Kategorija: Patarimai

Alytus – ne tik gamyklos ir miškai

Daugelis vis dar galvoja apie Alytų kaip apie pramoninį miestą su gražia gamta aplink. Ir tai tiesa – bet tai tik pusė paveikslo. Per pastaruosius kelerius metus Alytaus regionas tyliai, bet užtikrintai keičia savo veidą. Čia kuriasi moksliniai centrai, vykdomi europiniai projektai, o universitetai ir verslas pradeda kalbėti ta pačia kalba. Tai nėra atsitiktinumas.

Kas iš tikrųjų vyksta regione

Alytaus kolegija jau seniai nebėra tik vietos jaunimo „išleidimo” vieta. Ji aktyviai dalyvauja taikomųjų tyrimų projektuose – nuo aplinkosaugos iki biotehnologijų. Prie to prisideda ir Dzūkijos nacionalinio parko teritorijoje vykdomi ekosistemų stebėjimo tyrimai, kurie pritraukia mokslininkus iš visos Lietuvos.

Regione veikiančios pramonės įmonės – ypač chemijos ir medienos sektorių – vis dažniau investuoja į R&D. Tai reiškia realias darbo vietas tyrėjams, ne tik deklaracijas strateginiuose dokumentuose. Kai verslas moka už tyrimus, o ne tik kalba apie inovacijas – tai jau kitas lygmuo.

Projektai, kurie keičia žaidimo taisykles

Vienas ryškiausių pavyzdžių – „Smart Dzūkija” tipo iniciatyvos, kuriose sujungiami savivaldybės duomenys, aplinkos monitoringas ir skaitmeninės platformos. Tai nėra kažkoks abstraktus „smart city” projektas – tai praktiniai sprendimai, kaip valdyti regioną efektyviau.

Be to, ES struktūrinių fondų lėšos vis labiau nukreipiamos į periferines zonas su potencialu – o Alytaus regionas šiame kontekste atrodo labai patraukliai. Geografinė padėtis prie Lenkijos sienos, gerai išvystyta logistika ir santykinai pigesnė infrastruktūra daro jį idealia vieta tyrimų ir plėtros bazėms.

Kodėl tai svarbu ne tik alytišikiams

Lietuvos mokslinių tyrimų ekosistema per ilgai buvo koncentruota Vilniuje ir Kaune. Tai sukūrė ne tik geografinį, bet ir intelektinį disbalansą – talentai traukė į centrus, regionai tuštėjo. Alytaus atvejis rodo, kad šį modelį galima keisti.

Kai regionas tampa mokslinių tyrimų ašimi, jis pritraukia ne tik pinigus, bet ir žmones. O žmonės – tai mokyklos, kavinės, kultūra, gyvenimas. Tai grandinė, kuri prasideda nuo vieno sprendimo investuoti į žinias.

Pietų Lietuva rytoj – ne prognozė, o pasirinkimas

Alytaus regionas šiandien stovi ties įdomiu tašku. Pagrindas padėtas – projektai vyksta, partnerystės formuojasi, žmonės grįžta arba atvyksta nauji. Bet potencialas dar toli gražu neišnaudotas. Tam, kad regionas taptų tikra Pietų Lietuvos moksline ašimi, reikia vieno dalyko – nuoseklumo. Ne naujų strategijų, ne gražių prezentacijų, o to paties kurso laikymosi dar penkerius, dešimt metų. Regionai, kurie tai supranta, laimi. Alytus, atrodo, supranta.

Kai tiesa susiduria su tuo, kuo tikime

Įsivaizduokite situaciją: žmogui pateikiami neginčijami moksliniai duomenys, rodantys, kad jo ilgai puoselėta nuomonė yra klaidinga. Logiškai mąstant, jis turėtų pakeisti požiūrį. Tačiau dažniausiai nutinka priešingai – įsitikinimas ne susilpnėja, o sustiprėja. Tai ne išimtis ir ne kvailumo požymis. Tai fundamentali smegenų savybė, kurią neuromokslininkai ir psichologai tiria jau dešimtmečius.

Problema gilesnė nei atrodo iš pirmo žvilgsnio. Ji neleidžia mums paprasčiausiai „šviesti” žmonių ir tikėtis, kad faktai pakeis pasaulį.

