DI tyrimai: svarbiausi moksliniai straipsniai ir geriausi įrankiai tyrėjams (+ geroji praktika)

Dirbtinio intelekto (DI) tyrimai apima dvi sritis: DI tyrėjų paskelbtus rezultatus ir praktinį DI taikymą, padedantį atlikti tyrimus įvairiose disciplinose.

Pirmoji šio straipsnio dalis – svarbiausių DI tyrimų etapų chronologija. Joje taip pat pateikiami svarbiausi naujausi moksliniai darbai ir šios srities priešakyje esančių institucijų apžvalga.

Antroji – nuoseklus vadovas, kaip efektyviai naudoti DI kaip tyrimų įrankį, su geriausių įrankių reitingu ir sąžininga privalumų bei trūkumų apžvalga.

Svarbiausių DI mokslinių darbų ir etapų chronologija

Praktiškai neįmanoma aprėpti visų iki šiol paskelbtų svarbių DI mokslinių darbų. Per pastarąjį dešimtmetį ši sritis augo precedento neturinčiu tempu. Remiantis Stanfordo universiteto 2026 m. „AI Index“ ataskaita, vien 2024 m. visame pasaulyje buvo paskelbta 257 890 DI publikacijų.

Padidinti

Vis dėlto yra keletas istoriškai fundamentalių etapų ir nemažai itin svarbių naujausių publikacijų.

Glausta chronologija: 12 fundamentalių DI mokslinių darbų

• 1943 m.: McCulloch ir Pitts paskelbia straipsnį „A Logical Calculus of the Ideas Immanent in Nervous Activity“, kuriame pristato pirmąjį matematinį nervų sistemos veikimo modelį. Šiame modelyje neuronai traktuojami kaip funkcijos, kurios gauna įvestis ir pagal logines taisykles generuoja išvestis.
• 1950 m.: Alan Turing paskelbia straipsnį „Computing Machinery and Intelligence“ žurnale Mind. Jame imitacijos žaidimas (paprastai vadinamas Tiuringo testu) pristatomas kaip būdas apibrėžti mašinų intelektą.
• 1956 m.: Dartmuto vasaros tyrimų projektas, vadinamasis „Dartmuto seminaras“, oficialiai įtvirtina dirbtinį intelektą kaip mokslinių tyrimų sritį. Pradinis 1955 m. pasiūlymas 2006 m. buvo perspausdintas žurnale AI Magazine.
• 1958 m.: Frank Rosenblatt paskelbia straipsnį „The perceptron: a probabilistic model for information storage and organization in the brain“. Jame jis pristato fundamentalų mokymosi modelį, pagrįstą „hipotetine nervų sistema, vadinama perceptronu“.
• 1986 m.: Rumelhart, Hinton ir Williams paskelbia straipsnį „Learning representations by back-propagating errors“ žurnale Nature. Jame aprašomas algoritminis metodas, vadinamas atgaliniu sklidimu (angl. backpropagation), skirtas daugiasluoksniams neuroniniams tinklams mokyti. Šis metodas patobulino parametrų koregavimo būdą.
• 1997 m.: Hochreiter ir Schmidhuber paskelbia straipsnį „Long Short-Term Memory“ žurnale Neural Computation. Jame aprašoma neuroninio tinklo architektūra, leidžianti tinklui išlaikyti informaciją gerokai ilgesnį laiką.
• 2009 m.: Tyrėjai paskelbia straipsnį „ImageNet: A large-scale hierarchical image database“, kuriuo oficialiai pristatoma ImageNet – milijonų pažymėtų vaizdų duomenų bazė, skirta DI sistemoms mokyti ir vertinti.
• 2014 m.: Ian Goodfellow su kolegomis paskelbia straipsnį „Generative Adversarial Nets“. Jame aprašomas metodas, leidžiantis DI sistemoms generuoti tikrovišką turinį, ypač vaizdus.
• 2016 m.: DeepMind tyrėjai paskelbia straipsnį „Mastering the game of Go with deep neural networks and tree search“ žurnale Nature. Straipsnyje pristatyta dirbtinio intelekto sistema AlphaGo vėliau įveikia vieną geriausių profesionalių go žaidėjų Lee Sedol.
• 2017 m.: Google tyrėjai paskelbia straipsnį „Attention Is All You Need“, kuriame aprašoma transformerio architektūra, šiandien sudaranti daugumos šiuolaikinių didžiųjų kalbos modelių pagrindą.
• 2020 m.: OpenAI tyrėjai paskelbia straipsnį „Language Models Are Few-Shot Learners“. Jie įrodo, kad kalbos modelių mastelio didinimas (pagrindinių komponentų dydžio didinimas nekeičiant kodo) pagerina jų gebėjimą veiksmingai atlikti įvairias užduotis.
• 2022 m.: OpenAI lapkričio 30 d. pristato ChatGPT ir pokalbių generatyvinį DI paverčia plačiai naudojama technologija.

