בעידן שבו הבינה המלאכותית משנה את פני המחקר המדעי, חוקרים מציגים גישה חדשנית ליצירת תיאוריות מדעיות בקנה מידה גדול. במקום להתמקד רק בניסויים אוטומטיים, הם בוחנים את בניית תיאוריות הכוללות חוקים איכותניים וכמותיים מספרות מחקר ענפה. המחקר, שפורסם ב-arXiv, מנתח כיצד שיטות מבוססות ספרות משתוות לידע פרמטרי של מודלי שפה גדולים (LLM), ומגלה יתרונות משמעותיים בהתאמה לראיות קיימות ובחיזוי תוצאות עתידיות. זהו צעד משמעותי לקראת גילוי מדעי אוטומטי מלא.
המחקר מנסח את הבעיה של סינתוז תיאוריות מ'קורפוסים גדולים של ספרות מדעית'. החוקרים יצרו 2.9 אלף תיאוריות מ-13.7 אלף מאמרי מקור, ובדקו השפעות שונות: שימוש בידע מבוסס ספרות לעומת ידע פרמטרי של LLM, ומטרות גנרציה הממוקדות בדיוק לעומת חידוש. לפי הדיווח, השיטה המבוססת ספרות יוצרת תיאוריות איכותיות יותר, שמתאימות טוב יותר לראיות קיימות ומנבאות בהצלחה תוצאות ממאמרים שנכתבו מאוחר יותר.
בניסויים, השוו החוקרים בין גישות שונות והדגימו כי תיאוריות שנוצרו בהסתמכות על ספרות מדעית עדיפות על אלו המושתתות על זיכרון פרמטרי של LLM. במיוחד, הן מצטיינות בחיזוי תוצאות מ-4.6 אלף מאמרים שנכתבו לאחר מכן, מה שמעיד על יכולת גנרליזציה גבוהה. החוקרים מדגישים כי גישה זו מאפשרת יצירת תיאוריות בקנה מידה גדול, ומשנה את הדרך שבה AI תורם לבניית ידע מדעי.
המשמעות העסקית של המחקר רבה, במיוחד עבור חברות טכנולוגיה ישראליות המפתחות כלי AI למחקר. בעוד שמודלי LLM מסורתיים מסתמכים על נתונים מאומנים מראש, שיטה זו משלבת ספרות עדכנית ומבטיחה תיאוריות מדויקות יותר. בהקשר ישראלי, זה פותח אפשרויות לשיתופי פעולה עם מוסדות כמו מכון ויצמן או אוניברסיטת תל אביב, שבהם AI כבר משמש לגילוי מדעי.
לסיכום, יצירת תיאוריות מדעיות מבוססות ספרות מייצגת קפיצת מדרגה בגילוי מדעי אוטומטי. מנהלי עסקים בתחום ה-AI צריכים לשקול אימוץ גישות כאלה כדי לשפר חדשנות. מה תיאוריה הבאה שתיווצר?