Smegenys kaip advokatas, ne kaip teisėjas

Vienas iš svarbesnių atradimų šioje srityje – tai, ką psichologas Jonathan Haidt pavadino „motyvuotu samprotavimu”. Smegenys, priešingai nei norėtume tikėti, dažniausiai nedirba kaip nešališki faktų vertintojai. Jos dirba kaip gynybos advokatai – pirmiausia nusprendžia, kokia išvada yra pageidaujama, o paskui ieško argumentų jai pagrįsti.

Neurobiologiniu lygmeniu tai susiję su tuo, kaip grėsmė įsitikinimams aktyvuoja tas pačias smegenų sritis, kurios reaguoja į fizinį pavojų. Tyrimai rodo, kad kai žmonės susiduria su informacija, prieštaraujančia jų politiniams ar religiniams įsitikinimams, aktyvuojasi amygdala – struktūra, atsakinga už grėsmės atpažinimą ir „kovok arba bėk” reakciją. Kitaip tariant, faktas, griaunantis mūsų pasaulėžiūrą, smegenims atrodo panašus į plėšrūną krūmuose.

Atgalinio efekto paradoksas

Brendan Nyhan ir Jason Reifler 2010 metais aprašė reiškinį, kurį pavadino „backfire effect” – atgaliniu efektu. Jų eksperimentuose, kai žmonėms buvo pateikiami faktai, taisantys klaidingą informaciją, dalis tiriamųjų ne tik neatsisakė klaidingo įsitikinimo, bet ir įsitikino juo dar labiau. Korekcija veikė kaip kuras ugniai.

Vėlesni tyrimai šį efektą šiek tiek sušvelnino – jis nėra universalus ir priklauso nuo konteksto. Tačiau pagrindinė dinamika išlieka: kuo labiau įsitikinimas susijęs su žmogaus tapatybe ar socialine grupe, tuo atsparesnis jis yra faktams. Čia slypi esminis dalykas – mes ne tik turime nuomones, mes esame savo nuomonės. Jas pakeisti reiškia pakeisti save.

Socialinis matmuo: tikėjimas kaip priklausomybė

Evoliuciškai žiūrint, tai turi prasmę. Šimtus tūkstančių metų žmogaus išgyvenimas priklausė ne nuo to, ar jis turėjo teisingą nuomonę apie žvaigždes, o nuo to, ar jis buvo priimtas savo grupėje. Atsiskirti nuo genties reiškė mirtį. Todėl smegenys išmoko vertinti socialinę konformizmą labiau nei abstrakčią tiesą.

Dan Kahan iš Jeilio universiteto tai vadina „kultūriniu kognityviniu procesu”. Jo tyrimai rodo, kad net moksliškai išprusę žmonės, susidūrę su duomenimis, prieštaraujančiais jų grupės pozicijai, interpretuoja tuos pačius skaičius priešingai nei kitos grupės atstovai. Daugiau žinių ne sumažina šį efektą – kartais jį sustiprina, nes žmogus tampa sumanesnis ieškant argumentų savo pozicijai pagrįsti.

Tai, ko iš to negalime ignoruoti

Visa ši mechanika kelia nepatogų klausimą: jei faktai patys savaime neveikia, ką daryti? Vienas atsakymas – keisti ne informaciją, o kontekstą. Tyrimai rodo, kad žmonės lengviau priima nepatogią tiesą, kai ji pateikiama taip, kad negresia jų tapatybei. Kai diskusija vyksta ne kaip ataka, o kaip bendras tyrinėjimas, gynybinės reakcijos susilpnėja.

Tačiau čia reikia būti sąžiningam: nėra stebuklingos formulės. Ir svarbiausia – šis reiškinys nėra „kitų” problema. Kiekvienas iš mūsų turi smegenų, kurios veikia pagal tuos pačius principus. Skirtumas tarp „racionalaus” ir „neracionalaus” žmogaus dažnai tėra skirtumas tarp to, kurių įsitikinimų mes patys netyrinėjame, ir tų, kuriuos pastebime pas kitus. Galbūt sąžiningiausia išvada yra tokia: suprasti, kaip smegenys atmeta faktus, yra pirmasis žingsnis – bet toli gražu ne paskutinis.

