人工知能は科学研究に革命を起こす力を持っている

人工知能 (AI) は、コンピューター サイエンス、数学、心理学、言語学などの分野が関わる学際的な分野です。人間の知能をシミュレートしたり、それを超えたりできるシステムやアプリケーションを作成することを目的としています。 AIの発展は、初期のシンボリズムやコネクショニズムから近年の統計学習やディープラーニングまで、いくつかの段階を経てきました。AIは理論と技術の限界を継続的に打ち破り、画像認識、自然言語処理、音声認識、機械翻訳、ロボット工学、自動運転など、多くの驚くべき成果を達成しました。 AI はコンピューターサイエンスの分野で重要な貢献をしているだけでなく、生物学、医学、化学、物理学、社会科学など、他の科学分野でも幅広く応用されています。

科学における AI の応用は、科学者が複雑な問題を解決し、研究の効率と質を向上させるのに役立つだけでなく、新たな疑問を提起し、既存の仮定に異議を唱え、新たな発見を促進し、新たな革新を推進することもできます。科学における AI の役割は革命的であると言えるでしょう。AI は科学の様相と未来を完全に変える可能性を秘めています。

12月15日、ステファノ・ビアンキーニ、モーリッツ・ミュラー、ピエール・ペルティエが共同執筆した「新技術の科学への統合：AIの事例」と題する学術論文がarxivに掲載されました。これは、科学における人工知能の応用と影響に関する研究論文です。この論文では、2億3000万件以上の科学論文からデータソースを収集するOpenAlexデータベースを使用して、科学におけるAIの採用に関するデータを特定し、分析しています。この論文では、適切なマッチング方法を使用して、AIテクノロジー自体や、観察されていない人的資本や好みなどのいくつかの共通要因を制御しています。条件付きロジスティック回帰モデルを使用して、一致したデータのペアと科学者の AI 採用に影響を与える要因を分析しました。

これは、包括的かつ詳細なデータ ソースを使用して、強力な証拠と視点を提供し、科学における AI の採用を体系的に調査した最初の記事です。唯一の欠点は、科学における AI 採用の現象を分析することしかできず、科学における AI 採用のメカニズムを説明することも、科学における AI 採用の効果と価値を評価することもできないことです。

1. 人工知能の概念と科学的研究

人工知能（AI）研究の目的は、知恵の本質を探求することで人間の知能を拡張し、知的存在が聞く（音声認識、機械翻訳など）、見る（画像認識、テキスト認識など）、話す（音声合成、人間とコンピュータの対話など）、考える（人間とコンピュータのチェス、エキスパートシステムなど）、学ぶ（知識表現、機械学習など）、行動する（ロボット、自動運転車など）ことを可能にすることです。 AI の典型的な定義は、「外部データを正しく解釈し、そのデータから学習し、その学習結果を使用して柔軟な適応を通じて特定の目標やタスクを達成するシステムの能力」です。

人工知能の発展においては、時代や学問的背景の異なる人々が知能の理解やその実現方法について異なる考えを持ち、そこからさまざまな学派が生まれてきました。以下は、より影響力のある学派とその代表的な方法です。

「記号主義」は論理主義やコンピュータ学派とも呼ばれ、認知とは意味のある表現記号の演繹と計算であると信じ、学習を逆演繹とみなしています。明示的な公理と論理システムを使用して人工知能システムを構築することを提唱しています。

「コネクショニズム」はバイオニクス学派としても知られ、脳のリバースエンジニアリングを信じ、認知はニューロン間の接続と信号伝達を通じて達成されると考え、学習をニューラルネットワークの自己組織化と見なしています。人工知能システムを構築するために暗黙の重みと活性化関数の使用を提唱しています。

「行動主義」はサイバネティクス学派としても知られ、認知は外部環境の知覚と反応を通じて達成されると信じており、学習は行動の調整であると考えています。人工知能システムを構築するために、明示的なルールとフィードバックメカニズムの使用を提唱しています。

