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.