馬老板前幾天剛剛官宣了他的AI公司xAI，要利用AI探索宇宙的本質(zhì)。

好巧不巧，就在馬老板到處搖人攢xAI的時候，科學界好像也和他心有靈犀，在Nature上發(fā)了一篇堪稱「xAI目標的可行性報告」的論文。

論文地址：https://www.nature.com/articles/s41562-023-01648-z#auth-Jamshid-Sourati

這篇名為「用人類意識加持的AI加速科學發(fā)展」的論文，用科學嚴謹?shù)姆椒ㄗ屗匈|(zhì)疑馬老板在畫大餅的人暫時閉了嘴。

馬老板看過之后，估計心里就十個字，打錢*5！

論文作者芝加哥大學的James Evans教授用一句話總結(jié)了這篇論文：

如果人類（用AI）增強了對自己在做什么的認知，就可以改進預測，并超越自身，從而加速科學的發(fā)展！

AI批評家馬庫斯也轉(zhuǎn)發(fā)了這篇論文，希望人們能從對大模型的狂熱中勻出點關(guān)注度給其他的AI相關(guān)進展。

就像馬斯克在xAI的誓師大會上提到的。

如果未來出現(xiàn)的AGI不能幫助人類對一些困擾人類的本源問題做出解答，那它就不配被稱為AGI。

同樣，AI技術(shù)如果只是幫大學生糊弄下期末作業(yè)，不能幫助人類拓寬認知邊界，那和英偉達的顯卡只用來打游戲，卻不用來訓練AI一樣，暴殄天物！

論文內(nèi)容概述

具體來說，研究人員想要探索如何將人類意識與人工智能模型相結(jié)合來加速科學發(fā)展。

通過實驗和數(shù)據(jù)集對比后，發(fā)現(xiàn)人工智能模型可以模擬人類科學家的推論，從而預測未來的發(fā)現(xiàn)，也能產(chǎn)生有價值的補充假設(shè)，還能幫助科學家避開那些沒有前景的研究。

根據(jù)已發(fā)表的科學發(fā)現(xiàn)進行訓練的AI模型，已經(jīng)在材料科學領(lǐng)域幫助發(fā)明了有價值的材料，或者是在醫(yī)學領(lǐng)域發(fā)現(xiàn)了靶向療法。

但這樣的AI只針對已有的科學發(fā)現(xiàn)進行了訓練，沒有結(jié)合更加專業(yè)的科學家認知。

研究人員在論文中表明，通過在人類專家可認知的推理上訓練無監(jiān)督模型來整合人類專業(yè)知識的分布，可以顯著提高（高達400%）AI對未來科學發(fā)現(xiàn)的預測能力。

這樣的方法大大超越了僅針對具體研究內(nèi)容進行訓練的AI預測。

尤其是在相關(guān)文獻和成果比較稀少的領(lǐng)域，這個方法的效果尤為明顯。

這類模型成功地預測了科學家將會做出的預測。

而且研究人員通過這個方式對「外星人」假設(shè)進行了科學的預測。

而如果沒有AI的幫助，人類在短期之內(nèi)是不可能解決這類假設(shè)的。

研究人員相信，具有人類意識的人工智能能夠加速人類的發(fā)現(xiàn)或探索人類的盲點，使人類能夠快速地大幅拓展科學的邊界。

具體來說，研究人員首先將科學發(fā)現(xiàn)定義為：

首次報告現(xiàn)有材料與明確定義的屬性之間的關(guān)系。

例如，「萬古霉素可用于治療肺炎」，其中萬古霉素是材料，有效治療肺炎是屬性。

然后，研究人員的方法利用了對候選發(fā)現(xiàn)中涉及的每個主題集結(jié)的人類科學家分布的確定量，利用無監(jiān)督流形學習（unsupervised manifold learning）的技術(shù)，結(jié)合可以獲取到的出版物原始數(shù)據(jù)進行分析。

研究人員擴展了這種研究方法，用來識別更廣泛的材料及其功能屬性的矩陣，預測了治療一百多種不同人類疾病的數(shù)千種藥物的發(fā)現(xiàn)，其中包括針對COVID-19的疫苗和療法。

