興味のある材料特性（強誘電性など）を研究するときに、この科学者はチタン酸鉛が強誘電性を持つかどうかを考慮する可能性が高くなりますが、研究経験のない科学者はそうする可能性が低くなります。

この科学者が後に、亜硝酸ナトリウム (NaNO2) と呼ばれる強誘電体材料を以前に研究したことがある別の科学者と論文で共同研究する場合、その会話を通じて、亜硝酸ナトリウムにこの特性があるかどうかを想像する可能性が高くなりますが、そのような個人的なつながりのない科学者は、そうする可能性が低くなります。

このように、研究者の研究ハイパーグラフ上のランダムウォークの密度は、会話を通じて得られた認識論的妥当性と推論の密度に比例します。

2 つの論文に共著者の科学者がいない場合、研究ハイパーグラフ内のランダムウォークによってそれらの論文が橋渡しされることはほとんどありません。

科学者が、ある分野だけが評価する特性を、まったく関係のない別の分野で理解されている資料に関連付けることをほとんど考えないのと同じです (下の図を参照)。

研究者たちは、周囲に人間の専門家が密集しているトピックを特定することで、最近の発見に関する貴重な情報シグナルを研究者に提供できるだろうと仮説を立てた。

ハイパーグラフ内でそれらの間を移動するために必要なステップ数に関して言えば、これらのトピックはハイパーグラフ内で離れているため、それらの間を移動するには多くのステップが必要です。しかし、中間段階が社会の中で密接に絡み合っていて、会話やコラボレーションを促進するのであれば、ランダムウォークや科学的思考はそれらの間で簡単に行き来することができます（上図）。

各ランダムウォークシーケンスを生成するために、モデルは (i) シーケンスの最初のノードとして重要な特性 (強誘電性など) でウォークを開始し、(ii) その特性について言及している記事 (ハイパーエッジ) をランダムに選択し、(iii) その記事から次のノードとして資料または著者をランダムに選択し、次に、新しく選択された資料または著者に関連する別の記事をランダムに選択して 2 番目のステップを開始し、このマルコフプロセスを所定の回数繰り返します (下の図を参照)。

写真

それぞれのランダムウォークは、人間の行動のシミュレーションとして見ることができます。

著者間のステップでは、2 人の専門家の協力者間のネットワークまたは会話をシミュレートします。

著者資料または著者プロパティのステップは、著者が研究して出版した選択された資料/プロパティに非常に精通していることを示します。

材料/特性 - 材料/特性のステップでは、一連の科学論文を読むことで人間の科学者がこの変換を実行できる可能性を捉えています。

ただし、特定の分野の共同作業の性質により、研究ハイパーグラフには資料よりも著者ノードがはるかに多く存在します。この不均衡を補うために、研究者らは、パラメータ化がαによって決定される非均一なサンプリング分布を設計しました。

α は、結果のシーケンス内の素材ノードと著者ノードの比率を大まかに決定します。具体的には、論文からノードをサンプリングする場合（上記（iii）など）、資料を選択する確率が著者を選択する確率のα倍になるようにαが定義されます（以下を参照）。

写真

α の値が大きいほど、材料のサンプリング頻度が高くなり、シミュレーション研究者は主に研究と読書を通じて新しい科学的可能性を発見することになります。

α 値が小さいほど、著者が選択される頻度が高くなり、研究が主にソーシャル ネットワーク、コミュニケーション ダイアログ、および分野の他の研究者とのコラボレーションを通じて発見されたことを意味します。