Šeši svarbūs naujausi DI tyrimų pasiekimai (2025–2026 m.)

• 2025 m.: Deepseek tyrėjai paskelbia straipsnį „DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning“. Jame parodoma, kad pažangūs protavimo gebėjimai gali atsirasti taikant skatinamąjį mokymąsi (RL).
• 2025 m.: Tyrėjai paskelbia straipsnį „s1: Simple Test-Time Scaling“. Jame parodoma, kad protavimo našumą įmanoma pagerinti naudojant palyginti nedidelius mokymo išteklius.
• 2025 m.: Google DeepMind tyrėjai paskelbia straipsnį „AlphaEvolve: A coding agent for scientific and algorithmic discovery“. AlphaEvolve – Gemini pagrįsta sistema, kuri savarankiškai kuria ir tobulina sudėtingus algoritmus.
• 2025 m.: Google DeepMind pristato Genie 3 – pasaulio modelį, galintį generuoti virtualias aplinkas, kuriose galima judėti.
• 2026 m.: Google DeepMind tyrėjai paskelbia straipsnį „Advancing regulatory variant effect prediction with AlphaGenome“ žurnale Nature. Jame pristatomas AlphaGenome – DI modelis, prognozuojantis, kaip DNR sekų pokyčiai veikia genų funkcionavimą; tikimasi, kad jis bus plačiai pritaikytas medicinoje.
• 2026 m.: Tyrėjai paskelbia straipsnį „Accelerating scientific discovery with Co-Scientist“ žurnale Nature. Jame pristatoma daugiaagentė DI sistema, galinti generuoti ir tobulinti mokslines hipotezes, kad padėtų mokslininkams „atrasti naujų originalių žinių“.

Pagrindinių DI tyrimų institucijų apžvalga

Tyrimų rezultatus pateikia įvairios įmonės ir viešosios organizacijos. Didelę dalį naujų tyrimų atlieka specializuoti mokslinių tyrimų institutai, kurių daugelis susiję su geriausiais universitetais. Vis dėlto svarbų vaidmenį atlieka ir korporacijos bei su jomis susijusios DI laboratorijos.

Kaip plačiai DI naudojamas kaip tyrimų įrankis?

Tiek populiarūs DI pokalbių robotai (Perplexity, ChatGPT, Claude ir kt.), tiek specializuotos platformos, sukurtos remiantis pagrindiniais modeliais, plačiai naudojami daugelyje daug tyrimų reikalaujančių disciplinų.

Didelio masto Microsoft tyrimas, kurio metu išnagrinėta 5,5 mln. Copilot sesijų, atskleidė įvairias su tyrimais susijusias užduotis atradimo, sintezės ir analizės srityse.

Štai keturi pagrindiniai būdai, kaip specialistai naudoja DI tyrimams:

• Informacijos paieška: ankstyvojo etapo tyrinėjimas (bendrieji klausimai); aktualių tyrimų paieška; pagalba atsakant į techninius klausimus.
• Analizė: turinio apibendrinimas; duomenų agregavimas, interpretavimas ir pateikimas.
• Sprendimų priėmimas ir strategijos kūrimas: DI naudojimas variantams (pvz., programinei įrangai) palyginti; pagalbinės informacijos, padedančios priimti sprendimus, paieška.
• Vertinimas ir diagnostika: duomenų rinkimas apie sistemą ar programą, kurioje reikia šalinti triktis.

Atminkite, kad šios užduotys neapsiriboja akademiniu pasauliu. Žurnalistai, rinkos tyrėjai, teisininkai, finansų analitikai, sveikatos priežiūros specialistai ir kiti – tai tik keli pavyzdžiai specialistų, kurie reguliariai naudoja DI tyrimams.