人工知能と科学研究

科学の進歩のペースは、過去には顕微鏡や望遠鏡などの機器、最近ではコンピューターやインターネットなど、新しいテクノロジーとの融合に直接関係しています。 今日の焦点は AI です。AI は、かつては考えられなかった、あるいは定式化すら不可能だった問題が今では毎日のように発生する、新たな「普遍的な発明方法」として、莫大な発見の可能性を秘めたツールとして科学の世界で急速に台頭しています。 例としては、タンパク質の 3D 構造の予測、トカマク構成における核融合プラズマの制御、宇宙構造の形成の予測、小さな昆虫の脳のアトラスの作成などが挙げられます。 科学的発見を加速し、前進させる AI の可能性は、ほぼすべての科学分野と研究プロセスのさまざまな段階で探求されています。

科学における人工知能の可能性は拡大し続けており、科学者が科学システム全体にこの技術をうまく導入するには、利用可能なリソースを理解することが重要になります。 この論文では、AI を導入している分野の科学者と導入していない分野の科学者の資源賦存量を比較することで、この問題に取り組んでいます。

Nature は最近、世界中の 1,600 人以上の研究者を対象に調査を実施し、AI をすでに試した科学者に、AI をさらに活用する上での障壁は何かを尋ねたところ、次のような回答が寄せられました。「熟練した研究者の不足」(80%)、「トレーニング リソースの不足」(70%)、「資金の不足」(50%)、「コンピューティング リソースの不足」(35%)、「データの不足」(30%)、その他 (18%)。 対照的に、AI の経験がない科学者のほとんどは、AI が研究に役立たないと述べている。 したがって、AI の採用は、少なくとも特定の分野におけるテクノロジーの可能性、個人のスキル、コンピューティング能力とデータへのアクセス性についての理解不足と密接に関連していることは明らかです。応用 AI における科学者チームの構成に関しては、ドメイン サイエンティストのスキル不足は、コンピューター サイエンティストと共同で学際的な研究を実施することで補えることが多く、そのような学際的な取り組みは引用数の点でも成功していることが示されています。 しかし、すべての科学者がそのような共同戦略を実行できるわけではありませんし、検討することさえできないのです。 では、AI の導入を促進する (他の) リソースは何でしょうか? さらに、AI を実験する科学者全員が、研究で一貫して AI を導入するつもりというわけではありません。私たちのサンプルでは、​​その割合は約 50% でした。 これらの科学者が AI を研究に取り入れるのを妨げている障害は何でしょうか?

私たちの研究テーマに特に関連しているのは、科学技術人的資本（STHC）の理論です。この理論は、科学者の行動は科学者自身の人的資本、つまり人間の「内部」にあるさまざまな知識やスキルだけに依存するのではないという考えをとらえています。 個人だけでなく、仕事上の関係におけるより大きなリソースのプールにも依存しています。 科学者は社会的真空状態の中で存在しているわけではなく、科学的知識の創出は本質的に社会的事業であり、本稿で論じたように、新しい技術を科学的実践に統合することも社会的事業である。

ここでは、科学者がそれぞれの分野で AI を採用する決定に影響を与える可能性のある STHC の 3 つの側面、すなわち (i) 個人の事前知識、スキル、実験の好み、(ii) 研究協力者の知識と専門知識、(iii) 研究者が活動する組織的背景について検討します。 社会的関係の重要性は、コラボレーションを通じて科学者が補完的なスキルと技術的リソースにアクセスして活用し、孤立した状況では不可能な方法で知識とアイデアを創造し、変換できることです。 組織の設定は、物理的インフラストラクチャの運用や資金調達から科学的行動の倫理に至るまで、組織内での「科学の実践」の実践を形作り、最終的にはメンバーの研究の軌跡を形作るため、もう 1 つの重要な要素です。

2. 科学における人工知能の普及と応用

AI は変革をもたらす新しいテクノロジーであり、それを科学研究に効果的に統合するには、科学者が対応する人的資本と外部リソースを備える必要があります。著者らは、AI の普及と再利用は、テクノロジーを補完する人的資本の展開と創出を組織する社会的メカニズムによって強く推進されていることを発見しました。彼らは、AI は科学的なツールであるだけでなく、科学的な方法、さらには科学的なパラダイムでもあり、科学の統合、革新、社会化を促進すると考えています。