Kodėl dezinformacija tapo nacionaliniu iššūkiu

Gyvenimas XXI amžiuje primena nuolatinį informacijos potvynį – kiekvieną dieną mūsų smegenys apdoroja tūkstančius pranešimų, naujienų, nuomonių ir „faktų”. Tačiau štai problema: ne viskas, ką matome ekranuose, atitinka tikrovę. Lietuvos mokslo bendruomenė tai suprato jau seniai, ir šiandien mūsų šalies mokslininkai bei institucijos yra tikri kovotojai prieš dezinformaciją.

Kas įdomiausia – ši kova vyksta ne kažkur tolimose laboratorijose, o visai šalia mūsų. Vilniaus universitetas, Kauno technologijos universitetas, Vytauto Didžiojo universitetas ir kitos institucijos aktyviai kuria įrankius, kurie padeda atpažinti melą nuo tiesos. Ir tai nėra tik teorinis darbas – jie kuria realias technologijas, kurios jau dabar keičia žaidimo taisykles.

Dezinformacija Lietuvoje turi ypatingą kontekstą. Būdami geopolitiškai jautrioje pozicijoje, nuolat susiduriame su koordinuotomis kampanijomis, kurios bando paveikti visuomenės nuomonę, sukelti paniką ar susilpninti pasitikėjimą demokratinėmis institucijomis. Todėl mūsų mokslininkai šį klausimą sprendžia ne kaip akademinę užduotį, o kaip tikrą nacionalinio saugumo prioritetą.

Dirbtinio intelekto ginklai prieš melą

Lietuvos mokslo institucijos šiandien aktyviai kuria dirbtinio intelekto sistemas, kurios gali automatiškai aptikti dezinformaciją. Tai skamba kaip mokslinė fantastika, bet realybė dar įdomesnė! Vilniaus universiteto Duomenų mokslo ir skaitmeninių technologijų institute mokslininkai dirba su natūralios kalbos apdorojimo algoritmais, kurie analizuoja tekstų stilių, kalbos ypatumus ir netgi emocines konotacijas.

Kaip tai veikia praktiškai? Įsivaizduokite sistemą, kuri per kelias sekundes gali išanalizuoti tūkstančius socialinių tinklų įrašų ir identifikuoti įtartinus šablonus. Pavyzdžiui, jei dešimtys paskyrų vienu metu pradeda skleisti panašią žinutę apie tam tikrą politinį įvykį, sistema tai pastebi ir įspėja. Arba jei straipsnyje naudojama emociškai manipuliatyvi kalba, kuri skirta ne informuoti, o sukurti paniką – algoritmai tai atpažįsta.

Kauno technologijos universitete sukurtos sistemos eina dar toliau. Jų mokslininkai dirba su vaizdo ir garso analize, kuri gali aptikti „deepfake” technologija sukurtus klastotus vaizdo įrašus. Tai ypač aktualu, nes dirbtinio intelekto generuotas turinys tampa vis tikroviškesnis ir pavojingesnis. Galite įsivaizduoti, kaip lengva būtų sukurti politiko vaizdo įrašą, kuriame jis „sako” dalykus, kurių niekada nesakė? Lietuvos mokslininkai kuria gynybos mechanizmus prieš tokias atakas.

Svarbu paminėti, kad šios technologijos nėra tobulos. Jos kartais klysta, kartais praleido tikrą dezinformaciją, kartais pažymi kaip įtartiną visiškai teisingą informaciją. Bet kiekviena iteracija tampa geresnė, o Lietuvos mokslininkai aktyviai dalijasi savo atradimais su tarptautine bendruomene.

Bendradarbiavimas su žiniasklaida ir faktų tikrintojais

Technologijos yra puikios, bet jos neveikia izoliacijoje. Lietuvos mokslo institucijos suprato, kad efektyviausia kova su dezinformacija vyksta tada, kai akademinis pasaulis susijungia su žurnalistais ir faktų tikrinimo organizacijomis. Ir štai čia prasideda tikrai įdomūs dalykai!

Vilniaus universitetas bendradarbiauja su portalu „Delfi” ir kitais žiniasklaidos kanalais, teikdamas jiems prieigą prie savo sukurtų įrankių. Tai reiškia, kad žurnalistai gali greitai patikrinti informacijos šaltinius, analizuoti socialinių tinklų kampanijas ir identifikuoti koordinuotą dezinformacijos skleidimą. Pavyzdžiui, prieš rinkimus, kai dezinformacijos srautas ypač intensyvus, šie įrankiai tampa neįkainojami.

