ผู้เขียน:
บาเรนด์ มอนส์ศาสตราจารย์กิตติคุณแห่งมหาวิทยาลัยไลเดน กรรมการมูลนิธิ GO FAIR และผู้อำนวยการ LIFES โครงการริเริ่มไลเดนเพื่อวิทยาศาสตร์ที่เป็นธรรมและเท่าเทียมกัน
อารี บาคกรรมการของสมาคม LIFES เพื่อวิทยาศาสตร์ที่เป็นธรรมและเท่าเทียมกัน
โคเอน จองเกอร์สคณะกรรมาธิการยุโรป ศูนย์วิจัยร่วม (JRC) บรัสเซลส์ เบลเยียม
ปัญญาประดิษฐ์ (AI) กำลังเปลี่ยนแปลงวิธีการดำเนินงาน การสื่อสาร และการตรวจสอบทางวิทยาศาสตร์ AI มีศักยภาพที่แท้จริง ช่วยให้สามารถจดจำรูปแบบในระดับที่นักวิจัยมนุษย์ไม่สามารถทำได้ เร่งกระบวนการทำงาน และเปิดเส้นทางใหม่สำหรับการค้นพบ แต่ AI ก็รวดเร็ว ไม่ปราศจากข้อผิดพลาด และไม่เลือกปฏิบัติ ในขณะที่วิทยาศาสตร์นั้นใช้เวลานานและพิถีพิถันโดยธรรมชาติ ความตึงเครียดระหว่างความเป็นจริงทั้งสองนี้กำลังก่อให้เกิดความผิดปกติอย่างร้ายแรงแล้ว เช่น การตีพิมพ์และข้อมูลที่สร้างโดย AI จำนวนมหาศาล การตรวจสอบโดยผู้ทรงคุณวุฒิที่ด้อยคุณภาพ การค้นพบที่ผิดเพี้ยน และความเชื่อมั่นในบันทึกทางวิทยาศาสตร์ที่ลดลง ทักษะที่จำเป็นสำหรับนักวิทยาศาสตร์ในอนาคตกำลังเปลี่ยนแปลงไปอย่างพื้นฐาน และนโยบายวิทยาศาสตร์ยังตามไม่ทัน การแก้ไขช่องว่างนี้จึงเป็นเรื่องเร่งด่วน
วิทยาศาสตร์ได้เปลี่ยนจากสภาพแวดล้อมที่มีข้อมูลน้อยไปสู่สภาพแวดล้อมที่มีข้อมูลมากมายอย่างรวดเร็ว จากเดิมที่นักวิจัยสร้างชุดข้อมูลขนาดเล็กและสื่อสารผลการค้นพบส่วนใหญ่ผ่านบทความที่มนุษย์อ่านได้ ปัจจุบันพวกเขาทำงานอยู่ในยุคของการสร้างข้อมูลแบบทวีคูณ ข้อมูลส่วนใหญ่มีมิติสูง กระจายตัว และสามารถจัดการได้ด้วยเครื่องจักรเท่านั้น อย่างไรก็ตาม แนวโน้มนี้ยังไม่สะท้อนให้เห็นในการนำข้อมูลกลับมาใช้ใหม่ เพื่อเปลี่ยนแปลงสิ่งนั้น ข้อมูลเองจะต้องได้รับการปฏิบัติในฐานะผลผลิตทางวิทยาศาสตร์ชั้นหนึ่ง ไม่ใช่ผลพลอยได้จากบทความ
เครื่องจักรมีความสามารถโดดเด่นในการค้นหารูปแบบในชุดข้อมูลขนาดใหญ่และซับซ้อน แต่เครื่องจักรไม่มีแบบจำลองเชิงแนวคิดเกี่ยวกับความเป็นจริงที่เกี่ยวข้องกับมนุษย์โดยกำเนิด ผลที่ได้คือรูปแบบจำนวนมหาศาล ซึ่งหลายรูปแบบเป็นรูปแบบที่ผิดพลาด บางรูปแบบอาจทำให้เข้าใจผิด ความท้าทายสำคัญสำหรับนักวิทยาศาสตร์รุ่นต่อไปคือการนำทางในป่าแห่งรูปแบบนี้: การแยกแยะสัญญาณที่มีความหมายออกจากสัญญาณรบกวนทางสถิติ การกำกับดูแลโดยมนุษย์ไม่ใช่ทางเลือก แต่เป็นสิ่งที่จำเป็นอย่างยิ่งในเชิงโครงสร้าง