本論文の第 2 段落は、新しい技術としての人工知能 (AI) が科学の発展と変革にどのように影響するかを分析した文献レビューであり、AI の定義、特徴、応用、影響、および科学技術人的資本 (STHC) の理論的枠組みをレビューしています。 3 番目の段落は研究方法で、データ ソース、サンプルの選択、変数の定義、統計モデルを紹介します。 4 番目のセクションは研究結果であり、人的資本、協力ネットワーク、組織特性、高性能コンピューティング (HPC) など、AI の普及と再利用に影響を与える要因が報告されています。

著者らは、STHCの理論的枠組みを適用し、大規模な出版データを活用して、科学におけるAIの普及と再利用に影響を与える要因を体系的に分析しました。同時に、AI の先駆者たちは、豊富なコンピューター科学者、経験豊富な AI 科学者、キャリア初期の研究者のネットワークに組み込まれた探索的なフィールド科学者であるなど、いくつかの有意義な調査結果も提供されています。彼らはまた、引用の影響力が高く、比較的強力な AI 出版の歴史を持つ機関から来ています。彼らは、STHC の理論的枠組みを適用して、科学者が科学研究に AI を採用する動機と条件を説明しました。この論文では、AI の採用を促進する上での社会資本と知識の役割や、協力ネットワークや組織内の同僚が AI の採用に与える影響など、いくつかの有意義な仮説を提案しています。

この論文では、科学者は AI 分野の専門家と協力し、コミュニケーションをとることで知識を獲得して広めたり、知識を結び付けたりすることができ、それによって自らの分野における AI の可能性と価値を認識できると考えています。彼らは、AI関連の人的資本との以前のつながりと組織内の同僚との社会的交流の両方が、ドメイン科学者がAIを採用する可能性を高めるという2つの仮説を提唱しました。また、新世代の科学者がメンターに AI のスキルと知識をもたらす可能性があるという考えのもと、メンターと新人の間での知識の移転についても議論されました。

彼らは、AI テクノロジーと STHC の組み合わせとして、研究論文作成における AI の採用をモデル化しました。 AI 研究技術の重要な側面は、それが一枚岩の単一の技術ではないということです。むしろ、それは特定の開発が進められており、さまざまなレベルの科学的専門知識に関連付けられているさまざまなテクノロジーの集合体として捉えられるべきです。したがって、AI技術の状態(A)は、時間tとともに変化するだけでなく、焦点となる個人の科学的専門分野(s(i)で表され、As(i),tと表記されます)によっても変化します。

研究に AI を効果的に適用するために、焦点となる科学者 i は、時刻 t − 1 より前に蓄積された STHC の特定の側面 Hi,t−1 に基づいて構築することができます。 H は、焦点となる科学者の組織資本、社会的（ネットワーク）資本、および個人の人的資本を含むベクトルであることに注意してください。

科学者は、個人論文を発表するために必ずしもすべての STHC (つまり、Hi,t−1) を使用するわけではありません。したがって、特定の論文pで採用された実装済みSTHC（Hp(i),tと表記）も考慮します。実現されたSTHC（Hp(i),t）は、過去のSTHC基金（Hi,t−1）の大部分を占めますが、t年の研究プロセス中にいくらかの資本が得られ、時間の経過とともにいくらかの資本が失われる可能性があります。

