The Agentification of Scientific Research: A Physicist's Perspective

Dit artikel betoogt dat de belangrijkste betekenis van de AI-revolutie voor de wetenschap niet alleen in automatisering ligt, maar in een fundamentele transformatie van hoe kennis wordt gedeeld en hoe wetenschappelijke samenwerking, ontdekking en publicatie worden gestructureerd.

De kern

De Wetenschap met een Nieuwe Partner: Waarom AI meer is dan alleen een snellere computer

Stel je voor dat de mensheid een enorme bibliotheek heeft vol met kennis. De afgelopen eeuwen hebben we geleerd hoe we deze boeken kunnen kopiëren en verspreiden. Maar er was altijd een groot probleem: de geheime recepten van de experts.

Een boek kan uitleggen hoe je een taart bakt (de theorie), maar het kan je niet vertellen hoe het voelt om deeg te kneden, wanneer je precies moet stoppen met roeren, of hoe je een brandende pan redt zonder je vingers te verbranden. Die ervaring, dat "weten hoe" (in het Engels: know-how), was tot nu toe alleen over te dragen door jarenlang naast een meester te staan en te kijken.

Dit artikel, geschreven door de fysicus Xiao-Liang Qi, stelt dat de huidige AI-revolutie (vooral de grote taalmodellen) dit probleem oplost. Het is niet zomaar een snellere rekenmachine; het is een nieuwe manier waarop kennis wordt vastgelegd en gedeeld.

Hier is de kern van het verhaal, vertaald naar alledaagse taal:

1. De Drie Grote Sprongen in de Geschiedenis

De auteur vergelijkt de AI-revolutie met twee eerdere grote momenten in de geschiedenis van de aarde:

• De eerste sprong: Het leven zelf. Met DNA konden organismen hun eigenschappen doorgeven aan hun kinderen. Informatie werd niet meer verloren als een individu stierf.
• De tweede sprong: De menselijke taal. Hiermee konden we kennis doorgeven zonder dat we biologisch verwant moesten zijn. We konden boeken schrijven en lessen geven. Dit ging veel sneller dan evolutie.
• De derde sprong: De AI-revolutie. Tot nu toe was de interpretatie van complexe informatie alleen voor het menselijk brein weggelegd. AI verandert dit. Voor het eerst kan een machine niet alleen feiten opslaan, maar ook het proces van denken, twijfelen en beslissen nabootsen. Het is alsof we een nieuwe soort "digitale erfelijkheid" hebben gecreëerd.

2. Het Probleem in de Wetenschap: De "Verloren Tussentijd"

Wetenschappers worstelen momenteel met een groot probleem. Als je een wetenschappelijk artikel leest, zie je alleen het eindresultaat. Je ziet niet:

• De duizenden mislukte experimenten die ervoor nodig waren.
• De kleine trucjes die de onderzoeker gebruikte om een apparaat werkend te houden.
• De intuïtie die hem vertelde welke richting de moeite waard was.

Het is alsof je een recept ziet voor een gerecht, maar je niet weet hoe de chef-kok het vuur regelt of hoe hij de smaken combineert. Nieuwe studenten moeten daarom alles opnieuw uitvinden. Dit kost enorm veel tijd en energie.

3. De Oplossing: Van "Hulpmiddel" naar "Medewerker"

De auteur beschrijft een stapsgewijze ontwikkeling, die hij "Agentificatie" noemt. Dit klinkt ingewikkeld, maar het is eigenlijk heel simpel:

• Stap 1: De AI als gereedschapskist.
  Stel je voor dat AI niet alleen in een chatvenster zit, maar dat het daadwerkelijk de knoppen op het labapparaat kan indrukken, de code kan schrijven en de databases kan doorzoeken. Het krijgt een "lichaam" in de wetenschappelijke wereld.
• Stap 2: De AI als stagiair.
  Laat de AI eerst de saaie, repetitieve klusjes doen: data opschonen, standaard analyses draaien, en literatuur samenvatten. Hierdoor leert de AI hoe een onderzoek er in de praktijk uitziet.
• Stap 3: De AI als promovendus (de grote sprong).
  Dit is het moment waarop AI niet meer alleen helpt, maar echt meedenkt. Het stelt nieuwe hypotheses voor, ziet patronen die mensen missen, en draagt bij aan een onderzoek alsof het een slimme student is. Als AI dit kan, is het geen tool meer, maar een partner.

4. De Toekomst: Wetenschap als een "Levend Boek"

Wat gebeurt er als AI een echte partner wordt? Dan verandert de manier waarop we wetenschap publiceren.

Vandaag de dag publiceren we statische PDF-bestanden. In de toekomst publiceren we misschien een interactieve AI-agent.