Vytauto Didžiojo universiteto mokslininkai sukūrė mokymo programas žurnalistams, kurios padeda jiems geriau suprasti dezinformacijos mechanizmus. Tai ne tik teoriniai seminarai – žurnalistai mokosi praktiškai atpažinti manipuliacijas, suprasti, kaip veikia algoritmai, kurie skleidžia melą, ir kaip efektyviai komunikuoti su auditorija apie sudėtingus dalykus.

Faktų tikrinimo organizacijos, tokios kaip „Debunk.eu” ar „Melo detektorius”, taip pat glaudžiai dirba su akademine bendruomene. Mokslininkai teikia jiems metodologinę pagalbą, padeda sukurti efektyvius tikrinimo protokolus ir analizuoja dezinformacijos tendencijas. Tai dvipusis procesas – faktų tikrintojai teikia realaus pasaulio duomenis, kurie padeda mokslininkai tobulinti savo sistemas.

Visuomenės švietimo iniciatyvos visoms kartoms

Bet juk technologijos ir profesionalų bendradarbiavimas – tai tik dalis sprendimo. Tikroji pergalė prieš dezinformaciją prasideda nuo kiekvieno iš mūsų gebėjimo kritiškai mąstyti. Ir čia Lietuvos mokslo institucijos daro tikrai įspūdingą darbą!

Mokykloms skirtos programos yra vienas iš prioritetų. Vilniaus universitetas kartu su Švietimo ministerija kūrė mokymo medžiagą, kuri integruojama į įvairių dalykų pamokas. Vaikai mokosi ne tik atpažinti dezinformaciją, bet ir suprasti, kodėl žmonės ja tiki, kaip veikia socialinių tinklų algoritmai ir kodėl emocijos kartais užgožia logiką. Tai nėra nuobodi teorija – pamokos interaktyvios, su žaidimais, praktiniais užduotimis ir realiais pavyzdžiais.

Suaugusiems taip pat yra daug galimybių. Universitetai organizuoja nemokamus seminarus, internetinius kursus ir viešas paskaitas. Kauno technologijos universitetas sukūrė nuostabią platformą „Media Literacy Lab”, kur bet kas gali mokytis savo tempu. Ten rasite testų, kurie padės įvertinti jūsų gebėjimą atpažinti dezinformaciją, video paaiškinimus apie įvairias manipuliacijos technikas ir praktinių patarimų, kaip elgtis susidūrus su įtartina informacija.

Ypač įdomūs yra projektai, skirti vyresnio amžiaus žmonėms, kurie dažnai tampa dezinformacijos aukomis. Bibliotekose organizuojami mokymai, kur senjorų mokoma naudotis internetu saugiai, atpažinti sukčiavimo schemas ir kritiškai vertinti informaciją socialiniuose tinkluose. Šie užsiėmimai vyksta draugiškoje aplinkoje, kur niekas nesijuokia iš klausimų, o visi mokosi kartu.

Tarptautinės partnerystės ir europiečių patirtis

Lietuvos mokslininkai neužsidarę savo burbule – jie aktyviai dalyvauja tarptautiniuose projektuose ir mokosi iš geriausių pasaulio praktikų. Tai labai svarbu, nes dezinformacija neturi sienų, o efektyvūs sprendimai gimsta iš bendradarbiavimo.

Europos Sąjungos finansuojami projektai suteikia Lietuvos institucijoms galimybę dirbti kartu su kolegomis iš Suomijos, Estijos, Švedijos ir kitų šalių. Pavyzdžiui, projektas „SOMA” (Social Observatory for Disinformation and Social Media Analysis) jungia daugiau nei 30 organizacijų iš visos Europos, ir Lietuvos mokslininkai yra aktyvūs jo dalyviai. Šis projektas kuria bendrus įrankius, dalijasi duomenimis ir koordinuoja tyrimus.

Ypač daug ko galime išmokti iš Suomijos, kuri laikoma pasauline lydere mediagramotume. Lietuvos švietimo institucijos adaptuoja suomių patirtį mūsų kontekstui, kurdamos panašias programas, bet pritaikytas Lietuvos realijoms. Tai nereiškia tiesiog kopijuoti – mūsų mokslininkai kūrybiškai pritaiko geriausias praktikas, atsižvelgdami į unikalius Lietuvos iššūkius.