DI naudojimo tyrimuose privalumai ir trūkumai

Nors neabejotina, kad DI plačiai naudojamas kaip tyrimų įrankis, dėl jo privalumų ir trūkumų vyksta rimtos diskusijos. Didžioji dalis kritikos sutelkta į, regis, neįveikiamą haliucinacijų problemą.

Kadangi nuo tyrimų dažnai labai daug priklauso, visų sričių specialistams svarbu suprasti, kuo DI tyrimų įrankiai pranašūs, o kur jų galimybės ribotos.

Privalumai

• Pasikartojančias tyrimų užduotis, pavyzdžiui, literatūros atranką ir duomenų valymą, galima iš dalies arba visiškai automatizuoti.
• Ne specialistai gali pasiekti techninę informaciją, nepriklausančią jų sričiai.
• Tyrėjai gali greitai patikrinti ankstyvojo etapo tyrimų hipotezes atlikdami DI modeliavimą.
• DI naudingas kvestionuojant prielaidas ir pateikiant įrodymais pagrįstas alternatyvas net ir gerai išplėtotoms pozicijoms.

Trūkumai

• Haliucinacijos tebėra didelė problema, o apsaugos priemonės jos visiškai neišsprendžia.
• Aukštesnio lygio tyrimams informacijos niuansai gali būti labai svarbūs, o didieji kalbos modeliai (LLM) dažnai pernelyg supaprastina sudėtingas temas.
• Įrodyta, kad per didelis pasikliovimas DI silpnina kritinio mąstymo ir savarankiškos analizės įgūdžius.
• Nors DI gerai apibendrina informaciją, jis neaprėpia visko ir gali praleisti svarbius informacijos šaltinius bei tyrimus.

DI kaip tyrimų įrankio pavyzdys: Perplexity akademinės paieškos funkcija

Pažiūrėkime, kaip galėtų atrodyti paprastas tyrimo procesas. Perplexity – tyrėjų mėgstamas įrankis, nes suteikia prieigą prie kelių trečiųjų šalių modelių, kurių kiekvienas turi savų stipriųjų pusių, taip pat išsamių žiniatinklio ir akademinių tyrimų įrankių.

Padidinti

Šiame pavyzdyje paprašau GPT 6.1-Sol padėti man atlikti rinkos tyrimą Z kartai skirto produkto pristatymui. Jis pateikia naujausių tyrimų santrauką, nuorodą į šaltinius ir patikimumo indikatorių.

Padidinti

Tada paprašau jo sugeneruoti Z kartos rinkodaros nuostatų grafiką pagal duomenis, kuriuos jis suranda žiniatinklyje. Jei noriu, galiu įkelti ir savo duomenis.

Padidinti

Šiuos rezultatus būtina peržiūrėti ir patikrinti faktus. Vis dėlto šis paprastas pavyzdys parodo, kaip procesas, kuris lengvai galėjo užtrukti kelias valandas, gali būti sutrumpintas iki kelių minučių.

Geriausias DI tyrimams: populiariausi įrankiai tyrėjams

DI tyrimų įrankius galima suskirstyti į dvi plačias kategorijas: bendrosios paskirties pokalbių robotus su tyrimų funkcijomis ir specializuotas platformas, padedančias atlikti akademinius tyrimus.

Dauguma specialistų, atliekančių neakademinius tyrimus, pastebės, kad jiems geriausiai tinka bendrosios paskirties DI įrankis. Akademikams skirti pagrindinių paslaugų teikėjų įrankiai yra labai panašūs. Jūsų pasirinkimas greičiausiai priklausys nuo užduoties apimties ir pageidavimų dėl smulkių funkcijų.

Bendrosios paskirties DI įrankiai

• Perplexity: suteikia prieigą prie daugelio trečiųjų šalių teikėjų modelių ir integruojasi su įvairiomis išorinėmis paslaugomis. Funkcijos apima akademinius tyrimus, giluminį tyrimą, šaltinių nurodymą ir duomenų analizę.
• ChatGPT, Claude ir Gemini: tai pirmaujantys populiarieji DI įrankiai su profesionalams ir įmonėms skirtomis funkcijomis, siūlantys panašų tyrimų įrankių rinkinį. Funkcijos apima paiešką žiniatinklyje, giluminį tyrimą, dokumentų analizę, duomenų analizę ir multimodalines galimybes. Jie taip pat siūlo integracijas su išorinėmis programomis ir paslaugomis.

