Mėnuo: 2025 kovo

Kai mokslas pradeda galvoti greičiau nei žmogus

Prisimenu, kaip prieš kokius dešimt metų mokslininkai juokaudavo, kad dirbtinis intelektas – tai tik fantastinių filmų rekvizitas. Šiandien, 2026-aisiais, niekas jau nebejuokia. Laboratorijose, tyrimų centruose, net universitetų rūsiuose, kur kadaise studentai naktimis gėrė kavą ir rankiniu būdu analizavo duomenis, dabar ūžia serveriai su AI sistemomis. Ir tai nėra paprastas technologinis patobulėjimas – tai fundamentalus poslinkis, keičiantis pačią mokslo esmę.

Dirbtinis intelektas šiandien ne tik padeda mokslininkai dirbti greičiau. Jis keičia tai, kaip mes užduodame klausimus, kokius ryšius pastebime ir kokius atradimus apskritai galime padaryti. Jei anksčiau mokslinis atradimas buvo tarsi kruopštus archeologinis kasimas – sluoksnis po sluoksnio, metai po metų – tai dabar tai labiau primena skrydį dronu virš milžiniško kraštovaizdžio, kur per kelias minutes pamatai tai, ko kitaip nebūtum pastebėjęs per visą gyvenimą.

Vaistų kūrimas: nuo dešimtmečių iki mėnesių

Farmacijos industrija – viena ryškiausių sričių, kur AI poveikis tiesiog akivaizdus. Tradiciškai naujo vaisto sukūrimas užtrukdavo 10-15 metų ir kainuodavo milijardus dolerių. Dauguma kandidatų žlugo klininiuose tyrimuose, o kiekvienas nesėkmė reiškė dar kelis prarastus metus ir šimtus milijonų.

2026 metais situacija kardinaliai pasikeitė. AI sistemos dabar gali per kelias savaites išanalizuoti milijonus molekulinių struktūrų ir numatyti, kurios iš jų turi didžiausią potencialą tapti veiksmingais vaistais. Bet svarbiausia – jos gali prognozuoti šalutinius poveikius ir sąveikas su kitais vaistais dar iki to, kai molekulė pateks į laboratoriją.

Štai konkretus pavyzdys: praėjusiais metais Oksforde sukurtas naujas antibiotikų klasės vaistas, veikiantis prieš daugiausiai atsparių bakterijų, buvo identifikuotas per AI sistemą vos per 8 mėnesius. Tradiciniais metodais tokio vaisto paieška būtų užtrukusi mažiausiai 5-7 metus. Sistema išanalizavo per 280 milijonų molekulinių struktūrų ir surado vieną, kuri veikia visiškai nauju mechanizmu – tokiu, apie kurį žmonės mokslininkai net negalvojo.

Klimato modeliavimas ir aplinkosauga: kai skaičiavimai tampa tikrove

Klimato mokslas visada buvo duomenų intensyvi sritis. Tūkstančiai matavimo stočių, palydovai, okeanų plūdurai, atmosferos zondai – visa tai generuoja neįsivaizduojamus duomenų kiekius. Anksčiau mokslininkai galėjo sukurti tik palyginti paprastus modelius, nes sudėtingesni reikalavo per daug skaičiavimo galios.

Dabar, 2026-aisiais, AI sistemos ne tik apdoroja šiuos duomenis – jos randa sudėtingus ryšius tarp skirtingų klimato sistemų, kuriuos žmonės tiesiog negalėjo pastebėti. Pavyzdžiui, neseniai AI sistema atrado netikėtą ryšį tarp Amazonės miškų drėgmės ir Vakarų Afrikos lietaus sezonų – ryšį, kuris veikia per sudėtingą atmosferos cirkuliacijos grandinę. Šis atradimas visiškai pakeitė mūsų supratimą apie globalines klimato sistemas.

Be to, AI leidžia kurti daug tikslesnes prognozes. Jei anksčiau klimato modeliai galėjo prognozuoti tik bendras tendencijas dešimtmečiams į priekį, tai dabar galime gana tiksliai numatyti ekstremalių orų reiškinių tikimybę konkrečiuose regionuose konkrečiais metais. Tai ne tik akademinis pasiekimas – tai informacija, kuri gelbsti gyvybes ir padeda planuoti infrastruktūrą.

Genomo tyrimai: kai DNR kalba su mumis AI kalba

Žmogaus genomo sekos iššifravimas 2003 metais buvo laikomas didžiausiu XXI amžiaus mokslo laimėjimu. Bet tuomet mes tik perskaitėme tekstą – nesupratome, ką jis reiškia. Trys milijardai bazinių porų buvo tarsi knyga nežinoma kalba.

Šiandien AI sistemos pradeda šią kalbą suprasti. Jos ne tik identifikuoja genus, atsakingus už konkrečias ligas – jos atskleidžia sudėtingus genų sąveikos tinklus, epigenetinius mechanizmus, reguliacinius kelius. 2025 metais AI sistema atrado visiškai naują genų reguliacijos mechanizmą, kuris veikia per tarpinę RNR struktūrą – mechanizmą, kurį mokslininkai praleido pro akis dešimtmečius, nes jis buvo per sudėtingas pastebėti tradiciniais metodais.

Personalizuota medicina, apie kurią kalbėjome kaip apie ateitį, dabar tampa realybe. AI sistemos gali išanalizuoti paciento genomą, jo mikrobiomą, gyvenimo būdo duomenis ir pasiūlyti individualų gydymo planą. Tai jau ne teorija – kelios didžiosios ligoninės Europoje ir JAV naudoja tokias sistemas kasdienėje praktikoje.