ハイブリッド ハイパーグラフ上のランダム ウォークは、ノード間に意味のある近接関係を誘導します。

2 人の著者が近いということは、彼らが同様の研究上の関心と経験を持っていることを意味します。

物質と特性の近接関係は、物質がその特性を持つ可能性と、科学者が研究経験、関連する読書、または社会的交流を通じて物質に精通している可能性を反映しています。

物質と科学者の間の近接関係は、科学者がその物質に精通している、または精通する可能性を評価します。

2 つの素材間の近接関係は、それらが代替品、補完物、または相互作用や比較などのより微妙な関係を共有する可能性があることを示唆しています。

最後に、材料と特性の近接関係から、科学者がその材料を発見して発表する可能性が高いことがわかります (下の図を参照)。

このように、ハイパーグラフによって誘導される近接関係には、文献の基礎となる物理的および物質的特性と人間の科学者の分布の両方が組み込まれます。

これにより、研究者は科学者の推論を予測し、今後の発見を予測できるようになります。

人間の科学者の分布は、会議に出席し、それぞれの分野を調査している科学者からの有望な新しい方向性を明らかにすることができます。

重要な特性を持つ材料の潜在的な発見を予測するために、研究者はランダムウォーク誘導ノード類似性メトリックを利用して、対象特性と候補材料との相関関係を捉えました。

これらのメトリックは、プロパティ/マテリアル ノード ペア間で評価され、対応するノードの人間が推測できる関連性を反映し、候補となるマテリアルをランク付けして、そのプロパティに対して最高のランクを持つと推測されるマテリアルを報告します。

この単純なメトリックは、ローカル ハイパーグラフ構造を利用して、固定数のステップ (s で示される) 内で中間作成者ノードを経由してプロパティ ノードからマテリアルに移動するランダム ウォーカーの遷移確率を推定します。

研究者たちは、ランダムウォークサンプラーを実際に実行せずにベイズの定理を使用してこれらの確率を計算しました（下の図を参照）。

ここでは、2 ステップおよび 3 ステップの転送 (s = 2 および s = 3) のみを考慮する必要があります。ただし、この研究の主なメトリックの選択は、研究によって生成されたランダムウォークに基づいて推定される、一般的な教師なしニューラルネットワーク埋め込みアルゴリズム (ディープウォーク) に基づいています。

テキスト埋め込みは主に単語間の意味的相関関係を捉えますが、この研究方法ではすべてのノード間のハイパーグラフの近接関係を維持し、同時に単語ベクトルを取得できます。

したがって、結果を使用して、ターゲット属性に対する各資料の人間の認知アクセシビリティを測定することができます。

研究者らは、発見に関係する関連資料を推測したため、ランダムウォークシーケンスから著者を除外し、トレーニング済みのディープウォークをモデルに埋め込みました (下の図を参照)。

結果として得られる埋め込み空間のコサイン類似度は、関連性の指標として使用できます。

研究者たちは、次の発見として現れる可能性が最も高い資料を選択するための二重基準として、遷移確率とディープウォーク類似性という 2 つの関連性指標を使用しました。

さらに、この研究では、より深いグラフ畳み込みニューラル ネットワークもトレーニングしました。これは、deepwalk から得られた結果のパターンを確認します。

一般的に、この研究では、複数の種類のノードを含むハイパーグラフを構築し、その上で科学者の行動をシミュレートすることで、科学的認知とコラボレーションの特徴を捉え、科学的発見を予測します。

この研究では、ノードの内容だけでなく、科学者の分布も考慮されており、モデルの結果を人間の思考とより一致させることができます。

人類の発見の成果に参加する

人間の専門家の計算能力を実証するために、研究者は遷移確率とディープウォークメトリックを使用して、2 つの代替発見予測子を構築しました。

これらのアルゴリズムは、人間の知覚ハイパーグラフを埋め込むことにより、特定の予測年（2001 年など）以前に公開された文献に基づいて、各候補資料に対する焦点属性の関連性を評価します。

研究者らは、自分たちの予測をランダムなベースラインと比較し、また、人間の科学者の分布を考慮せずに科学文献のテキスト内容に基づく単語埋め込みを使用した以前の研究を正確に複製して生成された予測と比較した。

この準備では、予測年以前に公開された科学論文の内容に基づいてトレーニングされた Word2Vec モデルのコサイン類似度を使用して、属性/資料の関連性を測定します。