Baltijos šalių bendradarbiavimas yra ypač glaudus. Lietuva, Latvija ir Estija susiduria su panašiais dezinformacijos iššūkiais, todėl reguliariai keičiasi patirtimi, organizuoja bendrus tyrimus ir kuria regioninius sprendimus. Tai efektyvu ne tik dėl panašaus konteksto, bet ir dėl to, kad kartu galime greičiau reaguoti į naujas grėsmes.

Konkretūs įrankiai, kuriuos galite naudoti jau šiandien

Dabar pereikime prie praktinių dalykų – ką jūs asmeniškai galite daryti, kad apsisaugotumėte nuo dezinformacijos? Lietuvos mokslo institucijos sukūrė įrankius, kurie prieinami visiems, ir aš noriu jais pasidalyti!

Pirmiausia, apsilankykite Vilniaus universiteto svetainėje ir raskite jų „Dezinformacijos atpažinimo testą”. Tai interaktyvus įrankis, kuris per 10-15 minučių padės jums suprasti, kaip gerai atpažįstate melą. Testas pateikia realius pavyzdžius – kai kurie iš jų yra tikri straipsniai, kiti – dezinformacija. Jūsų užduotis – atspėti, kas yra kas. Po testo gausite detalų paaiškinimą ir patarimus, kaip tobulinti savo įgūdžius.

Antra, išsisaugokite kelias paprastas taisykles, kurias rekomenduoja Lietuvos mokslininkai:

Visada tikrinkite šaltinį. Kas parašė šį straipsnį? Ar tai patikimas žiniasklaidos kanalas, ar nežinoma svetainė be kontaktų? Jei negalite rasti informacijos apie autorių ar leidėją, tai jau raudonas signalas.

Ieškokite kitų šaltinių. Jei naujieną skelbia tik viena svetainė, būkite atsargūs. Tikros naujienos paprastai yra aprašytos keliuose patikimuose šaltiniuose. Paieškokite Google panašių straipsnių ir palyginkite informaciją.

Atkreipkite dėmesį į kalbą. Dezinformacija dažnai naudoja emociškai įkrautą kalbą, šauktuką po kiekvieno sakinio, sensacingus pavadinimus. Jei straipsnis bando jus supykdyti ar išgąsdinti, sustokite ir pagalvokite – ar tai objektyvi informacija?

Patikrinkite datą. Seni straipsniai kartais cirkuliuoja kaip naujienos. Visada žiūrėkite, kada informacija buvo paskelbta.

Analizuokite nuotraukas. Naudokite Google atvirkštinę paieška (reverse image search), kad patikrintumėte, ar nuotrauka tikrai atitinka kontekstą. Dažnai dezinformacijoje naudojamos senos ar iš kito konteksto paimtos nuotraukos.

Kauno technologijos universitetas sukūrė mobiliąją programėlę „Fact Check LT”, kuri leidžia greitai patikrinti populiariausius dezinformacijos mitus. Tiesiog įveskite raktažodį ar temą, ir programėlė parodys, ar apie tai yra žinomų faktų tikrinimų. Tai ypač patogu, kai socialiniuose tinkluose pamatote kažką įtartino ir norite greitai patikrinti.

Kaip technologijos keičia žaidimo taisykles

Dirbtinis intelektas ne tik padeda kovoti su dezinformacija – deja, jis taip pat ją kuria. Ir čia prasideda tikra technologinė lenktynių. Lietuvos mokslininkai aktyviai tyrinėja, kaip generatyvinis dirbtinis intelektas, tokio kaip ChatGPT ar DALL-E, gali būti naudojamas dezinformacijos tikslais.

Realybė tokia: šiandien bet kas gali per kelias minutes sukurti įtikinamą, bet visiškai netikrą straipsnį, nuotrauką ar net vaizdo įrašą. Technologijos tampa vis prieinamesnės, o rezultatai – vis tikroviškesni. Vilniaus universiteto mokslininkai atliko eksperimentą, kuriame dirbtinis intelektas kūrė dezinformaciją lietuvių kalba, ir rezultatai buvo gąsdinantys – daugelis žmonių negalėjo atskirti, kas tikra, o kas sukurta mašinos.