Materialų mokslas: naujos medžiagos gimsta kompiuteryje

Naujų medžiagų kūrimas tradiciškai buvo labai lėtas procesas. Mokslininkai turėjo bandyti tūkstančius skirtingų elementų kombinacijų, tikėdamiesi rasti kažką įdomaus. Tai buvo tarsi ieškoti adatos šieno kupetoje – tik šieno kupeta buvo dydžio su Everestą.

AI fundamentaliai pakeitė šį procesą. Sistemos dabar gali prognozuoti medžiagų savybes remiantis jų atomine struktūra, nereikalaujant faktiškai jų sukurti laboratorijoje. 2026 metais jau turime kelias revoliucines naujas medžiagas, kurios buvo „atrastos” kompiuteryje ir tik paskui susintetintos realybėje.

Vienas įspūdingiausių pavyzdžių – naujas superkonduktorius, veikiantis beveik kambario temperatūroje. AI sistema išanalizavo milijonus galimų kristalo struktūrų ir surado vieną, kuri teoriškai turėjo rodyti superlaidumą daug aukštesnėje temperatūroje nei bet kas anksčiau žinoma. Eksperimentinė sintezė patvirtino prognozes. Tai atradimas, kuris gali pakeisti energetikos, transporto ir kompiuterių industrijas.

Astrofizika ir kosmoso tyrimai: kai AI žiūri į žvaigždes

Teleskopai kasdien renka terabaitų terabaitus duomenų. Anksčiau didelė dalis šių duomenų tiesiog nebuvo analizuojama – nebuvo nei laiko, nei žmogiškųjų išteklių. Mokslininkai turėjo rinktis, į ką žiūrėti, o likusi informacija tiesiog gulėjo archyvuose.

AI pakeitė šią situaciją. Sistemos dabar gali išanalizuoti visus teleskopų duomenis, ieškodamos įdomių anomalijų, naujų objektų, netikėtų reiškinių. 2025 metais AI sistema atrado naują egzoplanetų tipą, analizuodama senus Kepler teleskopo duomenis – duomenis, kuriuos žmonės mokslininkai jau buvo „peržiūrėję”, bet praleido šį subtilų signalą.

Dar įdomiau – AI sistemos dabar padeda kurti naujas teorijas. Analizuodamos kosminių objektų elgesį, jos gali pasiūlyti naujus fizinius mechanizmus, kurie paaiškintų stebimus reiškinius. Žinoma, galutinį žodį vis dar taria žmonės mokslininkai, bet AI tampa vis svarbesniu partneriu teorinėje fizikoje.

Kai greitis tampa problema: kokybės ir etikos klausimai

Bet ne viskas taip rožių spalvų, kaip gali atrodyti. Kai mokslas pradeda judėti tokiu greičiu, atsiranda naujų problemų. Pirmiausia – kokybės kontrolės klausimas. Kai AI sistema per savaitę sugeneruoja tiek hipotezių, kiek anksčiau būtų užtrukę metus, kaip mes galime įsitikinti, kad visos jos yra patikimos?

2025 metais turėjome kelis skandalus, kai skubotai publikuoti AI pagalba gauti rezultatai pasirodė esą klaidingi. Vienas itin garsus atvejis – tariamas atradimas naujo tipo neurotransmiterio, kuris vėliau pasirodė esąs artefaktas dėl neteisingai interpretuotų AI analizės rezultatų. Kelios mokslinės grupės prarado metus laiko, bandydamos pakartoti šiuos rezultatus.

Tai iškėlė svarbų klausimą: ar mes per daug pasitikime AI sistemomis? Ar nepamiršome kritinio mąstymo, aklo tikėdami algoritmo išvadomis? Daugelis mokslo institucijų dabar įveda griežtesnius protokolus AI generuotų rezultatų verifikavimui.

Yra ir etinių klausimų. Kas valdo AI sistemas, naudojamas mokslinėje veikloje? Didelės technologijų korporacijos vis labiau įsitraukia į mokslinius tyrimus, teikdamos savo AI infrastruktūrą. Bet tai reiškia, kad jos turi prieigą prie visų duomenų, visų rezultatų. Ar tai nekelia grėsmės mokslo nepriklausomumui?

Žmogiškasis veiksnys: ar mokslininkai tampa nereikalingi?

Vienas dažniausiai užduodamų klausimų: ar AI neužims mokslininkų darbo vietų? Atsakymas sudėtingesnis nei „taip” ar „ne”. Tikroji situacija – mokslininkų vaidmuo keičiasi, bet jie tikrai netampa nereikalingi.

AI puikiai atlieka tam tikrus dalykus: duomenų analizę, modelių kūrimą, hipotezių generavimą. Bet ji negali užduoti iš tikrųjų svarbių klausimų. Ji negali nuspręsti, kurie tyrimai yra svarbūs visuomenei. Ji negali suprasti platesnio konteksto, etinių implikacijų, filosofinių klausimų.

Geriausiai dirba tie mokslininkai, kurie išmoko dirbti kartu su AI – ne kaip su įrankiu, bet kaip su partneriu. Jie naudoja AI tam, kam ji geriausia, o patys sutelkia dėmesį į tai, kas reikalauja žmogiškojo proto: kūrybiškumą, intuiciją, vertybinių sprendimų priėmimą.

Pastebiu, kad jaunoji mokslininkų karta, kuri pradeda karjerą dabar, 2026-aisiais, jau visiškai kitaip žiūri į AI. Jiems tai ne kažkokia nauja technologija – tai natūrali darbo aplinkos dalis, kaip mikroskopas ar spektrometras. Jie mokosi ne „kaip naudoti AI”, bet „kaip mąstyti kartu su AI”.