研究者の実験および評価の枠組みは、正確な再現を容易にするために、この研究の設定と同一でした。

評価された各アルゴリズムは、ハイパーグラフまたは Word2Vec 類似度測定に基づいて焦点属性に最も類似した 50 個のマテリアルを選択し、それらを検出予測として報告します。

研究者らは、予測年と発見・公表された資料の重複に基づいて予測の質を評価した。

エネルギー関連物質予測

研究者らは最初の一連の実験で、候補となる10万種類の無機化合物について、熱電容量、強誘電容量、光起電力容量に関する貴重な電気化学的特性を検討した。

研究チームは同じデータセット（無機材料に関する科学論文 150 万件）を使用して、2001 年までさかのぼって 3 つの特性すべてについて予測実験を実行し、現代の科学者による公開研究に応じて将来の発見を予測しました。

彼らは、予測年から2018年末までの年間精度を計算し（下図1）、それを累積的に視覚化しました（下図2）。結果は、人間の科学者の分布を考慮した予測が、すべての特性と材料について平均でベースラインを 100% 上回ることを示しています。

図1

医薬品の再利用の予測

研究者らは同じアプローチを使用して、FDA 承認済みの既存の約 4,000 種類の薬剤を 100 種類の重要な人間の病気の治療に転用できるかどうかを検討しました。

彼らは生物医学研究文献の MEDLINE データベースを使用し、予測年を 2001 年に設定しました (下記)。

FactSet の調査結果は、化学物質が人間の健康に及ぼす影響を記録した比較毒性学データベース (CTD) の専門キュレーターによって確立された薬物と疾患の関連性に基づいています。

下の図は、予測年から 18 年後の予測精度を示しており、研究者の教師なしハイパーグラフ埋め込みにおける生物医学専門家の分布を考慮すると、研究内容のみを考慮した同じモデルよりも 43% 高い予測精度が得られることを示しています。

研究者らは、人間の知覚予測の精度と文献における薬物の出現頻度との間に強い相関関係があることを発見した（r=0.74、p<0.001）。これは、研究者らの方法が、関連する薬物が過去の研究で頻繁に言及されている疾患に最も有効であることを意味する。

COVID-19の治療とワクチンの予測

研究者らは、SARS-CoV-2感染を治療または予防するための治療法やワクチンについても検討した。

ここでは予測年を2020年（下図）に設定し、世界は関連する薬やワクチンを真剣に探し始めます。

これまでの研究に続き、研究者らは、COVID-19の臨床症例との関連性を示す実質的な証拠を収集できる場合、その治療法をCOVID-19に関連があるとみなした。

下の図に示す結果によると、遷移確率とディープウォークベースの指標による予測のそれぞれ36%と38%が、予測日から12か月以内（つまり2020年12月まで）に大規模臨床試験で専門家によって評価され、この割合は2021年7月末までにさらに42%に増加しました。

これは、科学的コンテンツのみを活用した AI モデルによって生成された候補発見の精度(最初の発見後の精度は 10%、2021 年 7 月までに精度は 12%) よりも 350 ～ 400% 高い数値です。

こうした COVID-19 予測の成功は、COVID の治療法やワクチンの急速な研究により、科学者のこれまでの研究経験やネットワークの重要性が高まったことを示しています。

人間に対する予測

研究者の予測モデルは、発見の専門家の分布を活用することで発見予測を改善することに成功しました。

これを実証するために、研究者たちは、予測された年から科学者が発見をするのにどれくらいの時間がかかるかを検討した。

特定の特性について研究している研究者のコミュニティに認知的に近い資料はより多くの注目を集め、その特性との関係はコミュニティから遠い資料よりも早く調査、発見、公開される可能性が高くなります。

言い換えれば、発見のための「待ち時間」は、特性と候補材料を認識する専門家のプールの規模に反比例するはずです。

このコミュニティの規模は、属性/資料のペア間の人間の専門家の密度を、2 組の人間の専門家 (最近の文献で属性について言及した専門家と各候補資料について言及した専門家) の Jaccard 指数として定義することで測定します (図 2)。このグラフは、コミュニティの研究属性とその品質の重複率を測定します。

