Για δεκαετίες ολόκληρες, οι χημικοί βασίζονταν σε τιμές αναφοράς για το σημείο βρασμού διαφόρων μορίων, προκειμένου να ταυτοποιούν ουσίες και να σχεδιάζουν διεργασίες όπως η απόσταξη.
Αυτό που δεν γνώριζαν ήταν πως ορισμένοι από αυτούς τους «αξιόπιστους» αριθμούς, καταχωρισμένοι εδώ και 75 χρόνια σε μια βάση δεδομένων, ήταν εξαρχής λανθασμένοι. Την αποκάλυψη δεν την έκανε κάποιος έμπειρος ερευνητής, αλλά ένα μοντέλο τεχνητής νοημοσύνης.
Ο Σεμπάστιαν Πίος, θεωρητικός χημικός στο Zhejiang Lab της Κίνας, χρησιμοποιούσε ένα σύστημα ΤΝ για να προβλέπει σημεία βρασμού, όταν τα αποτελέσματα που έπαιρνε άρχισαν να συγκρούονται με τις καθιερωμένες καταχωρίσεις. Αρχικά υπέθεσε πως το λάθος βρισκόταν στο μοντέλο του. Όταν όμως ανέτρεξε χειροκίνητα στην αρχική βιβλιογραφία, διαπίστωσε πως τα δεδομένα αναφοράς ήταν εκείνα που έπασχαν. Σε δύο ακόμη περιπτώσεις, το ίδιο μοντέλο εντόπισε σφάλματα που είχαν περάσει στον επιστημονικό κανόνα: ένα τυπογραφικό λάθος σε παλιά δημοσίευση και εσφαλμένες μετρήσεις βρασμού που χρονολογούνταν από αιώνες πριν. Και τα δύο, όπως επισημαίνει ο Πίος, είναι πολύ πιθανό να έχουν δημιουργήσει «πολλά προβλήματα» σε όσους ερευνητές βασίστηκαν στη συγκεκριμένη βάση.
Η περίπτωση του Πίος δεν είναι μεμονωμένη. Ένας αυξανόμενος αριθμός επιστημόνων χρησιμοποιεί πλέον την τεχνητή νοημοσύνη ως εργαλείο ελέγχου της ίδιας της επιστημονικής γνώσης. Εκτός από τις βάσεις δεδομένων, εξειδικευμένα εργαλεία ΤΝ επιστρατεύονται για να κυνηγήσουν λάθη σε δημοσιεύσεις περιοδικών και συνεδρίων. Χαρακτηριστικό παράδειγμα αποτελεί ανάλυση που δημοσιοποιήθηκε στα τέλη Ιουλίου από την εταιρεία SAI Labs: ερευνητές χρησιμοποίησαν πράκτορες ΤΝ για να αξιολογήσουν 168 εργασίες που είχαν επιλεγεί για προφορική παρουσίαση στο Διεθνές Συνέδριο Μηχανικής Μάθησης του 2026. Οι πράκτορες εξήγαγαν τους κεντρικούς ισχυρισμούς των συγγραφέων, ανέτρεξαν σε συνοδευτικό υλικό και, όπου ήταν εφικτό, επανέλαβαν τα πειράματα για να συγκρίνουν τα αποτελέσματα. Από τα 92 άρθρα που διέθεταν τουλάχιστον πέντε ελέγξιμους ισχυρισμούς, μόλις σε 34 κατάφεραν οι πράκτορες να αναπαράγουν πάνω από δύο από αυτούς, ενώ σε μόλις οκτώ εργασίες ξεπέρασαν το 80% επιτυχίας.
Παρά τις δυνατότητες, οι ειδικοί προειδοποιούν πως τέτοια εργαλεία παραμένουν αναξιόπιστοι διαιτητές. Ο Όντ Έρικ Γκούντερσεν, επιστήμονας υπολογιστών στο Νορβηγικό Πανεπιστήμιο Επιστήμης και Τεχνολογίας, υπενθυμίζει πως τα εργαλεία αυτά «κάνουν λάθη όπως οι άνθρωποι», γι’ αυτό και κάθε έλεγχος που διενεργείται από ΤΝ πρέπει να περνά υποχρεωτικά από χειροκίνητη ανθρώπινη εποπτεία.
Το μεγάλο πλεονέκτημα, ωστόσο, είναι η ταχύτητα και κυρίως η κλίμακα. Ο Τζέιμς Ζου, επιστήμονας υπολογιστών στο Πανεπιστήμιο Στάνφορντ, εξηγεί πως η τεχνητή νοημοσύνη μπορεί να σαρώσει επιστημονικές βάσεις και βιβλιογραφία με ρυθμούς που για τους ανθρώπους θα ήταν αδιανόητοι. Σε μελέτη του που είδε το φως της δημοσιότητας πρόσφατα, ο Ζου και η ομάδα του χρησιμοποίησαν έναν «ελεγκτή ΤΝ» για να σαρώσουν εργασίες που είχαν δημοσιευθεί στο κορυφαίο ετήσιο συνέδριο NeurIPS. Το εύρημα ήταν αποκαλυπτικό: ο μέσος αριθμός σφαλμάτων ανά εργασία αυξήθηκε από 3,8 το 2021 σε 5,9 το 2025, μια άνοδος της τάξης του 55%. «Πρόκειται για δημοσιευμένες εργασίες που έχουν ήδη απορροφηθεί ως θεμελιώδης γνώση για την επόμενη γενιά ερευνών», προειδοποιεί ο Ζου. «Αν υπάρχουν σφάλματα σε αυτά τα θεμέλια, αυτό μπορεί να διαδοθεί και να καταστήσει την επακόλουθη έρευνα ακόμη πιο επισφαλή».
Η ανάλυση επικεντρώθηκε αποκλειστικά σε «αντικειμενικά» σφάλματα, λάθη σε τύπους, υπολογισμούς και αριθμητικά δεδομένα, αφήνοντας σκόπιμα εκτός τα υποκειμενικά ζητήματα που άπτονται της ερμηνείας και της καινοτομίας. Όπως εξηγεί ο συνεργάτης του Ζου, Φεντερίκο Μπιάνκι, επιστήμονας μηχανικής μάθησης στην εταιρεία Together AI, η επιλογή αυτή ήταν συνειδητή: «Η τεχνητή νοημοσύνη δεν πρέπει να αναλαμβάνει τα πάντα, αφήνοντας τις κρίσεις για την καινοτομία και τη σημασία μιας εργασίας στους ανθρώπους». Το μήνυμα είναι σαφές: η ΤΝ μπορεί να γίνει ένας πολύτιμος βοηθός στη θωράκιση της επιστημονικής ακεραιότητας, αρκεί το τελικό πρόσταγμα να παραμένει στα χέρια των ερευνητών.