Kai ateitis jau čia: kur link judame toliau

Žvelgiant į ateitį, aišku viena – mes tik pradedame. AI sistemos darosi vis galingesnės, vis labiau integruojamos į mokslinį procesą. Bet svarbiausia – jos keičia ne tik mokslo greitį, bet ir jo pobūdį.

Atsiranda visiškai naujų tyrimų krypčių, kurios be AI būtų neįmanomos. Pavyzdžiui, sisteminis visų žmogaus organizmo procesų modeliavimas molekuliniu lygmeniu – tai užduotis, kurią gali atlikti tik AI. Arba klimato, ekonomikos ir socialinių sistemų integruotas modeliavimas, leidžiantis prognozuoti sudėtingus globalius procesus.

Praktiniai patarimai tiems, kurie nori būti šios revoliucijos dalimi? Pirma, mokykitės ne tik savo siauros specializacijos, bet ir bent bazinių AI principų. Jums nereikia tapti programuotojais, bet suprasti, kaip veikia mašininis mokymasis, kokios jo galimybės ir apribojimai – būtina. Antra, ugdykite tas kompetencijas, kuriose žmonės vis dar pranašesni: kritinį mąstymą, kūrybiškumą, etinį vertinimą. Trečia, būkite atviri bendradarbiavimui – tiek su AI sistemomis, tiek su kolegomis iš kitų sričių.

Institucijoms ir universitetams patarimas: investuokite ne tik į AI technologijas, bet ir į žmonių mokymą jas naudoti. Kurkite etines gaires AI naudojimui moksle. Skatinkite atvirumą ir duomenų dalijimąsi, nes AI sistemos veikia geriausiai, kai turi prieigą prie didelių, kokybiškų duomenų rinkinių.

Mokslas visada buvo žmonijos kolektyvinis projektas – būdas kartu siekti tiesos ir supratimo. AI nepaverčia jo mašinų projektu. Priešingai – ji suteikia mums įrankius užduoti dar gilesnius klausimus, tyrinėti dar sudėtingesnius reiškinius, daryti dar reikšmingesnius atradimus. Bet galutinė atsakomybė už tai, kaip naudojame šiuos įrankius, kokius klausimus užduodame ir kokius atsakymus priimame – vis dar lieka mums, žmonėms. Ir tai, manau, yra gerai.

Kai mokslas sutinka dirbtinį intelektą: nauja realybė laboratorijose

Prisimenu, kaip prieš kelerius metus mokslininkams tekdavo mėnesius praleisti analizuojant duomenis, kuriuos dabar dirbtinis intelektas apdoroja per kelias valandas. 2026 metais mes jau nebekalbame apie ateitį – mes gyvename joje. Ir tiesą sakant, tai, kas vyksta mokslo pasaulyje, yra tiesiog stulbinantis reiškinys.

Šiandien dirbtinis intelektas nėra tik pagalbinė priemonė – jis tapo visaverčiu tyrimų partneriu. Vaistų kūrimo kompanijos, kurios anksčiau praleisdavo 10-15 metų kuriant vieną vaistą, dabar šį procesą sutrumpina iki 3-5 metų. Astrofizikai aptinka reiškinius, kurių žmogaus akis niekada nepastebėtų. O genetikai? Jie iššifruoja sudėtingiausius genomo kodus greičiau nei spėjame ištarti „CRISPR”.

Duomenų vandenynas: kaip AI padeda neskęsti informacijos sraute

Įsivaizduokite tokią situaciją: jūsų laboratorija per vieną dieną sugeneruoja daugiau duomenų nei galėtumėte išanalizuoti per metus. Skamba pažįstamai? Tai kasdienybė daugeliui šiuolaikinių mokslininkų.

Štai kur dirbtinis intelektas tampa tikru gelbėtoju. Paimkime konkretų pavyzdį – Europos branduolinių tyrimų organizacija CERN. Jų Didysis hadronų greitintuvas kas sekundę generuoja milijardus duomenų taškų. Anksčiau mokslininkai turėdavo atrinkti tik nedidelę dalį šių duomenų analizei. Dabar? AI sistemos realiu laiku apdoroja visą informacijos srautą, atpažįsta modelius ir net prognozuoja, kur gali slypėti įdomiausi atradimų.

Bet tai ne tik didelių organizacijų privilegija. Net nedidelės tyrimų grupės universitetuose dabar gali naudoti debesų kompiuterijos paslaugas su integruotais AI įrankiais. Mokslininkas iš Vilniaus universiteto gali turėti tokią pat prieigą prie galingų analizės įrankių kaip ir jo kolega iš Stanfordo.

Hipotezių generatorius: kai mašina mąsto už kampų

Čia prasideda tikrai įdomūs dalykai. Tradiciškai moksliniai tyrimai veikė taip: mokslininkas turi idėją, sukuria hipotezę, atlieka eksperimentus, analizuoja rezultatus. Šis procesas gali užtrukti mėnesius ar net metus.

2026 metais dirbtinis intelektas ne tik padeda šiame procese – jis aktyviai generuoja naujas hipotezes, apie kurias žmonės net nepagalvotų. Kaip tai veikia? AI sistemos analizuoja tūkstančius mokslinių straipsnių, identifikuoja ryšius tarp skirtingų tyrimų sričių ir siūlo visiškai naujus tyrimo kryptis.