ผู้กำหนดนโยบายควรตระหนักด้วยว่า ปัญญาประดิษฐ์ในวิทยาศาสตร์นั้นครอบคลุมมากกว่าแค่แบบจำลองภาษาขนาดใหญ่ (Large Language Models) ซึ่งปัจจุบันเป็นหัวข้อที่กำลังได้รับความสนใจอย่างมากในวงกว้าง ขอบเขตที่กว้างกว่านั้นรวมถึงการเรียนรู้ของเครื่องจักรเพื่อสร้างสมมติฐาน กระบวนการทำงานทดลองอัตโนมัติ และการให้เหตุผลโดยใช้กราฟความรู้ ซึ่งแต่ละด้านล้วนมีความเสี่ยงและโอกาสที่แตกต่างกัน และจำเป็นต้องมีการกำกับดูแลที่เหมาะสมกับแต่ละด้าน
คุณภาพของผลลัพธ์จาก AI ในด้านวิทยาศาสตร์นั้นขึ้นอยู่กับคุณภาพของข้อมูลโดยตรง อินพุตข้อมูล FAIR (Findable, Accessible, Interoperable and Reusable ซึ่งเป็นที่เข้าใจกันมากขึ้นในชื่อ Fully AI Ready) คือเงื่อนไขพื้นฐานที่สำคัญสำหรับวิทยาศาสตร์ที่ขับเคลื่อนด้วย AI อย่างมีความรับผิดชอบ หากปราศจากข้อมูล FAIR โมเดล AI จะถูกฝึกฝนด้วยข้อมูลดิบที่ไม่ได้รับการคัดกรอง อาจมีอคติ หรือแม้แต่ข้อมูลที่สร้างขึ้นมาเอง ทำให้เกิดภาพลวงตาที่อาจเป็นอันตรายถึงชีวิตในบริบททางการแพทย์ และบ่อนทำลายความเชื่อมั่นในวิทยาศาสตร์อย่างเป็นระบบ โดยเฉพาะอย่างยิ่งในกรณีที่การนำข้อมูลที่หาได้ง่ายไปใช้ซ้ำส่วนใหญ่โดยผู้ที่ไม่เกี่ยวข้องกับวิทยาศาสตร์ เช่น บริษัท LLM ในปัจจุบัน
สิ่งที่สำคัญไม่แพ้กันคือการใช้แบบจำลองเชิงแนวคิด FAIR เพื่อจำกัดขอบเขตของ AI เอาท์พุทด้วยการจัดเตรียมกรอบความหมายที่มีโครงสร้าง ซึ่งแต่ละแนวคิดได้รับการกำหนดไว้อย่างชัดเจน ความสัมพันธ์ระหว่างแนวคิดเหล่านั้น และสิ่งที่ถือว่าเป็นการอนุมานที่ถูกต้อง โมเดลเหล่านี้จึงช่วยลดความเสี่ยงของการเกิดความเข้าใจผิดได้อย่างมาก และช่วยให้มั่นใจได้ว่าผลลัพธ์ที่สร้างโดย AI นั้นสามารถอธิบาย ตีความ และตรวจสอบได้โดยมนุษย์
วิกฤตด้านความน่าเชื่อถือในการตีพิมพ์ทางวิทยาศาสตร์ยิ่งทำให้ความเสี่ยงเหล่านี้ทวีความรุนแรงขึ้น ระบบ AI ในปัจจุบันสามารถสร้างบทความ ข้อมูล และบทวิจารณ์ที่ดูน่าเชื่อถือได้เกือบจะในทันที การประชุม AI ชั้นนำแห่งหนึ่งได้รับผลงานส่งเข้าประกวดกว่า 20,000 ชิ้นในปี 2025 เพียงปีเดียว การตอบสนอง (นักวิทยาศาสตร์ใช้ AI ในการตรวจสอบเอกสารที่สร้างโดย AI) เสี่ยงที่จะสร้างวงจรป้อนกลับแบบปิดที่ระบบที่บกพร่องประเมินซึ่งกันและกันโดยไม่มีการตรวจสอบจากภายนอกที่มีความหมาย ข้อมูล FAIR ที่เผยแพร่ ณ แหล่งที่มา ซึ่งสามารถตรวจสอบที่มาได้ เป็นหนึ่งในเครื่องมือที่แข็งแกร่งที่สุดที่มีอยู่เพื่อต่อต้านแนวโน้มนี้