前述の 3 つの電気化学的特性、COVID-19 の治療法とワクチン、および上記で検討した 100 の疾患のほとんどについて、日付と専門家の密度の相関関係は負で、有意かつ実質的であることがわかりました (下の図を参照)。

この結果は、専門家の注目度が高い資料はより早く発見されるという研究者の仮説を裏付けている。

研究者の予測モデルは、過去の文献のハイパーグラフを使用して、これらの人間の専門家の密度を効果的に組み込んでいます (下図)。

埋め込みの近接性に基づいて同様の結果を得ることができます。

下の図は、研究者の予測が、人間の専門家と彼らが研究する資料の共同埋め込み空間における密度のピークの周囲にどのように集まっているかを示しています。

これは、人間の専門家に焦点を当てる研究者のアプローチにより、その分野の専門家にとってよりアクセスしやすい科学的発見が選択される可能性があることをさらに示しています。

人間の発見を補うために

研究者は、人間の認知的ユーザビリティ モデルを使用して、アプローチしてエミュレートするだけでなく、見込みのない研究を回避し、人間の専門家の分布を補うこともできます。

人間の概念的つながりは、過去の発見とその発見者によって導かれます (下の図を参照)。

人間のような認識力を持つ AI を構築し、科学者が想像もできなかった概念的つながりを導き出すために、研究者らは、ハイブリッド ハイパーグラフで著者らが相互接続した概念ノードのペア間の最短経路距離 (SPD) を使用して、人間の認知的認識可能性を測定する方法を逆転させました。

科学的に見込みのない候補仮説を排除するために、研究者は認識論的利用不可性と科学的妥当性のシグナルを組み合わせます。

このシグナルは、公開された研究文献の内容によって提供され、教師なし知識埋め込みモデルを通じて定量化されます。

あるいは、科学的妥当性のシグナルは、材料特性の理論主導モデルから導き出すこともできます。

ここで、研究のアルゴリズムは、教師なしの知識埋め込みを使用し、理論主導の属性シミュレーションを維持して、予測結果の価値と人間の補完性を評価します。

具体的には、研究者は、その仮説に関係する材料ノードと特性ノードの埋め込みベクトル間のコサイン類似度を使用して、特定の仮説の科学的価値を予測します。

下の図は、人間には認識できない、または補完できない科学的に正しい発見を特定するための研究者のアルゴリズム的アプローチを概説したものです。

研究者たちは、文献から抽出された候補資料のプールから始めて、以前の分析に基づいて人間のアクセシビリティと科学的妥当性の信号を統合的に計算し、人間のような予測を生成します。

これまでの文献では、埋め込み内のコサイン距離を使用して科学的関連性を測定するために、教師なし単語埋め込みモデルが使用されていました。

発見された予測の評価

研究者による人間の知覚モデルは、彼らの予測が最近の人間の発見とどの程度似ているかを調整できるように設計されています。

𝛽 が増加すると、アルゴリズムは人間がアクセス可能で専門家の密度が高い領域にある推論を回避し、学問分野のギャップを越えて人間の注意を逃れる候補となる材料と特性に焦点を当てます。

結果は、より高い 𝛽 値が推定される物質は人間の科学者によって発見される可能性が低いという研究の予想を強く裏付けています (下記)。

さらに、ハイパーグラフ内の特定の特性から遠い物質は、その特性に近い科学者にとって、より長い期間にわたって知ることができないままであると予想されます (下の図を参照)。

この分野の研究者は、価値ある特性を持つ未知の材料を隔てる知識のギャップを埋めるために、より多くの時間を必要としています。

最終的な調査結果の帰結として、研究者らは発見の待ち時間を測定し、予測が負（人間の競争）の𝛽値から正（人間の補完性）の𝛽値に移行するにつれて、待ち時間が増加する傾向が観察されると予想しました。