Pavyzdžiui, viena farmacijos kompanija naudojo AI sistemą, kuri išanalizavo visus pasaulyje publikuotus vėžio tyrimų straipsnius. Sistema aptiko, kad tam tikras vaistas, skirtas širdies ligoms gydyti, gali turėti netikėtą poveikį vėžio ląstelėms. Mokslininkai niekada nebūtų pagalvoję apie šį ryšį, nes tai buvo visiškai skirtingos medicinos sritys. Rezultatas? Prasidėjo nauji klinikiniai tyrimai, kurie dabar rodo itin žadančius rezultatus.

Eksperimentų automatizacija: kai robotai dirba 24/7

Jei manote, kad AI tik skaičiuoja ir analizuoja duomenis, turiu jus nustebinti. Šiuolaikinės laboratorijos vis labiau primena mokslinės fantastikos filmus. Robotai, valdomi dirbtinio intelekto, atlieka eksperimentus be pertraukos, naktį ir dieną, savaitgaliais ir švenčių dienomis.

Bet tai ne tik apie greitį. AI valdomi robotai yra neįtikėtinai tikslūs ir nuoseklūs. Jie nedaro klaidų dėl nuovargio, nepamiršta užrašyti svarbių parametrų ir gali atlikti tūkstančius kartojimų su absoliučiu tikslumu. Tai reiškia, kad eksperimentų rezultatai tampa patikimesni ir lengviau atkartojami.

Viena biotechnologijų laboratorija Vokietijoje įdiegė visiškai automatizuotą sistemą, kuri per savaitę gali išbandyti daugiau molekulinių kombinacijų nei anksčiau per metus. Sistema pati planuoja eksperimentus, juos atlieka, analizuoja rezultatus ir net siūlo, ką bandyti toliau. Mokslininkai dabar gali sutelkti dėmesį į strateginį mąstymą ir kūrybiškumą, o rutininį darbą palieka mašinoms.

Bendradarbiavimo revoliucija: kaip AI jungia mokslininkus visame pasaulyje

Vienas įdomiausių 2026 metų pokyčių – tai kaip dirbtinis intelektas keičia mokslininkų bendradarbiavimą. Anksčiau tyrėjai dažnai dirbo izoliuotai, net nežinodami, kad kažkas kitame pasaulio krašte sprendžia panašią problemą.

Dabar turime AI platformas, kurios veikia kaip globalūs mokslo tinklai. Jos automatiškai identifikuoja tyrėjus, dirbančius panašiose srityse, siūlo bendradarbiavimo galimybes ir net padeda įveikti kalbos barjerus. Kinijos mokslininkas gali realiu laiku bendradarbiauti su kolega iš Brazilijos, o AI sistema užtikrina sklandų komunikaciją ir duomenų mainus.

Dar įdomiau – šios sistemos mokosi iš sėkmingų bendradarbiavimo pavyzdžių. Jos gali prognozuoti, kurios tyrimų grupės kartu pasiektų geriausių rezultatų, remiantis jų kompetencijomis, tyrimų metodais ir net darbo stiliais. Tai kaip mokslinė „Tinder” platforma, tik vietoj pasimatymų ji siūlo mokslines partnerystes.

Klaidos ir ribojimai: ką AI dar negali

Būkime sąžiningi – dirbtinis intelektas nėra stebuklingas sprendimas visoms problemoms. Yra dalykų, kuriuos jis vis dar daro prastai arba visai negali padaryti.

Pirma, AI sistemos yra tik tokios geros, kokie duomenys naudojami joms mokyti. Jei duomenys yra šališki ar neišsamūs, ir rezultatai bus atitinkami. Vienas tyrimų centras susiduriė su problema, kai jų AI sistema nuolat siūlė hipotezes, kurios jau buvo išbandytos ir atmestos – tiesiog todėl, kad sistema neturėjo prieigos prie nepublikuotų nesėkmingų eksperimentų duomenų.

Antra, dirbtinis intelektas negali pakeisti žmogiškos intuicijos ir kūrybiškumo. Kai kurie didžiausi moksliniai atradimų gimė iš netikėtų įžvalgų, „aha!” momentų, kurie kyla iš giliausio žmogaus sąmonės. AI gali pamatyti modelius, bet ji negali „pajusti”, kad kažkas yra teisinga ar įdomi kryptis.

Trečia, etinės dilemos. Kas atsako už sprendimus, kuriuos priima AI? Jei sistema rekomenduoja tam tikrą tyrimų kryptį, kuri vėliau pasirodo žalinga, kas neša atsakomybę? Šie klausimai vis dar nėra visiškai išspręsti.

Praktiniai patarimai tyrėjams: kaip pradėti naudoti AI savo tyrimuose

Gerai, pakalbėkime apie konkrečius dalykus. Jei esate mokslininkas ar tyrėjas ir norite pradėti naudoti dirbtinį intelektą savo darbe, štai keletas praktinių rekomendacijų:

Pradėkite nuo paprastų dalykų. Nebandykite iš karto įdiegti sudėtingų sistemų. Pradėkite nuo AI įrankių, skirtų literatūros analizei ar duomenų vizualizacijai. Platformos kaip „Semantic Scholar” ar „Iris.ai” gali žymiai palengvinti mokslinių straipsnių paiešką ir analizę.

Investuokite į mokymąsi. Jums nereikia tapti programuotoju, bet bazinė AI ir mašininio mokymosi principų supratimas yra būtinas. Daugelis universitetų dabar siūlo trumpalaikius kursus, specialiai pritaikytus mokslininkams.