Specializuoti tyrimų įrankiai

• Semantic Scholar: tai nemokama akademinės literatūros paieškos sistema, kurią sukūrė Alleno DI institutas (Ai2). Ji labai panaši į Google Scholar, tačiau turi daugiau DI funkcijų. Daugeliui DI įrankių ji yra pagrindinis akademinės literatūros šaltinis, tačiau pati savaime nėra specializuotas įrankis.
• Elicit ir SciSpace: šie įrankiai padeda akademinių tyrimų šaltinių paieškos etape ir sulaukė pagyrų už atrankos ir sintezės funkcijas. Tyrėjai juos naudoja struktūrizuotai informacijai išgauti ir didelių tyrimų rinkinių išvadoms apibendrinti. SciSpace galima naudoti kaip integraciją su ChatGPT.
• ResearchRabbit ir Connected Papers: abu šie įrankiai skirti literatūros apžvalgai ir yra labai vertinami dėl vizualaus žemėlapių kūrimo funkcijų. Jie sukurti ilgalaikiams projektams ir literatūros apžvalgoms, kai svarbiausia rasti panašius tyrimus ir atvaizduoti straipsnių tarpusavio ryšius. Juos naudojant reikia daug žmogaus indėlio ir priežiūros.
• Scite ir Consensus: tokie įrankiai kaip ResearchRabbit ir Connected Papers skirti aktualiai literatūrai atrasti ir susidaryti temos apžvalgą. O Scite ir Consensus daugiausia dėmesio skiria tiksliniam vertinimui: jie padeda naudotojams nustatyti, ar konkretų teiginį pagrindžia dabartiniai įrodymai. Juose dažnai būna ir platesnių literatūros apžvalgos funkcijų, tačiau jos nėra pagrindinis šių įrankių akcentas.

Kaip naudoti DI tyrimams: 7 žingsnių sistema

Padidinti

Norint veiksmingai naudoti DI kaip tyrimų įrankį, svarbiausia jį vertinti kaip esamų procesų papildymą, o ne jų pakaitalą. Taip pat svarbu atsižvelgti į teisinius apribojimus, ypač įkeliant neskelbtinus duomenis.

1. Apskaičiuokite numatomą tyrimo trukmę

Suplanuokite tyrimo procesą taikydami įprastus metodus. Tada įvertinkite, kur DI galėtų perimti šaltinių paieškos, sintezės ir analizės užduotis.

Apskaičiuokite, kiek laiko užtruks parašyti užklausas ir patikrinti rezultatus. Atliekant dideles literatūros apžvalgas, DI gali lengvai sutaupyti valandų ar net dienų. Tačiau sprendžiant mažesnius, siauresnius klausimus, jis turi mažai pranašumų prieš paiešką rankiniu būdu.

2. Pasirinkite tinkamus įrankius (specializuotus ar bendrosios paskirties)

Nustatykite, ar specializuota tyrimų platforma turi kokių nors pranašumų, palyginti su bendrosios paskirties asistentu, pavyzdžiui, Perplexity. Atkreipkite dėmesį į atskiras tyrimų funkcijas ir į tai, kaip gerai įrankis aprėpia jūsų sritį.

Jei renkatės specializuotą įrankį, pasirinkite tokį, kuris sukurtas būtent jūsų užduotims. Pavyzdžiui, tokie įrankiai kaip Elicit padeda atlikti struktūrizuotas literatūros apžvalgas, o Scite analizuoja, kaip cituojami moksliniai straipsniai.

3. Patikrinkite, ar įrankio naudojimo sąlygos leidžia jį naudoti numatytu tikslu

Peržiūrint teikėjo naudojimo sąlygas, reikia atkreipti dėmesį į du dalykus. Pirma, į tai, kaip naudojami jūsų duomenys ir ar jie išlieka visiškai konfidencialūs. Antra, į sąlygas, reglamentuojančias rezultatų nuosavybės teises.

Nemanykite, kad mokamas planas automatiškai užtikrina duomenų konfidencialumą ar neribotas naudojimo teises.

