Хотя многие компании признают, что открытость может обеспечить долгосрочные конкурентные преимущества — такие как привлечение талантов, содействие синергии между промышленностью и академическими кругами, а также создание надёжных экосистем — они часто выбирают закрытые подходы, мотивированные краткосрочными коммерческими интересами, включая защиту проприетарных технологий и стремление к первопроходчеству. Этот парадокс «знания, но бездействия» подчёркивает фундаментальный конфликт между исследовательской этикой и бизнес-логикой.
Промышленные разработчики новейших систем на базе искусственного интеллекта зачастую стремятся создавать барьеры, контролируя вычислительные ресурсы и наборы данных, закрывая исходный код и делая модели собственностью компаний, чтобы сохранить своё конкурентное преимущество. Эта закрытая стратегия проистекает из фундаментального конфликта между стремлением промышленности к максимизации акционерной стоимости и приверженностью академического сообщества к обмену знаниями в обществе, хотя опасения по поводу потенциальных рисков, связанных с открытым исходным кодом моделей, также играют свою роль.
Взвесив научную ценность открытости против коммерческих рисков, промышленность продолжает отдавать приоритет контролю над собственностью, а не принципам открытой науки, а меры безопасности могут увеличивают затраты на разработку моделей для научных исследований. Всё чаще серьёзные игроки в бизнесе оборудуют рабочие места защищёнными компьютерами ради минимизации рисков утечки информации — поэтому пока рано даже говорить о том, чтобы бизнес-сообщество делилось результатами, важных для общества, исследований. Эти организации, как правило, не заинтересованы в создании общедоступных научных благ и часто исключают учёных, не движимых стремлением к акционерной стоимости, из исследовательских проектов в области ИИ.
Развитие искусственного интеллекта ускоряет научные открытия и меняет исследовательский процесс, продвигая инновационные подходы в науке к тому, чтобы стать новой исследовательской парадигмой. В связи с этими достижениями существует острая потребность в открытости. Однако трансформация и переход к «открытой науке» значительно отстаёт от эры взрывного развития самого ИИ. Это отставание возникает из-за потери академического лидерства и недостаточной мотивации к стремлению к открытости в промышленном секторе, что может препятствовать развитию научных инноваций на благо всего человечества.
Технологии породили новую исследовательскую парадигму использования открытости и вывели науку на стадию междисциплинарного кросс-платформенного подхода. Во-первых, объем данных и вычислительных ресурсов, необходимых для обучения конкурентоспособных научных моделей, быстро растёт, что наблюдается в таких областях, как материаловедение, квантовые вычисления, прогнозирование погоды и многих других. Для отдельных исследовательских групп нецелесообразно самостоятельно развёртывать крупномасштабные вычислительные мощности и создавать высококачественные научные базы данных. Это обуславливает необходимость развития открытой научной инфраструктуры, которая объединяет данные и сами модели ИИ в единую систему предоставления ресурсов. Такая инфраструктура позволит эффективно организовывать ресурсы для научных открытий, повысив общее качество и эффективность, снизит операционные издержки и минимизирует дублирование усилий во всех отраслях. Подобно электричеству или интернету, эта новая инфраструктура станет важнейшим общественным благом.
Во-вторых, ответственный и заслуживающий доверия ИИ срочно нуждается в более открытой и прозрачной среде. Конфиденциальный характер многих разрабатываемых моделей искусственного интеллекта и неопределённое происхождение обучающих данных для них, вызывают опасения по поводу воспроизводимости, справедливости и надёжности научных исследований с использованием новых технологий. Существует острая необходимость в создании более открытой и прозрачной среды для разработчиков, обеспечивающей возможности для публичного контроля, воспроизводимости и проверки результатов, а также усовершенствования.
Эта тенденция в равной степени очевидна и в научном сообществе: например, платформа «Materials Project», специализирующаяся в материаловедении, предоставила доступ к наборам данных квантовой механики для более чем 154 000 неорганических соединений, тем самым поддерживая исследователей по всему миру в разработке новых материалов. А другой проект, ориентирующийся на совместное открытое использование данных в структурной биологии, предоставил доступ к более чем 220 000 наборам данных трёхмерной структуры белков в стандартизированных форматах, обеспечивая важную базовую проверенную информацию для исследований в области разработки лекарств.
В-третьих, применение инновационных методов в научных исследованиях, по своей сути, междисциплинарно. Основная причина классификации дисциплин заключается в когнитивных ограничениях человека. А с развитием инструментов исследования на базе компьютерных нейросетей и генеративного ИИ, человеческое понимание мира будет стремиться к интеграции. Однако различия в системах знаний и мыслительных привычках создают барьеры между экспертами, разработчиками моделей и учёными-специалистами в конкретных областях. Это требует инновационных новых стратегий сотрудничества, выхода на иной уровень коммуникации и устранения барьеров между дисциплинами.
Такая трансформация коренным образом изменит организационные парадигмы исследований, обеспечив переход от закрытых, фрагментированных небольших групп к открытым, совместным крупным платформам, которые позволят разработчикам предоставлять инструменты для исследований. Кроме того, этот симбиоз сделает более точным, проверенным, надёжным и подтверждённым машинное обучение, предоставив другим специалистам из научного сообщества, обмениваться знаниями в конкретных областях для качественного обучения моделей ИИ. Такой двусторонний подход к сотрудничеству поможет быстро преодолеть многие существующие дисциплинарные барьеры.