Bendradarbiaukite su duomenų mokslininkais. Jūs esate savo srities ekspertas, bet jums reikia žmonių, kurie supranta AI. Kurkite interdisciplinines komandas. Geriausi rezultatai pasiekiami, kai domenų žinios susitinka su technine kompetencija.

Būkite kritiškai nusiteikę. Netikėkite aklai AI rezultatais. Visada tikrinkite, ar jos išvados turi prasmę jūsų srities kontekste. AI yra įrankis, ne orakulas.

Dalinkitės duomenimis ir metodais. Kuo daugiau tyrėjų dalinasi savo duomenimis ir AI modeliais, tuo greičiau visa mokslo bendruomenė progresuoja. Apsvarstykite galimybę publikuoti ne tik savo rezultatus, bet ir naudotus algoritmus.

Kai ateitis tampa dabartimi: ko tikėtis artimiausiais metais

Žvelgiant į ateitį, tendencijos yra aiškios. Dirbtinis intelektas taps dar labiau integruotas į mokslinių tyrimų procesą. Mes jau matome, kaip didelės technologijų kompanijos investuoja milijardus į AI mokslo tyrimams. Google, Microsoft, Amazon – visi jie kuria specializuotas platformas mokslininkams.

Bet įdomiausia tai, kad demokratizacija vyksta tikrai sparčiai. Prieš kelerius metus galingos AI sistemos buvo preinamos tik dideliems tyrimų centrams su milžiniškais biudžetais. Dabar net individualūs tyrėjai ar mažos laboratorijos gali naudoti pažangius įrankius už prieinamą kainą arba net nemokamai.

Taip pat matome, kaip AI pradeda spręsti didžiausias žmonijos problemas. Klimato kaita, naujų ligų atsiradimas, maisto saugumas – visos šios sritys gauna didžiulę naudą iš AI pagreitintų tyrimų. Pavyzdžiui, AI sistemos dabar gali modeliuoti klimato pokyčius su neregėtu tikslumu, padedančios mokslininkams suprasti ir prognozuoti sudėtingus atmosferos procesus.

Kalbant apie kokybę – čia irgi matome akivaizdžią pažangą. AI sistemos padeda aptikti klaidas tyrimuose, identifikuoti statistinius anomalijas ir net prognozuoti, ar rezultatai bus atkartojami. Tai sprendžia vieną didžiausių šiuolaikinio mokslo problemų – atkartojimo krizę, kai daugelis publikuotų tyrimų negali būti sėkmingai pakartoti.

Žinoma, yra ir iššūkių. Etiniai klausimai, duomenų privatumas, intelektinės nuosavybės problemos – visa tai reikalauja dėmesio ir reguliavimo. Bet bendra kryptis yra aiški: dirbtinis intelektas ne pakeičia mokslininkų, o suteikia jiems supervalstybes.

Galų gale, tai, ką matome 2026 metais, yra ne mokslo pabaiga, o nauja jo era. Era, kai žmogaus kūrybiškumas ir intuicija susitinka su mašinų skaičiavimo galia ir nenuovargstamu darbštumu. Ir šis derinys jau dabar kuria atradimus, kurie dar prieš dešimtmetį atrodė neįmanomi. Ar esame pasirengę šiam naujam mokslo amžiui? Atsakymas yra paprastas – mes jau jame gyvename, ir geriausia, ką galime padaryti, tai išmokti maksimaliai išnaudoti šias naujas galimybes.

Kai mašinos pradeda mąstyti greičiau už mus

Sėdžiu laboratorijoje Vilniuje ir stebiu, kaip biochemikė Rasa per kelias minutes gauna rezultatus, dėl kurių prieš penkerius metus būtų tekę dirbti kelis mėnesius. Ekrane mirga skaičiai, algoritmai analizuoja tūkstančius baltymų struktūrų, o ji ramiai geria kavą ir planuoja kitą eksperimento etapą. „Tai nebe mokslinė fantastika”, – sako ji man. „Tai mūsų kasdienybė.”

2026-ieji metai tapo lūžio tašku mokslo pasaulyje. Dirbtinis intelektas nebėra tik pagalbinė priemonė – jis tapo visaverčiu tyrimų partneriu, kuris ne tik paspartina procesus, bet ir atveria visiškai naujas galimybes. Tačiau kartu su šiomis galimybėmis ateina ir sudėtingi klausimai: ar mes dar valdome procesą, ar jau mašinos diktuoja mokslo kryptį?

Nuo hipotezės iki atradimo per savaitę

Tradiciškai mokslinis tyrimas atrodė taip: suformuoji hipotezę, planuoji eksperimentą, renki duomenis, analizuoji, kartoji, kartoji ir vėl kartoji. Visas ciklas galėjo užtrukti metus ar net dešimtmečius. Dabar šis procesas suspaustas iki neįtikėtinų terminų.

Paimkime vaistų kūrimą. Anksčiau naujo vaisto sukūrimas nuo idėjos iki rinkos užimdavo vidutiniškai 10-15 metų ir kainuodavo milijardus. Šiandien AI sistemos per kelias savaites gali išanalizuoti milijonus molekulinių struktūrų, numatyti jų sąveiką su organizmu ir atrinkti perspektyviausius kandidatus. Kauno biomedicinos mokslininkai neseniai pasidalijo istorija, kaip jiems pavyko per tris mėnesius identifikuoti potencialų vaistą nuo retos genetinės ligos – užduotis, kuri tradiciniais metodais būtų užėmusi bent penkerius metus.

