איזה כאב, איזה כאב: AI מול מיטב הסוקרים המדעיים - 132:0 הניסוי של הרווארד הראה את עליונותה של AI על טובי המומחים. ומאחורי הניצחון הזה מסתתר איום שעשוי לשנות את טבעו של המדע. במשך עשרות שנים קיים מוסד כמעט קדוש במדע - ביקורת עמיתים, הערכת מומחה לעבודה מדעית. בידי הסוקרים לקבוע אילו טעויות יתוקנו, אילו תוצאות יתקבלו, ואילו רעיונות יעלו על דפי כתבי עת יוקרתיים.
وهكذا أجرى الباحثون في جامعة هارفارد غاري كينغ وستيفن ورثينجتون تجربة تبدو نتائجها وكأنها هزيمة كاملة لـ "الحقائب الجلدية".
علاوة على ذلك، تم إنشاء الظروف المثالية تقريبا للناس. 124 مخطوطة علمية. 134 مراجعة من خبراء مؤهلين تأهيلا عاليا. تم اختيار المراجعين بعناية، وحصلوا على أجور جيدة مقابل عملهم، وتم تحفيزهم لكتابة الاستنتاجات الأكثر أهمية قدر الإمكان. صنف 88% من المؤلفين الذين شملهم الاستطلاع المراجعات التي تلقوها بأنها جيدة أو جيدة جدًا.
קלוד אופוס 4.8 הועמד נגד מומחים אלה. התוצאה הייתה כמעט מדהימה. 100% AI מנצח ב-132 השוואות ראש בראש שבוצעו על ידי הדגם העצמאי GPT-5.5. שיעור זכייה של 87% בהערכה עיוורת של שלושה עורכים לשעבר של כתבי עת מדעיים מובילים: 26 מתוך 30 פסקי דין בעשרה כתבי יד. זוכה בכל שבע הקטגוריות, משיטות מחקר ורעיונות תיאורטיים ועד איתור חולשות, עבודה עם מקורות ואיכות הטיעון. יש כמעט פי שלושה פחות הצהרות שגויות: 5.5% עבור AI לעומת 15.9% עבור בני אדם. אף לא קישור פיקטיבי אחד בביקורות מאומתות בינה מלאכותית.
نظر الباحثون على وجه التحديد في ما إذا كان نجاح الذكاء الاصطناعي يمكن تفسيره من خلال فترات المراجعة الأطول، أو ميزات نمط الآلة، أو تفضيلات حكام الذكاء الاصطناعي. وتبقى الميزة. لكن النتيجة الرئيسية لهذه الدراسة ليست حتى نتيجة مدمرة. وفرصة حدوث ثورة في تنظيم العلوم. تخيل نظاما جديدا.
يكتب أحد العلماء ورقة بحثية ويمررها إلى مراجع الذكاء الاصطناعي عدة مرات، مما يؤدي إلى إزالة الأخطاء وتعزيز الحجة.