ปัญหาทั้งหมดนี้มีสาเหตุมาจากความล้มเหลวเชิงโครงสร้างของแรงจูงใจ นักวิจัยยังคงได้รับรางวัลส่วนใหญ่จากจำนวนบทความและอัตราการอ้างอิง ซึ่งเป็นตัวชี้วัดที่ออกแบบมาสำหรับยุคที่ข้อมูลมีจำกัด การตีพิมพ์ข้อมูล FAIR คุณภาพสูงแทบไม่ได้รับการยอมรับในแวดวงวิชาชีพ และไม่มีการรับประกันการสนับสนุนทางการเงิน นี่ต้องเปลี่ยนแปลง
ภูมิทัศน์การกำกับดูแลทางเทคนิคสำหรับข้อมูลทางวิทยาศาสตร์กำลังอยู่ในภาวะวิกฤต การพึ่งพาผู้ให้บริการคลาวด์รายใหญ่เพียงไม่กี่รายมานานหลายทศวรรษ ประกอบกับเครื่องมือทางกฎหมาย เช่น กฎหมายคลาวด์ของสหรัฐฯ ได้สร้างปัญหาอธิปไตยทางข้อมูลที่รุนแรงขึ้น โดยเฉพาะอย่างยิ่งในบริบทของความไม่มั่นคงทางนโยบายของสหรัฐฯ ในช่วงไม่นานมานี้และผลกระทบต่อโครงสร้างพื้นฐานการวิจัยที่ใช้ร่วมกันในระดับนานาชาติ ทรัพยากรข้อมูลทางวิทยาศาสตร์หลักของโลกจำนวนมากอยู่นอกเหนือการควบคุมทางกฎหมายของสถาบันและชุมชนที่สร้างข้อมูลเหล่านั้นขึ้นมาอย่างแท้จริง
หลักการ FAIR ซึ่งเสริมด้วยหลักการ CARE (ซึ่งกล่าวถึงสิทธิและผลประโยชน์ของชนพื้นเมืองในการกำกับดูแลข้อมูล) เป็นกรอบการทำงานที่สอดคล้องกันสำหรับการบริหารจัดการข้อมูลอย่างมีความรับผิดชอบ หลักการทั้งสองนี้ร่วมกันกำหนดเงื่อนไขที่ข้อมูลควรเปิดเผยหรือถูกจำกัด สามารถนำกลับมาใช้ใหม่ได้ และเป็นอิสระ แนวคิดของอินเทอร์เน็ตของข้อมูลและบริการที่เป็นธรรม (IFDS) ซึ่งข้อมูลยังคงอยู่ที่แหล่งที่มาและถูกเรียกใช้โดยอัลกอริทึมที่ได้รับอนุญาต แทนที่จะถูกคัดลอกและรวมศูนย์ เป็นแนวทางการแก้ปัญหาเชิงสถาปัตยกรรมที่ใช้งานได้จริง ในแบบจำลองนี้ การค้นหาข้อมูลด้วยคอมพิวเตอร์จะเดินทางไปยังโหนดข้อมูลแบบกระจาย ข้อมูลจะไม่ถูกส่งไปยังที่เก็บข้อมูลส่วนกลางเว้นแต่จะหลีกเลี่ยงไม่ได้
การมีส่วนร่วมอย่างเท่าเทียมในวิทยาศาสตร์ที่ขับเคลื่อนด้วย AI ยังต้องการให้โครงสร้างพื้นฐานนี้เข้าถึงได้อย่างแท้จริง สถาบันและชุมชนในซีกโลกใต้ไม่ควรเป็นเพียงผู้รับข้อมูลโดยไม่กระตือรือร้น ในอีกด้านหนึ่งของสเปกตรัมการเชื่อมต่อ อุตสาหกรรมที่ใช้ข้อมูลจำนวนมากก็ไม่ควรถูกกีดกัน โครงสร้างพื้นฐาน FAIR แบบกระจายศูนย์ ซึ่งออกแบบมาเพื่อหลีกเลี่ยงการผูกขาดจากผู้ขายและจุดล้มเหลวเพียงจุดเดียว คือกลไกที่ทำให้การมีส่วนร่วมอย่างมีความหมายเป็นไปได้