Bet greitis nėra vienintelis privalumas. AI mato ryšius, kurių žmogaus smegenys paprasčiausiai nepajėgia pastebėti. Kai analizuojami šimtai tūkstančių duomenų taškų vienu metu, atsiranda nauji šablonai, netikėtos koreliацijos. Štai kodėl pastaraisiais metais matome tokį atradimų sprogimą – ne todėl, kad mokslininkai tapo protingesni, bet todėl, kad jie dabar turi įrankius, leidžiančius matyti tai, kas anksčiau buvo paslėpta duomenų jūroje.

Kai laboratorija dirba 24/7 be poilsio

Susitinku su Tomu, kuris vadovauja automatizuotai cheminei laboratorijai Karoliniškėse. Jo darbo vieta atrodo kaip mišinys tarp tradicinės laboratorijos ir futuristinio fabriko. „Žiūrėk”, – rodo jis į robotizuotą ranką, kuri tiksliai dozuoja reagentus. „Ši sistema per naktį atlieka 500 eksperimentų. Aš rytą ateinu ir tiesiog peržiūriu rezultatus.”

Automatizacija, valdoma AI, reiškia, kad eksperimentai vyksta nepertraukiamai. Nereikia laukti, kol mokslininkas baigs pietų pertrauką ar grįš po savaitgalio. Sistema mokosi iš kiekvieno eksperimento rezultato ir automatiškai koreguoja kitus bandymus. Tai kaip turėti šimtą kruopščių asistentų, kurie niekada nepavargsta ir niekada nedaro tų pačių klaidų du kartus.

Tačiau čia slypi ir tam tikra rizika. Kai procesas tampa toks greitas ir automatizuotas, lengva prarasti kontrolę. Vienas Lietuvos universiteto profesorius, kuris prašė neminėti jo vardo, prisipažino: „Kartais gaunu rezultatus ir net nespėju suprasti, kaip sistema prie jų priėjo. Tai veikia, bet aš nebesu tikras, ar visiškai suprantu procesą.” Tai naujas iššūkis – kaip išlaikyti mokslinį griežtumą, kai pati metodologija tampa pernelyg sudėtinga žmogaus suvokimui?

Duomenų vandenynas ir kaip jame neskęsti

Kalbėdamasis su astrofizikais Molėtų observatorijoje, sužinau stulbinantį faktą: per vieną naktį jų teleskopai sugeneruoja daugiau duomenų, nei vienas žmogus galėtų išanalizuoti per visą gyvenimą. Be AI sistemų šie duomenys tiesiog gultų į archyvus ir niekada nebūtų panaudoti.

„Mes dabar randame egzoplanetas, kurias būtume praleidę”, – pasakoja man Gintarė, duomenų analitikė. „AI algoritmai mato subtilias šviesos kreivių anomalijas, kurios žmogaus akiai atrodytų kaip triukšmas. Praėjusiais metais taip aptikome tris potencialiai gyvybei tinkamas planetas.”

Medicinos srityje situacija dar dramatiškesnė. Genomikos duomenys, medicininiai vaizdai, pacientų istorijos – visa tai kaupiasi neįsivaizduojamu greičiu. Vilniaus universitetinės ligoninės radiologas Andrius pasakoja: „Aš per dieną peržiūriu gal 50 rentgeno nuotraukų. AI sistema per tą patį laiką gali išanalizuoti 50 tūkstančių. Ir ji pamato smulkmenas, kurias aš būčiau praleidęs – ankstyvus vėžio požymius, subtilias anomalijas.”

Bet štai paradoksas: turėdami daugiau duomenų nei bet kada istorijoje, mes vis tiek jaučiame informacijos trūkumą. Kodėl? Nes duomenys turi būti ne tik surinkti, bet ir tinkamai apdoroti, standartizuoti, interpretuoti. Ir čia AI tampa ne tik analizės įrankiu, bet ir kokybės kontrolės mechanizmu. Sistemos automatiškai filtruoja netinkamus duomenis, identifikuoja klaidas, užpildo trūkstamas vietas.

Kūrybiškumas ir mašinos: netikėtas duetas

Vienas labiausiai paplitusių mitų apie AI – kad jis gali tik analizuoti, bet ne kurti. Tačiau realybė 2026 metais yra daug įdomesnė. Susitinku su materialotyros mokslininke Jūrate, kuri naudoja AI naujų medžiagų kūrimui. „Sistema man pasiūlė sudėtį, kurios aš niekada nebūčiau sugalvojusi”, – pasakoja ji. „Tai buvo visiškai nestandartinė elementų kombinacija. Bet kai išbandėme – veikė geriau nei bet kas, ką turėjome anksčiau.”

AI sistemos dabar ne tik analizuoja esamus duomenis, bet ir generuoja naujas hipotezes. Jos gali „įsivaizduoti” molekules, kurių gamtoje neegzistuoja, numatyti jų savybes ir pasiūlyti sintezės būdus. Tai ne tiesiog greitesnis skaičiavimas – tai tikrai naujas kūrybinis procesas.

Tačiau čia svarbu suprasti ribas. AI gali generuoti tūkstančius idėjų, bet mokslininkas vis dar turi jas įvertinti, atrinkti prasmingas ir atmesti beprasmiškas. Vienas chemijos profesorius man sakė: „AI yra kaip labai produktyvus, bet kartais šiek tiek pamišęs asistentas. Jis meta šimtą idėjų, iš kurių 95 yra visiškas nesusipratimas, bet tos penkios likusios – genialios.”