• In plaats van een saai artikel te lezen, praat je met de "onderzoeker-agent".
• Je kunt vragen: "Waarom heb je deze keuze gemaakt?" of "Wat gebeurt er als ik dit getal verander?"
• De agent kan je uitleggen hoe het experiment echt is gelopen, inclusief de fouten en de oplossingen.
• Zelfs kunnen twee AI-agenten van verschillende onderzoekers met elkaar praten om te zien of hun resultaten samenkomen, voordat de mensen er überhaupt bij betrokken zijn.

Dit lost het probleem op van de "verloren tussentijd": de geheime recepten en de ervaring worden niet meer kwijtgeraakt, maar zitten direct in het artikel.

5. De Grootste Uitdaging: Diversiteit

Er is echter een groot risico. Als AI alleen leert van wat er al in de boeken staat, zal het alleen maar de "gemiddelde" mening geven. Het zal geen verrassende, gekke ideeën bedenken.

Wetenschap heeft echter diversiteit nodig. Het is net als een orkest: als alle muzikanten precies hetzelfde spelen, is het saai. Je hebt mensen nodig met verschillende smaken, intuïties en perspectieven om de volgende grote doorbraak te vinden.
De auteur waarschuwt: als AI niet leert om continu en op verschillende manieren te denken (online leren), zal het de wetenschap juist vertragen omdat iedereen dan hetzelfde gaat denken. We moeten zorgen dat AI's hun eigen "persoonlijkheid" en unieke kijk op de wereld kunnen ontwikkelen.

Conclusie

De boodschap van dit artikel is hoopvol maar serieus: AI is niet gekomen om mensen te vervangen, maar om de manier waarop we kennis creëren te veranderen. Het gaat van "snel werken" naar "slimmer samenwerken".

Als we dit goed doen, kunnen we een wereld creëren waarin de geheimen van de experts niet meer verloren gaan, waar samenwerking over de hele wereld makkelijker is, en waar de volgende grote ontdekking niet alleen door een mens, maar door een team van mensen en slimme AI-partners wordt gedaan. Het is een nieuwe hoofdstuk in de geschiedenis van hoe de mensheid leert.

Technische samenvatting

Titel: De Agentificatie van Wetenschappelijk Onderzoek: Een Perspectief van een Fysicus

Auteur: Xiao-Liang Qi (Leinweber Institute for Theoretical Physics, Stanford University)

---

1. Het Probleem

Het artikel identificeert fundamentele beperkingen in de huidige wetenschappelijke onderzoekspraktijk die de voortgang van innovatie remmen. Deze problemen worden grotendeels toegeschreven aan de kloof tussen expliciete kennis en tacite kennis (know-how):

• Verlies van Tacite Kennis: Wetenschappelijke papers documenteren vaak alleen het eindresultaat en de formele methoden, maar missen de cruciale "tussentijdse" ervaringen, mislukte pogingen, pragmatische trucs, contextuele aanpassingen en de intuïtie die nodig is om een probleem op te lossen.
• Hoge Tijdkosten: Het bestuderen van bestaand werk en het opbouwen van praktische vaardigheden vereist enorme tijdsinvesteringen.
• Beperkingen in Samenwerking: Interdisciplinaire samenwerking wordt gehinderd door hoge communicatiekosten en verschillen in taal, methodiek en achtergrondkennis.
• Administratieve Last: Wetenschappers besteden veel tijd aan niet-creatieve taken zoals het schrijven van papers, het opstellen van subsidieaanvragen en peer review.
• Beperkte Reproductie: Omdat de praktische "know-how" niet wordt gedeeld, is het moeilijk voor nieuwe onderzoekers om resultaten te reproduceren of op bestaand werk voort te bouwen.

De kern van het probleem is dat menselijke expertise (judgment, intuïtie, probleemoplossingsgewoonten) traditioneel alleen via intensieve menselijke interactie (meesterschappen, mentorship) overgedragen kon worden en niet schaalbaar was.

2. Methodologie en Theoretisch Kader

Het artikel gebruikt geen empirische data-analyse, maar biedt een theoretisch raamwerk gebaseerd op de dynamiek van informatie. De auteur analyseert de AI-revolutie door de lens van drie historische transformaties in de informatiedynamiek op aarde:

1. Leven (DNA/RNA): Opslag en replicatie van informatie via biologische erfelijkheid.
2. Menselijke Taal: Versnelling van evolutie via culturele overdracht en kennisdeling zonder biologische erfelijkheid.
3. De AI-Revolutie (LLM's): Een kwalitatieve sprong waarbij complexe informatieverwerking niet langer exclusief is voor het menselijk brein.

De centrale these is dat Large Language Models (LLM's) de eerste technologie zijn die menselijke know-how (tacite kennis) in staat is te repliceren en te delen in plaats van alleen expliciete kennis. De auteur schetst een evolutionair pad van AI in de wetenschap, van een passief hulpmiddel naar een actief agent.

