Mga Eksperto Ibinunyag Kung Paano Babaguhin ng AI at DeSci ang Siyensya

Mahalaga ang peer review sa siyentipikong pananaliksik. May malaking papel ito sa pagtiyak ng katotohanan at katumpakan ng mga natuklasan bago ito ilathala. Pero, ang peer review process ay ginagawa ng mga tao, at hindi maiiwasan na nagkakamali ang mga tao. Pero, posibleng ang mga bagong teknolohiya ang susi para maayos ito.

Nakausap ng BeInCrypto sina YesNoError Co-Founder Matt Schlicht at Mira Network CEO Magnus Bratt para maintindihan kung paano nagme-merge ang artificial intelligence (AI) at decentralized science (DeSci) para baguhin ang peer-reviewed scientific processes.

Ang Gastos ng Palpak na Pagbabantay

Kahit ang pinakamatalinong tao ay nagkakamali. Pagdating sa siyensiya, ang mga pagkakamaling ito ay maaaring magdulot ng malalaking epekto. Napatunayan na ito ng kasaysayan – parehong bago at luma – nang paulit-ulit.

Noong 1998, nag-launch ang NASA ng Mars Climate Orbiter para pag-aralan ang atmospera ng planeta. Ang proyekto ay may kasamang $125 million na investment at halos 10 buwan ng paglalakbay para makarating doon.

Pagdating nito, nasunog at nasira ang orbiter, at agad na tinukoy ng NASA na hindi naging matagumpay ang misyon. Ang pinakamasakit ay ang pagkabigo ng misyon ay dahil sa simpleng navigation error.

Gumamit ng metric units ang navigation team na pinamunuan ng Jet Propulsion Laboratory (JPL) sa kanilang mga kalkulasyon. Samantala, ang Lockheed Martin Astronautics, ang designer at builder ng spacecraft, ay nagbigay ng mahalagang acceleration data sa English units.

Ang pagkabigo ng Lockheed Martin na i-convert ang English units sa metric ang nagdulot ng critical error na naging dahilan para ang spacecraft ay lumapit nang masyado sa Mars at masunog pagdating.

“Ang tradisyunal na peer review ay likas na limitado ng human error at subjectivity. Maaaring hindi mapansin ng mga reviewer ang mahahalagang metodolohikal na depekto o statistical na pagkakamali dahil sa indibidwal na biases, magkasalungat na interes, o simpleng limitasyon ng manual na pagsusuri,” sinabi ni Bratt sa BeInCrypto.

Natuklasan sa mga sumunod na imbestigasyon na ang kakulangan ng masusing, independent peer review ng navigation calculations ang nag-ambag sa hindi napansing unit conversion errors. Pero, may mga mas kamakailang kaso kung saan nabigo ang peer review mechanisms na tugunan ang mga simpleng error na ito.

Isang Bagong Kaso ng Human Error sa Siyensiya

Isa sa mga pinakabagong pangyayari na nagpapakita ng lawak ng human error sa peer-reviewed scientific research ay nangyari noong nakaraang taon. Noong Oktubre, isang pag-aaral na inilathala sa environmental chemistry journal na Chemosphere ang nagpakita na ang electronic flame retardants ay nasa ilang black plastic household products, tulad ng mga gamit sa kusina.

Ang pag-aaral ay nagdulot ng maraming ulat sa media, kabilang ang mga artikulo sa mga outlet tulad ng The Atlantic at National Geographic, na nag-uudyok sa mga consumer na itapon ang kanilang black plastic kitchen utensils. Nagdulot din ito ng kaguluhan ng pampublikong pag-aalala sa social media.

Pero, noong Disyembre, sa halagang 30 cents at sa loob ng 30 segundo, isang OpenAI query na nagre-review sa mga natuklasan ng pag-aaral ang nakatuklas na ang mga may-akda ay nakaligtaan ang isang zero.

“Mali ang pagkalkula namin ng reference dose para sa isang 60 kg na adult, na una naming inakala na nasa 42,000 ng/day imbes na tamang halaga na 420,000 ng/day,” ayon sa pagwawasto.

Ang original na research ay naglalaman ng malaking factor-of-10 na error, kung saan ang isang exposure ay sinabing nasa 80% ng legal na limit para sa isang partikular na toxin, pero ito pala ay nasa 8% lang. Sa madaling salita, ang error na ito ay sobrang nag-overestimate ng exposure sa mga toxin na ito.