4. Išsiaiškinkite, ar jūsų duomenims taikomi teisiniai apribojimai

Ar jūsų pateikiamoje informacijoje bus neskelbtinų duomenų, autorių teisių saugomų dokumentų, konfidencialios verslo informacijos ar nepaskelbtų tyrimų rezultatų?

Svarbu patikrinti, ar galite juos pateikti didžiajam kalbos modeliui (LLM). Gali būti taikomi įvairūs apribojimai – nuo jūsų jurisdikcijoje galiojančių duomenų reglamentų iki įmonės vidaus politikos. Galbūt reikės išsiaiškinti, kaip ir kiek laiko konkretus įrankio teikėjas saugo duomenis. Gali prireikti naudoti patvirtintą įmonėms skirtą platformą.

5. Rašydami užklausas, laikykitės geriausios praktikos

Gerų tyrimų užklausų rašymas – tikras menas. Aiškiai suformuluokite tyrimo klausimą, pateikite svarbų kontekstą ir apibrėžkite rezultato formatą. Atliekant sudėtingas tyrimų užduotis, gali tekti klausimą suskaidyti į dalines užklausas.

Paprašykite aiškiai nurodyti visus naudotus šaltinius, net jei jie nepažymėti rezultate. Tai svarbu, nes DI sugeneruotame atsakyme nebūtinai nurodomi visi naudoti šaltiniai.

6. Patikrinkite visus duomenis, techninius teiginius ir naujausią informaciją

Būtina sutikrinti teiginius su pirminiais šaltiniais. Tai gali būti moksliniai straipsniai, originalūs tyrimai, oficiali statistika ar techninė dokumentacija. Ypatingą dėmesį atkreipkite į skaitinius duomenis, datas, citatas ir nuo laiko priklausančią informaciją, kuri gali būti pasenusi.

Atlikdami tyrimą neturėtumėte manyti, kad jei šaltinis cituojamas, tai juo pagrįstas teiginys yra teisingas ar kad šaltinis apskritai egzistuoja. Atliekant sudėtingus tyrimus, būtent šiame etape patikrinama, ar teisingai perteikti teiginių ir santraukų niuansai.

7. Atskleiskite, kad naudojote DI

Susipažinkite su savo darbdavio, akademinės institucijos ar atitinkamos profesinės organizacijos informacijos atskleidimo reikalavimais. Juose rasite, kokia apimtimi turite atskleisti DI naudojimą.

Srityse, kuriose taikomi griežti reglamentai ir praktikos kodeksai, paprastai reikalaujama išsamesnio informacijos atskleidimo. Saugokite DI padedant atliktos veiklos įrašus (platformos paprastai saugo audito žurnalą).

Ar etiška naudoti DI tyrimams ir kas laukia toliau?

Pagalba atliekant tyrimus tapo vienu pagrindinių DI naudojimo atvejų, ir nesunku suprasti kodėl. DI gali apdoroti didelius sudėtingos informacijos kiekius, automatizuoti daug laiko reikalaujančias pasikartojančias užduotis ir būti mąstymo partneriu plėtojant ankstyvosios stadijos idėjas ir hipotezes.

Vis dėlto problemų išlieka. Visų pirma, etiškas DI naudojimas moksliniuose tyrimuose šiuo metu yra viena aktyviausiai aptarinėjamų ir labiausiai ginčytinų temų akademinėse institucijose.

Haliucinacijų dažnis priklauso nuo temos sudėtingumo, o daugelis pirmaujančių inžinierių jas laiko sunkiai sprendžiama problema, kurios neįmanoma visiškai pašalinti. Be to, žinoma, kad DI naudojimas silpnina mąstymo įgūdžius, kurie itin svarbūs sudėtingus tyrimus atliekantiems specialistams.

Organizacijos taip pat gali drausti naudoti DI dėl privatumo ir intelektinės nuosavybės priežasčių arba dėl susirūpinimo neskelbtinų duomenų sauga. Be to, informacijos atskleidimas tebėra svarbus, kad recenzentai ir kolegos galėtų suprasti, kaip DI buvo naudojamas tyrimo procese.

DI ir toliau vis labiau taps įprasta kasdienio gyvenimo dalimi tiek privačioje, tiek viešojoje sferoje. Todėl labai tikėtina, kad aiškesnės mokslinių tyrimų sąžiningumo ir autorystės nurodymo taisyklės toliau tobulės ir taps vis išsamesnės.