各 𝛽 値に対して 50 個の仮説を生成し、結果として得られる予測を評価すると、ほとんどのターゲット属性について、𝛽 が増加すると平均検出待機時間が大幅に増加することがわかります (下の図を参照)。

見つからなかった予測を評価する

研究者のアルゴリズム予測の科学的価値を評価するには、研究中にまだ発見されていなかったものも含め、既存の文献を超えたデータが必要である。

𝛽の値が大きい場合、このような仮定は必然的に大部分のケースをカバーすることになります。

科学が効率的な市場であり、専門家が最適な方法で科学的品質を追求する場合、人間の回避の高 𝛽 仮説では、科学的コミットメントと有効性の比例的な低下が観察されます。

一方、科学者が科学的可能性の限界に沿って集まり、彼らの継続的な努力によって限界収益が減少する場合には、それらの限界を超えると希望が増すことがわかるかもしれません。

これを検証するために、研究者らは平均理論スコアの変化と、さまざまな𝛽の値に対して生成された仮説の発見可能性を比較しました。

下の図（最初の行）に示すように、発見可能性は 𝛽 が負の値から正の値に遷移する付近で低下しますが、その低下は平均理論スコアよりもはるかに急峻であり、𝛽 = 0.4 に近づくまで低下しません。

これは電気化学的特性とほとんどの病気に当てはまります。いくつかの個別の疾患の結果は、上の図の 2 行目に示されています。

下の図に示すように、このセクションで検討した属性の大部分は、大きくて有意な正の期待ギャップを生み出します。

これを基に、研究者らは確率モデルを使用して、𝛽 の任意の値に対する科学界の予測と自らのアルゴリズムの補完性を評価しました。

これは、ランダムに選択された予測が望ましい特性に関して妥当であるかどうかの結合確率を明示的に計算することによって行われ、現在の科学者の範囲を超えています。

これらの確率は、集団的な人間の予測を強化するという観点から、活用と探索のバランスをとる最適な 𝛽 を指定します。

下の図の結果は、最適なポイントはプロパティによって異なることを示していますが、0.2 ～ 0.3 の範囲が最も一貫して有望な間隔として特定できます。

この期間中、仮説が科学界から出てくる可能性は低いですが、成功した科学的成果を生み出す可能性は高いです。

結論と考察

この研究は、人間の意識を人工知能システムに組み込むことで将来の発見を加速できることを示しています。

この研究における AI モデルは、人間の発見とその発見を行う人間の専門家を直接予測することで、予測精度を 400% 向上させました。

これらの調査結果は、ハイパーグラフに描かれた人間の経験と社会のつながりが科学の進歩を促進する上で影響力を持っていることを裏付けています。

さらに、集団思考を避けるために研究におけるアルゴリズムを微調整することで、機械の助けなしには今後数年間は想像も追求も発表もできないであろう有望な仮説が生み出されている。

これらのモデルは、分野の境界や制度化された教育によって形成された人間の注意の集合的なパターンを特定し修正することで、現代科学の研究を補完します。

これは、研究者の専門家の意識のハイパーグラフの接続性が、近い将来における人類の発見を予測し加速させるだけでなく、遠い将来に科学者だけが想像できる破壊的な発見を推測するのにも役立つことを示唆しています。

研究者らはまた、科学者をコミュニティに集めて発見の可能性の最前線に立たせる人文科学機関が科学的発見に与える影響を明らかにすることに成功した。

この研究で提案された「エイリアン」あるいは人間と AI の相補性仮説の成功は、科学部門や学問分野の環境が実りある探究を著しく制限していることを示唆している。そして、人類は科学教育を再構築することで、人間の予測を改善する機会を達成し発見できると指摘しています。

この研究分析では、個人および社会の要因と併せて、人間の専門知識を置き換えるのではなく補完する AI の力に重点が置かれています。

AI は、科学界に対する脅威としてではなく、科学界とともに進化するシステムやツールとして設計することができます。実際、人工知能の追加は、人間の想像力と科学的探究の限界を広げるのに役立ちます。