“Sasabihin ko na ang pangunahing limitasyon na malinaw na mayroon ang peer reviews ay ang mga tao ay nagkakamali. Mga matatalinong tao ito. Na-publish ito kahit saan. Tumagal ito ng dalawang buwan, at milyon-milyong tao ang nakakita ng artikulong ito, at walang nakapansin nito. Lumalabas na kung kukunin mo ang papel na iyon at ipadala ito sa pinakabagong modelo ng OpenAI, at tanungin mo, ‘hey, may mga error ba sa papel na ito?’ Sa halagang nasa 30 cents at sa loob ng 30 segundo, agad nitong sinasabi na oo,” sabi ni Schlicht.

Bilang tugon sa mga pangyayaring ito, napansin ng mga tagasuporta ng AI at DeSci ang mga kahinaang ito sa tradisyonal na pamamaraan ng agham.

Bagong Anyo ng Peer Review gamit ang AI at DeSci

Ang konsepto ng peer review ay matagal nang umiiral. Mula nang ito’y nagsimula, dumaan na ito sa ilang pagbabago.

“Ang peer review ay hindi palaging ang pormal, anonymous na proseso na alam natin ngayon. Noong mga unang araw ng scientific journals (kalagitnaan ng 1600s), ang mga editor—tulad ni Henry Oldenburg sa Royal Society—ang nagdedesisyon kung ano ang ipo-publish nang hindi kumukonsulta sa mga external na eksperto. Sa paglipas ng ika-18 at ika-19 na siglo, habang lumalawak ang mga scientific communities, ang mga impormal na talakayan at internal na pagsusuri ay unti-unting naging mas sistematikong gawain. Pagsapit ng kalagitnaan ng ika-20 siglo, habang sumasabog ang dami ng pananaliksik, ang mga journals ay nag-adopt ng structured, external peer review (madalas na may anonymous na reviewers) para makatulong sa pagpapanatili ng kalidad at katarungan. Ngayon, nakikita natin ang iba’t ibang modelo—mula sa single- at double-blind reviews hanggang sa open at post-publication reviews—na nagpapakita ng patuloy na pagsisikap na balansehin ang transparency, efficiency, at rigor sa mabilis na lumalaking scholarly landscape,” paliwanag ni Bratt.

Ang DeSci ay umusbong upang maghanap ng Web3 technology solutions para tugunan ang mga kritikal na hamon na lumilitaw bilang bahagi ng tradisyonal na pamamaraan sa scientific research. Bilang resulta, ang mga AI agents ay naging malinaw na solusyon sa mga potensyal na mapaminsalang epekto na maaaring idulot ng human error sa peer review mechanisms.

“Ang artificial intelligence ay maaaring automatic na mag-flag ng mga error, inconsistencies, at plagiarism habang itinatapat ang mga manuscripts sa pinaka-angkop na reviewers—nakakatulong ito para mabawasan ang bias at mapagaan ang workload ng reviewer. Ang decentralized science platforms, gamit ang blockchain o katulad na teknolohiya, ay maaaring mag-record ng review histories nang transparent at mag-enable ng crowd-sourced evaluations, na nagpapataas ng accountability at tiwala. Sama-sama, ang mga tool na ito ay nagpapadali at nagpapabuti sa peer review, na tinitiyak ang mas mabilis at mas maaasahang quality control,” dagdag niya.

Ang mga umuusbong na teknolohiyang ito ay nagbigay-daan din sa mas madaling pag-access sa kontribusyon sa scientific review.

“Ang decentralized science at artificial intelligence ay malaking tulong sa peer reviews sa pamamagitan ng pagpapababa ng gastos ng peer review dahil kaya itong gawin ng AI sa mas mababang halaga at mas mabilis na bilis. Ang DeSci ay maaaring magbigay sa lahat ng kakayahang magkaroon ng walang katapusang peer reviews agad-agad,” sabi ni Schlicht.

Ang efficiency, bilis, decentralization, at pagbawas ng gastos ay maaaring magbukas ng bagong mga paraan para harapin ang mga kumplikadong problemang siyentipiko na hanggang ngayon ay hindi pa nasosolusyunan.