私たちの考えを固定するために、AI技術と資本のさまざまな側面との補完性（または相互作用）を強調する単純なAI紙生産関数F（·）を仮定します。

この論文では、著者らは科学技術人的資本 (STHC) の理論的枠組みと、科学者による科学研究における AI の採用に影響を与える要因を分析するために使用された仮説について詳しく説明しています。そして、主に、認知能力、科学的・技術的知識、文脈的スキルなど、科学者の内部リソースが AI の採用に与える影響を調査します。彼らは、科学者が AI の変化や課題に適応するためには、創造性、柔軟性、批判的思考などの特定の認知能力が必要であると考えています。この論文では、科学者が AI ツールや手法を効果的に使用するには、ドメイン専門知識、AI 関連の知識、学際的な知識など、一定の科学的および技術的知識が必要であると考えています。科学者は、AI 分野の専門家や他の分野の科学者と協力し、コミュニケーションをとるために、コミュニケーション、コラボレーション、リーダーシップなどの特定の状況に応じたスキルを備えている必要があります。次に、ドメイン科学者が AI を採用する可能性を高める、認知スキル、科学的および技術的知識、およびコンテキスト スキルという 3 つの仮説が提案されます。

科学者の AI 導入の決定は、人的資本と内部リソース、そして AI に対する知識と姿勢によって左右されます。この論文では、科学者はAIの変化や課題に適応するために、創造性、柔軟性、批判的思考などの特定の認知能力を持つ必要があると考えている。科学者は、AI ツールや手法を効果的に使用するために、ドメイン専門知識、AI 関連の知識、学際的な知識など、特定の科学的および技術的知識を持っている必要があります。科学者は、AI 分野の専門家や他の分野の科学者と協力し、コミュニケーションをとるために、コミュニケーション、コラボレーション、リーダーシップなどの特定の状況に応じたスキルを備えている必要があります。

図2: STHCフレームワーク。

左: 組織環境は、AI 関連の情報を提供し、注意を向け、リソース (コンピューティング設備、人的資本) を提供する可能性があります。さらに、組織は一定の評判と科学的卓越性も備えています。中央: 以前の共著者ネットワークは、焦点となる科学者の領域、計算分析、および/または人工知能に関連する人的資本を提供します。右: 対象科学者の人的資本は、科学的内容、品質、国際性の観点から、過去の研究成果を通じて説明されます。これらの変数については、論文のセクション 3.2 で詳しく説明します。

3. 科学分野におけるAIの普及と応用の傾向とパターン

論文の著者らは、タイトル、要約、著者、機関、ジャーナルなど、2億3000万件以上の科学論文の情報を含むOpenAlexデータベースを使用しました。この論文では、2012年から2020年の間にコンピューターサイエンス以外の分野で初めてAIを使用した科学者をサンプルとして選び、AI導入前後の人的資本と外部リソースの変化を観察しました。科学者の人的資本と外部リソースを測定するために、共同ネットワーク、組織環境、コンピューティング リソース、科学的背景、探究傾向などのいくつかの変数が使用されました。この論文では、ロジットモデル、ポアソンモデル、負の二項モデルなど、いくつかの統計モデルを使用して仮説を検証しています。

OpenAlexデータベースによると、科学分野における人工知能の採用数と割合は急速な成長傾向を示しており、2010年の約5万人から2020年には20万人を超え、科学者総数の約5％を占めることになります。この傾向は、科学における AI の開発と応用の成長と一致しており、科学における AI の重要性と影響力が増大していることを示しています。この傾向は、人工知能技術の進歩と普及、そして科学者による人工知能技術の認識と受容を反映しています。

科学において人工知能が採用されている分野と時代の分布は、ある程度の異質性と差異を示しています。異なる分野と時代の科学者は、人工知能を採用する動機と条件が異なります。著者らは、科学分野における AI の採用は生命科学、工学、物理科学などの分野に集中しているが、数学、社会科学、人文科学などの分野では比較的少ないことを発見した。科学分野における AI の導入は、中堅および初期のキャリアの科学者に集中しており、後期キャリアの科学者の間では比較的少ないです。彼らは、これらの違いは AI 技術の適用性、可用性、受容性などの要因に関連している可能性があると考えています。これらの違いは、さまざまな分野や時代の科学者の人工知能技術に対するさまざまなニーズや姿勢も反映しています。