Praktinis patarimas tiems, kurie nori panaudoti AI kūrybiniam moksliniam darbui: naudokite jį kaip brainstorming partnerį, ne kaip galutinį sprendimų priėmėją. Leiskite sistemai siūlyti netikėtas kombinacijas, bet visada kritiškai vertinkite rezultatus. Ir svarbiausia – nebijokite eksperimentuoti su nestandartiniais pasiūlymais. Kartais būtent tie „kvailiausi” AI pasiūlymai veda prie didžiausių atradimų.

Kai klaidos kainuoja brangiai

Ne viskas rožėmis klotas. Kalbėdamasis su įvairių sričių mokslininkais, girdžiu ir atsargumo, ir tiesioginio skepticizmo. Pagrindinė problema – AI sistemos gali būti labai įtikinama net tada, kai klysta.

Neseniai tarptautinėje mokslinėje bendruomenėje kilo skandalas, kai paaiškėjo, kad keletas publikacijų, paremtų AI analize, turėjo esminių klaidų. Sistema „pamatė” ryšius, kurių iš tikrųjų nebuvo – tiesiog duomenų triukšmas sutapo taip, kad atrodė kaip modelis. Mokslininkai, pasitikėję rezultatais, paskelbė išvadas, kurios vėliau pasirodė esančios klaidingos.

„Problema ta, kad AI gali būti labai įtikinama”, – sako Lietuvos mokslų akademijos narys Vytautas. „Ji pateikia rezultatus su statistiniais rodikliais, grafikais, viskas atrodo labai moksliška. Bet jei pradiniai duomenys buvo šališki arba sistema netinkamai sukonfigūruota, rezultatai bus klaidingi, nepriklausomai nuo to, kaip įtikinamai jie atrodo.”

Todėl dabar moksliniame pasaulyje formuojasi naujos praktikos. Vis daugiau žurnalų reikalauja, kad autoriai detaliai aprašytų, kaip buvo naudojamas AI, kokios sistemos, su kokiais parametrais. Kai kurios institucijos įveda „AI audito” procesus, kai nepriklausomi ekspertai peržiūri, ar AI buvo naudojamas tinkamai.

Jei jūs naudojate AI savo tyrimuose, štai keletas praktinių rekomendacijų:

• Visada patikrinkite rezultatus nepriklausomais metodais. AI išvados turi būti patvirtintos tradiciniais būdais.
• Dokumentuokite viską – kokią sistemą naudojote, su kokiais parametrais, kokie buvo pradiniai duomenys.
• Būkite ypač atsargūs su „juodosios dėžės” modeliais, kurių sprendimų logikos negalite paaiškinti.
• Įtraukite į komandą žmones, kurie supranta ir AI, ir jūsų mokslo sritį. Tik technologas ar tik srities ekspertas atskirai gali praleisti svarbias problemas.

Demokratizacija ar nauja atskirtis?

Vienas įdomiausių AI poveikio mokslo pasauliui aspektų – prieinamumo klausimas. Iš vienos pusės, AI įrankiai tampa vis prieinamesni. Mažos laboratorijos, kurios anksčiau negalėjo sau leisti brangios įrangos ar didelių komandų, dabar gali naudotis debesų kompiuterijos paslaugomis ir pasiekti analizės galimybes, kurios anksčiau buvo prieinamos tik didžiausiems tyrimų centrams.

Lietuvos pavyzdys čia itin įdomus. Mūsų šalis niekada neturėjo milžiniškų mokslo biudžetų ar didžiulių laboratorijų. Bet dabar matau, kaip nedidelės Lietuvos mokslininkų grupės konkuruoja su pasaulio lyderiais, nes AI įrankiai suteikia jiems galimybes, kurių anksčiau neturėjo. Vienas Kauno technologijos universiteto doktorantas man pasakojo, kaip jis, naudodamas nemokamus AI įrankius ir debesų kompiuteriją, atliko analizę, kuri dar prieš penkerius metus būtų reikalavusi superkompiuterio laiko už šimtus tūkstančių eurų.

Tačiau iš kitos pusės, atsiranda nauja atskirtis. Ne visi AI įrankiai yra lygūs. Pažangiausi modeliai, didžiausios duomenų bazės, geriausia infrastruktūra vis dar priklauso turtingiausioms institucijoms ir šalims. Ir šis atotrūkis gali tik didėti. Kai kurie mokslininkai kalba apie „AI haves and have-nots” – tuos, kurie turi prieigą prie geriausių sistemų, ir tuos, kurie turi tenkintis antrarūšiais įrankiais.

Dar viena problema – kompetencija. Norint efektyviai naudoti AI, reikia suprasti ir savo mokslo sritį, ir pačią technologiją. Tai reiškia, kad mokslininkai dabar turi mokytis programavimo, duomenų mokslo, mašininio mokymosi principų. Ne visi sugeba ar nori tai daryti. Atsiranda pavojus, kad vyresni, patyrę mokslininkai, neturintys šių įgūdžių, bus nustumti į šalį, o sprendimus priims jaunesni, technologiškai raštingesni, bet galbūt mažiau patyrusios savo srityje žmonės.

Etikos labirintas ir kas už jį atsakingas

Kalbėdamasis su biomedicinos etikos ekspertu Mindaugu, įsitraukiu į diskusiją apie klausimus, kurie dar prieš kelerius metus atrodė teoriniai, bet dabar yra visiškai praktiniai. Kas atsako už AI padarytą klaidą? Jei sistema rekomenduoja tam tikrą gydymo metodą, o jis nepasiteisina – kas kaltas? Programuotojas, kuris sukūrė algoritmą? Mokslininkas, kuris jį naudojo? Institucija, kuri jį įdiegė?