Pabilisin ang Siyentipikong Pag-unlad gamit ang AI

Ang mga umuusbong na teknolohiya tulad ng AI ay nag-aalok ng mga promising na bagong paraan sa mga masalimuot na hamon sa siyensya, kabilang ang pananaliksik sa cancer, human longevity, at Alzheimer’s disease.

Dahil sa mga siglo ng pananaliksik ng tao, milyon-milyong mga artikulong siyentipiko ang nailalathala ng mga journal sa buong mundo ngayon, na nagreresulta sa napakalaking dami ng data. Ang AI agents ay kayang mag-imbak, mag-filter, at mag-analyze ng mga umiiral na datasets sa bilis na hindi kayang gawin ng tao sa ngayon. 

“Ang artificial intelligence ay binabago ang pananaliksik sa cancer at may malaking potential para pabilisin ang pagtuklas ng epektibong mga paggamot. Ang mga AI tools ay nagiging napakahalaga sa mabilis na pag-sift sa napakalaking datasets para matuklasan ang genetic markers at mga bagong drug targets, pagmomodelo kung paano nag-e-evolve ang mga cancer, at kahit na nagsa-suggest ng mga innovative na kombinasyon ng paggamot. Ang mga breakthrough na ito ay hindi lamang nagpapabilis sa mga maagang yugto ng pagtuklas pero nag-o-optimize din ng mga disenyo ng clinical trial at nagpe-predict ng mga tugon ng pasyente na may tumataas na accuracy. Habang ang cancer ay nananatiling isang kumplikadong set ng mga sakit, ang lumalaking epekto ng AI ay ginagawa ang layunin ng isang lunas na mas abot-kamay at nagbibigay-enerhiya sa buong komunidad ng pananaliksik,” sinabi ni Bratt sa BeInCrypto. 

Ang YesNoError (YNE) ni Schlicht ay gumawa ng whitepaper para sa isang decentralized na inisyatiba na gumagamit ng advanced large language models (LLMs) para sistematikong i-audit ang lahat ng umiiral na siyentipikong literatura. Ang YNE token ay nakabatay sa isang economic model kung saan ang mga may hawak ng token ay maaaring bumoto kung aling mga proyekto ang dapat bigyan ng prayoridad. 

Ang mga AI agents ay responsable sa pag-scan ng mga error mula sa simpleng pagkakamali sa kalkulasyon hanggang sa data falsification. Ang mas malawak na layunin ng proyekto ay bumuo ng isang tool para sa pag-verify ng mga siyentipikong claim na accessible sa mga mananaliksik, institusyon, at publiko.

“Ilang research papers na ang naisulat tungkol sa longevity? Sabihin nating nasa isang milyon. Sabihin nating ikaw ay isang lab na nakatuon sa longevity. Ang laki ng iyong team na kakailanganin mula sa human perspective para hindi lamang basta basahin ang isang milyong papers, pero para rin ma-analyze ito nang tama at ma-synthesize ang data na iyon, ay hindi magagawa sa human scale. Pero kapag nagsimula kang magdisenyo ng isang AI agented system na kayang basahin ang isang milyong papers basically instantly, maaari mong i-orchestrate ang mga AI na ito para makabuo ng mga konklusyon, bumalik na may synthesized na impormasyon, at pagkatapos ay dalhin iyon sa human team. Kaya’t iyon ay isang napakalinaw na paraan kung saan ang AI ay makakatulong sa pag-abot ng mga breakthrough sa longevity o anumang iba pang siyentipikong layunin,” sabi ni Schlicht.

Ang iba pang malalaking players ay nagsisimula nang makasabay sa lumalaking popular na trend na ito. Ang Advanced Micro Devices (AMD) at mga mananaliksik mula sa Johns Hopkins University ay kamakailan lamang nag-develop ng Agent Laboratory. Ang AI framework na ito ay dinisenyo para i-automate ang mga pangunahing bahagi ng siyentipikong pananaliksik.

Gumagamit ang sistemang ito ng large language models para magsagawa ng literature reviews, magdisenyo ng mga eksperimento, at bumuo ng mga ulat, kabilang ang code at dokumentasyon. Gayunpaman, hindi ito decentralized o nakabatay sa isang token model. Ang mga unang resulta ay nagsa-suggest na ang framework ay maaaring magpababa ng gastos sa pananaliksik ng 84% kumpara sa ibang automated na mga pamamaraan nang hindi isinasakripisyo ang kalidad ng pananaliksik.