3. Belangrijkste Bijdragen en Concepten

A. De "Agentificatie" van Wetenschappelijk Onderzoek

De auteur introduceert het concept van "agentificatie": het proces waarbij AI-systemen steeds dieper betrokken raken bij het wetenschappelijke workflow, waardoor de structuur van onderzoek zelf verandert. Dit wordt beschreven in vier fasen:

1. Toegang tot Onderzoekstools: AI krijgt toegang tot software, databases, simulatiepakketten en instrumentbesturing. Dit geeft AI een "fysiek lichaam" binnen het onderzoek, waardoor het niet alleen adviseert maar ook uitvoert.
2. Automatisering van Repetitief Werk: AI neemt routine taken over (literatuuroverzicht, datascaling, standaardpipelines, instrumentdebugging). Dit verlaagt de last voor menselijke onderzoekers en stelt hen in staat zich te focussen op creatief denken.
3. Van Tool naar Collaborator: AI bereikt een drempel waar het bijdragen levert die vergelijkbaar zijn met die van een promovendus. Het begint invloed uit te oefenen op de richting en inhoud van ontdekkingen, niet alleen op de uitvoering.
4. Nieuwe Interdisciplinaire Samenwerking: AI fungeert als vertaler en interface tussen verschillende disciplines, waardoor samenwerkingen die voorheen te complex waren, haalbaar worden.

B. Agentic Publishing (Agentische Publicatie)

Een radicale visie op de toekomst van wetenschappelijke publicatie:

• In plaats van statische papers, wordt de AI-agent zelf gepubliceerd.
• Deze interactieve agent kan de achtergrond, redeneerprocessen, tussentijdse beslissingen en tools uitleggen aan verschillende doelgroepen (studenten, specialisten).
• Dit lost het probleem van het verlies van tacite kennis op en maakt reproduceerbaarheid directer.
• Het stelt Agent-Agent samenwerking mogelijk: agents van verschillende onderzoeken kunnen onderling ideeën uitwisselen, aannames vergelijken en nieuwe onderzoekspaden voorstellen voordat mensen deze evalueren.

C. Uitdagingen en Noodzakelijke Vooruitgang

De auteur benoemt drie kritieke uitdagingen die moeten worden opgelost voordat AI een echte partner wordt:

1. Gebrek aan Frontlijn Data: Modellen missen de details van niche-onderzoek. Mensen moeten AI leiden naar echte data (inclusief mislukkingen) voor gespecialiseerde training.
2. Gebrek aan Real-time Leren: Wetenschap verandert snel. AI moet kunnen leren via online learning (MCP, Agent Skills Protocols) in plaats van alleen via statische training.
3. Nieuwe Evaluatiekaders: Bestaande benchmarks zijn onvoldoende. AI moet worden geëvalueerd als een "promovendus": op basis van langetermijnprestaties, leervermogen uit feedback en bijdrage aan workflows, niet alleen op het beantwoorden van vragen.

D. Diversiteit van Ideeën

Een cruciale technische en filosofische eis is diversiteit. Huidige AI-modellen neigen naar dominantiepatronen in hun trainingsdata. Voor echte creatieve doorbraken is een verscheidenheid aan perspectieven, smaak en interesse nodig. De auteur stelt dat online learning essentieel is om deze diversiteit te behouden en te laten groeien.

4. Resultaten en Voorspellingen

Hoewel het artikel geen experimentele resultaten presenteert, trekt het de volgende conclusies over de toekomst:

• Fundamentele Versnelling: De AI-revolutie versnelt de evolutie van de beschaving sneller dan taal ooit deed, door know-how schaalbaar te maken.
• Verandering in Academicus: Het evaluatiesysteem van de academische wereld (gebaseerd op paper-impact) moet fundamenteel veranderen om bij te dragen aan agentische publicaties en andere vormen van bijdrage (zoals code of datasets).
• Symbiose: De toekomst ligt in een mens-AI symbiose waarbij AI niet alleen taken uitvoert, maar de structuur van kenniscreatie, -transmissie en -evaluatie herschikt.

5. Significance (Betekenis)

De betekenis van dit artikel ligt in het verschuiven van het perspectief op AI voor Science:

• Van Automatisatie naar Transformatie: Het gaat niet alleen om efficiëntie (sneller rekenen), maar om een fundamentele verandering in hoe kennis wordt gecreëerd en gedeeld.
• Kennis als Productiemiddel: De replicatie van menselijke know-how door AI creëert een nieuwe vorm van productiviteit die verder gaat dan traditionele technologische vooruitgang.
• Civilisatieproject: AI voor Science wordt gezien als een project dat de manier waarop de mensheid nieuwe kennis creëert, fundamenteel zal veranderen. Het is zowel een wetenschappelijke als een civiele transformatie die vraagt om nieuwe platforms, evaluatiestandaarden en een open gemeenschap waar menselijke ervaring continu aan AI wordt doorgegeven.

Kortom, het artikel pleit voor een geleidelijke overgang naar een ecosysteem waarin AI-agenten actief deelnemen aan het wetenschappelijke proces, wat leidt tot een nieuwe vorm van wetenschappelijke communicatie en een versnelde, meer diverse vorm van ontdekking.