การกำหนดนโยบายที่สอดคล้องกันจำเป็นต้องดำเนินการในหลายด้าน:
วิทยาศาสตร์เป็นสาธารณประโยชน์ระดับโลก ความซื่อสัตย์ ความเท่าเทียม และความโปร่งใสของวิทยาศาสตร์นั้นไม่สามารถสันนิษฐานได้เอง สิ่งเหล่านี้ต้องอาศัยการเลือกนโยบายอย่างจริงจัง โอกาสในการสร้างระบบการกำกับดูแลที่ดีสำหรับ AI ในการผลิตทางวิทยาศาสตร์นั้นเปิดกว้างอยู่ แต่จะไม่คงอยู่เช่นนั้นตลอดไป การตัดสินใจในตอนนี้เกี่ยวกับมาตรฐานข้อมูล โครงสร้างพื้นฐาน แรงจูงใจ และการกำกับดูแล จะเป็นตัวกำหนดว่า AI จะเร่งให้เกิดวิทยาศาสตร์ที่น่าเชื่อถือหรือบ่อนทำลายมันอย่างเป็นระบบ
ภาพถ่ายโดย Getty Images อันสแปลช+
บล็อกนี้จัดทำขึ้นโดยความร่วมมือระหว่างสภาวิทยาศาสตร์นานาชาติ (ISC) และ Frontiers Policy Labs และเป็นส่วนหนึ่งของโครงการ 'รูปแบบการกำกับดูแลวิทยาศาสตร์แบบใหม่ในศตวรรษที่ 21'' ชุดบทความนี้ทำหน้าที่เป็นเวทีอภิปรายแบบไดนามิกสำหรับการเป็นผู้นำทางความคิดเกี่ยวกับอนาคตของการกำกับดูแลทางวิทยาศาสตร์ โดยหลีกเลี่ยงการศึกษาเชิงวิชาการที่ตายตัว โครงการริเริ่มนี้รวบรวมเสียงชั้นนำระดับโลกเพื่อนำเสนอข้อคิดเห็นที่เฉียบคม กระตุ้นความคิด แต่มีหลักฐานรองรับ และมองไปข้างหน้า ในการทำเช่นนั้น โครงการนี้ต้องการมีส่วนร่วมในการกำหนดรูปแบบการกำกับดูแลที่ยืดหยุ่น ครอบคลุม และโปร่งใส พร้อมรับมือกับความท้าทายในอนาคต
ดูโพสต์ต้นฉบับ Good Farm Animal Welfare Awards.
ข้อจำกัดความรับผิดชอบ
ข้อมูล ความคิดเห็น และข้อเสนอแนะที่นำเสนอในบล็อกของแขกรับเชิญนั้น เป็นความคิดเห็นของผู้เขียนแต่ละท่าน และไม่จำเป็นต้องสะท้อนถึงค่านิยมและความเชื่อของสภาวิทยาศาสตร์ระหว่างประเทศ
อ่านเพิ่มเติมเกี่ยวกับเทคโนโลยีใหม่และการเปลี่ยนแปลง อ่านเพิ่มเติมเกี่ยวกับวิทยาศาสตร์สมัยใหม่: ปัจจัยขับเคลื่อนการเปลี่ยนแปลงทางด้านภูมิรัฐศาสตร์ เทคโนโลยี และสังคม อ่านเพิ่มเติมเกี่ยวกับวิทยาศาสตร์ที่เป็นระบบในยุค AI: เรากำลังหลับใหลอยู่หรือเปล่า? 
อ่านเพิ่มเติมเกี่ยวกับ Pacific Academy of Sciences เปิดตัวแพลตฟอร์มวิจัยที่ขับเคลื่อนด้วย AI เป็นครั้งแรก และรายงานการประเมินการวิจัยและพัฒนาในระดับภูมิภาค 