Gayunpaman, kung ang ibang mga proyekto sa crypto sector ay naglalayong bumuo ng mga katulad na proyekto, ang AI sa DeSci ay maaaring magtaglay ng promising na hinaharap. 

Magandang Kinabukasan ng DeSci

Ayon sa CoinGecko, ang market capitalization ng DeSci ay nasa $1.05 billion sa kasalukuyan. Sa nakaraang taon, ang sektor ay nagpakita ng tuloy-tuloy na paglago at patuloy na inobasyon. Marami sa mga bagong proyekto ang mabilis na naging pangunahing manlalaro.

Sinabi nina Schlicht at Bratt na ang laki ng market para sa decentralized science ay lalaki nang mabilis.

“Sa tingin ko, 10 taon mula ngayon, ang market cap ng DeSci ay maaaring higit pa sa 10,000 beses kaysa sa ngayon. Dahil sa kombinasyon ng artificial intelligence, decentralization, at tokens, ang science ay malapit nang mag-exponentially increase sa breakthroughs,” sabi ni Schlicht.

Dinagdag pa ni Bratt: 

“Kung magiging matagumpay, madali itong maging 5-10% ng global scientific research market na nasa trillions na.”

Pero inaasahan din nila na ang DeSci ay haharap sa pagtutol mula sa tradisyonal na medical at scientific lobbies. 

Harapin ang Kasalukuyang Kalagayan

Habang ang scientific research ay maaaring pondohan sa pamamagitan ng grants mula sa iba’t ibang ahensya ng gobyerno, institusyon, at foundations, karamihan nito ay pinopondohan ng mga pribadong korporasyon. 

Isang ulat ng UCLA noong 2023 nagpapakita na halos 80% ng humigit-kumulang $57 billion na ginastos sa cancer research sa US noong 2021 ay nagmula sa pribadong sektor, pangunahin mula sa malalaking pharmaceutical companies. Iniulat din nito ang limitadong pagbabahagi ng mga resulta ng pananaliksik.

“May mga vested interests na maaaring mag-lobby para ipagbawal ang ganitong mga aktibidad sa market para protektahan ang mga kasalukuyang manlalaro,” sabi ni Bratt.

Para kay Schlicht, ang DeSci ay nag-aalok ng pagkakataon na labanan ang mga pribadong interes.

“Dati, ang mga korporasyon ay may kakayahang kontrolin kung aling pananaliksik ang pinopondohan. Binabago ng DeSci ang sitwasyong iyon at pinapayagan ang sinuman na makakuha ng pondo kung naniniwala ang mga tao na maganda ang kanilang ideya,” sabi niya.

Dahil ang blockchain technology ay nagbibigay-daan sa anonymity at inuuna ang privacy, sinasabi niya na mas mahirap ma-track ang mga innovator. 

“Hindi ako naniniwala na ang mga lobbyist ay makakapigil sa DeSci. Ang susunod na Einstein ay maaaring anonymous. Maaaring ito ay isang tao na may penguin avatar, o frog profile picture. Maaaring ito ay isang tao na may NFT bilang kanilang profile, at isang grupo ng mga numero sa kanilang pangalan. Hindi sila mahanap ng mga lobbyist, dahil hindi nila alam kung sino sila, at sila ay pinopondohan sa isang decentralized na paraan. Mayroon pa silang team ng ibang pseudonymous na tao na nagtatrabaho kasama nila, parehong tao at AIs,” sabi ni Schlicht.

Pero bago isipin ang posibleng tunggalian sa pagitan ng tradisyonal na medical lobbyists at mga innovator sa decentralized science, ang DeSci ay nasa landas pa rin patungo sa maturity. 

Sa huli, ang pagsasanib ng AI at decentralized science ay nag-aalok ng makapangyarihang bagong paradigma para sa scientific research. Ang pagkakataong ito ay may potential na mapahusay ang pagiging maaasahan at kahusayan ng peer review, gawing demokratiko ang access sa pondo, at pabilisin ang breakthroughs sa iba’t ibang scientific frontiers.

Ang pagmo-monitor sa progreso ng AI at decentralized science ay magiging mahalaga para sa responsableng integrasyon ng mga teknolohiyang ito sa scientific research.