Bet yra ir gera žinia! Tie patys mokslininkai kuria „skaitmenines vandenženklių” sistemas, kurios gali identifikuoti dirbtinio intelekto sukurtą turinį. Tai veikia panašiai kaip neregimas ženklas, kuris lieka turinyje ir gali būti aptiktas specialiais įrankiais. Europos Sąjunga jau svarsto reguliacijas, kurios reikalautų, kad visas dirbtinio intelekto generuotas turinys būtų pažymėtas, ir Lietuvos mokslininkai aktyviai dalyvauja šiose diskusijose.

Blockchain technologija taip pat tampa įrankiu kovoje su dezinformacija. Lietuvos startuoliai, bendradarbiaudami su universitetais, kuria sistemas, kurios leidžia sekti informacijos kilmę ir užtikrinti jos autentiškumą. Įsivaizduokite, kad kiekvienas svarbus dokumentas ar nuotrauka turėtų skaitmeninį „pasą”, kuris patvirtina, kada ir kur jis buvo sukurtas, ir ar jis buvo modifikuotas. Tai dar toli nuo masinio naudojimo, bet potencialas yra milžiniškas.

Iššūkiai ir ateities perspektyvos šviesioje pusėje

Būkime sąžiningi – kova su dezinformacija nėra lengva, ir Lietuvos mokslo institucijos susiduria su daugybe iššūkių. Finansavimas ne visada pakankamas, technologijos keičiasi greičiau nei spėjame prisitaikyti, o dezinformacijos kūrėjai nuolat randa naujų būdų apeiti apsaugos sistemas.

Vienas didžiausių iššūkių yra tai, kad žmonės dažnai nenori tikėti faktais, kurie prieštarauja jų įsitikinimams. Tai vadinama „patvirtinimo šališkumu”, ir jokia technologija negali jo išspręsti. Čia reikia ilgalaikio švietimo, kantrybės ir empatijos. Lietuvos mokslininkai tai supranta ir todėl didelį dėmesį skiria ne tik technologijoms, bet ir psichologiniams dezinformacijos aspektams.

Kitas iššūkis – privatumo ir saugumo balansas. Kad efektyviai kovotume su dezinformacija, reikia analizuoti didelius duomenų kiekius, įskaitant socialinių tinklų turinį. Bet kaip tai daryti nepažeidžiant žmonių privatumo? Lietuvos mokslininkai aktyviai dirba su etikos ekspertais, kurdami sistemas, kurios būtų efektyvios, bet kartu gerbtų pagrindines teises.

Bet žinote, kas įkvepia? Lietuvos mokslo bendruomenės atsidavimas ir kūrybiškumas. Mūsų mokslininkai nepasiduoda, jie nuolat ieško naujų sprendimų, eksperimentuoja, mokosi iš klaidų ir dalijasi savo žiniomis. Jie supranta, kad tai ne trumpalaikė kampanija, o ilgalaikė misija, kuri reikalauja nuolatinio dėmesio ir investicijų.

Ateityje matome dar daugiau galimybių. Dirbtinio intelekto technologijos tobulės, švietimo programos pasieks dar daugiau žmonių, o tarptautinis bendradarbiavimas taps dar glaudesnis. Lietuvos mokslininkai jau dabar planuoja naujas iniciatyvas – nuo virtualios realybės treniruočių, kurios padės žmonėms praktiškai mokytis atpažinti dezinformaciją, iki bendruomeninių projektų, kurie stiprins vietos lygmens atsparumą manipuliacijoms.

Svarbiausia – mes visi galime prisidėti. Kiekvienas iš mūsų, kuris sustoja ir pagalvoja prieš pasidalindamas įtartina informacija, kuris klausia šaltinių, kuris moko savo vaikus ir tėvus kritiškai mąstyti – jau yra šios kovos dalis. Lietuvos mokslo institucijos teikia mums įrankius ir žinias, bet tikroji galia yra mūsų rankose.

Taigi, kai kitą kartą pamatysite sensacingą antraštę ar emociškai įkrautą įrašą socialiniuose tinkluose, prisiminkite – jūs turite galią pasirinkti. Galite sustoti, patikrinti, pagalvoti. Ir tuo būdu tapti ne dezinformacijos auka, o jos nugalėtoju. Lietuvos mokslininkai dirba tam, kad mums būtų lengviau – dabar mūsų eilė pasinaudoti jų darbu ir kartu kurti informuotesnę, atsparesnę visuomenę!

ERROR: Could not find suitable phrase after 3 attempts

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.