„Mes vis dar neturime aiškių atsakymų”, – prisipažįsta Mindaugas. „Teisinė sistema nespėja paskui technologijų raidą. Turime situacijas, kai AI priima sprendimus, kurie turi realių pasekmių žmonių gyvenimams, bet atsakomybės grandinė yra neaiški.”

Dar sudėtingesnis klausimas – duomenų privatumas ir sutikimas. AI sistemoms reikia milžiniškų duomenų kiekių. Medicinos tyrimuose tai reiškia pacientų duomenis, genetinę informaciją, gyvensenos detales. Ar žmonės, kurie kadaise sutiko, kad jų duomenys būtų naudojami tyrimams, įsivaizdavo, kad jie bus maitinami AI sistemoms? Ar reikia naujo sutikimo? Kaip užtikrinti, kad duomenys nebūtų piktnaudžiaujami?

Lietuvoje šie klausimai ypač aktualūs, nes mes esame maža šalis su santykinai lengvai identifikuojama populiacija. Kai AI analizuoja Lietuvos gyventojų duomenis, anonimiškumo užtikrinimas yra sudėtingesnis nei didelėse šalyse. Vienas duomenų apsaugos specialistas man sakė: „Kai turi duomenų bazę su 3 milijonais įrašų, ne taip sunku identifikuoti konkretų asmenį, net jei tiesiogiai identifikuojanti informacija pašalinta.”

Praktinis patarimas institucijoms, dirbančioms su AI mokslo tyrimuose:

• Sukurkite aiškias etikos gaires, kaip AI gali ir negali būti naudojamas jūsų srityje.
• Įsteigite etikos komitetus, kurie peržiūrėtų AI naudojimą tyrimuose, ne tik pradinėje stadijoje, bet ir nuolat.
• Investuokite į duomenų apsaugos infrastruktūrą. Tai ne tik teisinė prievolė, bet ir pasitikėjimo klausimas.
• Būkite skaidrūs. Aiškiai komunikuokite, kaip naudojate AI, kokius duomenis, kokiais tikslais.

Ateitis, kuri jau čia, ir kas laukia už kampo

Baigdamas šį tyrimą, grįžtu prie Rasos laboratorijos, kur viskas prasidėjo. Ji dabar dirba su sistema, kuri ne tik analizuoja duomenis, bet ir savarankiškai planuoja eksperimentus, užsako reikiamus reagentus, net rašo preliminarius tyrimo rezultatų aprašymus. „Kartais jaučiuosi ne kaip mokslininkė, o kaip projekto vadovė”, – juokiasi ji. „Mano darbas dabar labiau koordinuoti, nustatyti kryptį, priimti strateginius sprendimus. Rutininį darbą atlieka mašinos.”

Ir būtent čia slypi tikroji AI transformacija moksle. Tai ne apie tai, kad mašinos pakeičia mokslininkus. Tai apie tai, kad keičiasi paties mokslininko vaidmuo. Nuo duomenų rinkėjo ir analizuotojo – prie strateginio mąstytojo ir krypties nustatytojo. Nuo rutininių užduočių – prie kūrybinio darbo ir didelių klausimų kėlimo.

Žvelgiant į ateitį, matome kelias aiškias tendencijas. Pirma, AI sistemos taps dar labiau integruotos į mokslo procesą. Jau dabar kuriamos sistemos, kurios gali automatiškai skaityti mokslinę literatūrą, identifikuoti spragas žiniose ir siūlyti tyrimo kryptis. Netrukus turėsime AI, kuris ne tik padės atlikti tyrimus, bet ir padės suformuluoti pačius tyrimo klausimus.

Antra, matysime didesnį bendradarbiavimą tarp skirtingų sričių. AI leidžia sujungti duomenis ir metodus iš visiškai skirtingų disciplinų. Fizikai gali naudoti biologų metodus, chemikai – astronomų duomenis. Šios hibridinės metodologijos jau dabar veda prie įdomiausių atradimų.

Trečia, mokslas taps dar labiau atviras ir kolaboratyvus. Kai AI įrankiai tampa prieinami, kai duomenys dalijami atvirai, kai analizės metodai yra skaidrūs – mokslas tampa tikrai globaliu projektu. Lietuvos mokslininkas gali bendradarbiauti su Japonijos kolega realiuoju laiku, naudodami tas pačias AI sistemas, dirbdami su tomis pačiomis duomenų bazėmis.

Bet svarbiausia – ir čia norėčiau baigti – AI niekada nepakeis to, kas sudaro mokslo esmę: smalsumo, kritinio mąstymo, kūrybiškumo. Mašinos gali apdoroti duomenis greičiau, pastebėti modelius tiksliau, atlikti eksperimentus kruopščiau. Bet jos negali užduoti tikrai svarbių klausimų. Jos negali suprasti, kodėl tam tikras atradimas yra svarbus. Jos negali pajusti, kada reikia sustoti ir permąstyti visą požiūrį.

Geriausias mokslas 2026 metais – ir, tikėtina, ateinančiais dešimtmečiais – bus ne žmogaus prieš mašiną ar mašinos vietoj žmogaus. Tai bus žmogus ir mašina kartu, kiekvienas darydamas tai, ką geriausiai moka. Mašina – apdorodama, analizuodama, randama modelius. Žmogus – klausdamas, interpretuodamas, suteikdamas prasmę. Tai ne varžybos, o partnerystė. Ir būtent ši partnerystė kuria mokslo ateitį, kuri yra ir greitesnė, ir kokybišesnė, ir – tikiuosi – protingesnė nei bet kada anksčiau.