科学分野における AI の再利用率は約 54% で比較的安定しています。これは、科学者の半数以上が、初めて AI を導入した後も、その後の研究でも AI を使い続けることを意味します。このレベルは、人工知能技術の複雑さ、コスト、リスクなどの要因に関連している可能性があります。彼らは、科学における人工知能の再利用率を高めることが、科学における人工知能の普及と応用を促進するための重要な目標であると考えています。このレベルは、科学者が人工知能技術に抱く信頼と依存の度合いも反映しています。

彼らは、AI テクノロジーと人的資本のさまざまな側面との相補性または相互作用を強調するシンプルな AI 論文作成機能を構築します。この論文では、対数変換とロジスティック回帰モデルを使用して、論文が AI を使用する確率、および AI 技術と人的資本のパラメータを推定します。著者らは、マッチング手法を用いて、同じ分野と世代でありながらAI採用行動が異なる科学者をマッチングさせ、AI技術そのものや観察されていない人的資本や好みなどの共通要因を排除した。

4. 科学におけるAIの導入に影響を与える要因と異質性の影響

機関の AI 専門性、機関の引用への影響、機関の高性能コンピューティング リソースなど、機関の要因は科学における AI の採用に大きな影響を与えます。これらの要因は、AI を初めて導入する科学者と AI を繰り返し導入する科学者の両方にプラスの効果をもたらし、組織環境とリソースが科学における AI の導入に適していることを示唆しています。これらの要因は分野や年代によって異なる影響を及ぼし、科学における AI の採用がどのように形作られるかは制度的条件やニーズによって異なることを示唆しています。これらの要因は、人工知能技術に対する機関の支援と投資の程度も反映しています。

共同ネットワークの規模、構造、構成など、社会的要因も科学における AI の採用に大きな影響を与えます。これらの要因は、AI を初めて使用する科学者と繰り返し使用する科学者の両方にプラスの促進効果をもたらすことがわかり、共同ネットワークの質と量が科学における AI の採用に有益であることが示されました。また、これらの要因は分野や年代によって異なる影響を及ぼすことも判明し、共同ネットワークの特性とダイナミクスが科学における AI の採用に異なる影響を与えることが示唆されました。社会的要因は、科学者間のコミュニケーションと協力の度合いも反映します。

個人的な要因も、科学における AI の採用に大きな影響を与えます。個人的な業績、国際化、探究心、AI との親近感はすべて個人的な要因です。これらの要因は、AI を初めて採用する科学者と繰り返し使用する科学者に異なる影響を与え、個人の能力と好みが科学における AI の採用に影響を与えることを示しています。論文では、これらの要因は分野や時代によっても異なる影響を及ぼし、個人の背景や機会が科学における AI の採用に異なる影響を与えることを示唆していると指摘しています。

5. まとめと展望

科学における人工知能の導入については、さらなる調査と研究を必要とする未知の側面がまだ多く残っています。たとえば、科学における人工知能の採用のメカニズムは何ですか？科学における人工知能の採用の効果と価値は何ですか？科学における人工知能の採用の異質な効果の影響要因と深い原因は何ですか？科学における人工知能の採用の社会的および倫理的影響は何ですか？これらの質問には、より詳細で包括的な分析と議論のために、より多くのデータと方法、およびより多くの理論と証拠が必要です。

科学における AI の導入は、政策立案者と科学管理者の注意とサポートを必要とする、機会と課題の両方を伴う問題です。たとえば、政策立案者はより多くの資金とリソースを提供することで、科学における AI の開発と応用を促進できます。科学管理者は、より多くのトレーニングとガイダンスを提供することで、科学者の AI に対する理解と能力を向上させることができます。政策立案者と科学管理者は、より多くの規範と基準を確立することで、科学における AI の採用の品質と安全性を確保することもできます。これらの対策はすべて、科学における人工知能の導入のより良い実施と発展に貢献することができます。

人工知能は、科学の様相と未来を完全に変える力を持つ革命的な技術です。 3 人の科学者の論文を分析することで、科学における人工知能の導入に関する研究と実践に役立つ情報とインスピレーションを提供できることを願っています。また、科学における人工知能の可能性と謎をさらに探求し発見することへの関心と熱意を高めることも望んでいます。