研究方法

每個發(fā)科學現(xiàn)的預測實驗包括一個目標屬性和一組材料，其中材料由一個預測器進行評分，并選擇得分最高的50種材料作為預測結(jié)果。

每個預測器通過計算材料與屬性之間的相似度來對個別材料進行評分。

基于研究人員的超圖（Hepergraph）的預測器使用的相似性度量包括材料節(jié)點和屬性節(jié)點之間具有一個和兩個中間作者節(jié)點的轉(zhuǎn)移概率（因此是兩步和三步的轉(zhuǎn)移，即s=2和s=3），以及在deepwalk嵌入空間中的余弦相似度。

前者可以通過貝葉斯規(guī)則計算，無需生成隨機游走（randam walk），但后者需要在研究人員的超圖上顯式生成一組隨機行走序列。

基于內(nèi)容的復制基線中的相似性度量是在在預測年份之前產(chǎn)生的出文獻語料庫上訓練的Word2Vec模型的嵌入空間中的余弦相似度。

每個屬性和潛在材料集合的出版物語料庫和真實發(fā)現(xiàn)結(jié)果的準備方式各不相同。

用超圖來將人類專家進行整合

研究人員通過構(gòu)建一個基于研究出版物的超圖（Hypergraph）來對科學家集體和認知上可訪問的推論分布進行共同建模。

超圖是一個廣義的圖，其中一條邊連接的是一組節(jié)點而不是節(jié)點對。

研究人員的研究超圖是混合的，其中的節(jié)點不僅對應(yīng)于標題或摘要中提到的材料和屬性，還包括研究它們的科學家（如下圖）。

圖片

在構(gòu)建研究超圖之后，研究人員通過在其上生成隨機游走序列來識別認知上可訪問的推斷。

這些游走為人類科學家提供了推理路徑，并追蹤發(fā)現(xiàn)了足以為前沿研究提供的各種專業(yè)知識的混合路徑。

如果一個科學家在先前的研究中使用過鉛鈦酸鉛（PbTiO3）這種鐵電材料（可逆的電極化現(xiàn)象，用于傳感器中），那么在研究具有價值的材料性質(zhì)（例如鐵電性）時，這個科學家更有可能考慮鉛鈦酸鉛是否具有鐵電性，而沒有研究經(jīng)驗的科學家則不太可能這樣做。

如果這個科學家后來與之前曾經(jīng)研究過亞硝酸鈉（NaNO2）這種鐵電材料的另一個科學家合作發(fā)表論文，那么通過對話，這個科學家更有可能想象亞硝酸鈉是否具有這種屬性，而沒有這種個人聯(lián)系的科學家則不太可能這樣做。

通過這種方式，研究人員的研究超圖上的隨機游走密度與認知上的合理性和通過對話獲得的推論密度成比例。

如果兩個文獻沒有共著的科學家，那么在研究超圖中，隨機游走就很少會將其橋接。

就像一位科學家很少會考慮將一個只有一個領(lǐng)域重視的屬性，但與另一個完全不相干的領(lǐng)域所了解的材料聯(lián)系起來一樣（如下圖）。

研究人員假設(shè)，識別周圍具有高人類專家密度的主題將會為研究人員提供近期發(fā)現(xiàn)的有價值的信息信號。

就超圖中在它們之間移動所需的步數(shù)而言，這些主題在超圖中相隔甚遠，需要許多步才能在它們之間游走。但是如果中間步驟在社會中交叉足夠密集，且便于談話和協(xié)作，那么隨機游走和科學思維可以輕松地在它們之間旅行（上圖）。

為了生成每個隨機游走序列，模型 (i) 以一個有價值的屬性（例如鐵電性）作為序列中的第一個節(jié)點開始游走，(ii) 隨機選擇提到該屬性的一篇文章（超邊），(iii) 從那篇文章中隨機選擇一個材料或作者作為下一個節(jié)點，然后通過隨機選擇與新選擇的材料或作者有關(guān)的另一篇文章開始第二步，并重復這個馬爾可夫過程 （Markov process）預定次數(shù)（如下圖）。

圖片

每一步隨機游走都可以看作是對人類行為的模擬：

作者-作者步模擬了兩個專家合作者之間的網(wǎng)絡(luò)或談話；

作者-材料或作者-屬性步表示作者對他們研究和發(fā)表過的所選材料/屬性非常熟悉；

材料/屬性-材料/屬性步抓住了這種轉(zhuǎn)變可能通過讀取一系列科學文章而為人類科學家實現(xiàn)的可能性。

但由于某些學科間的協(xié)作特性，研究超圖中的作者節(jié)點遠遠多于材料。為了補償這種不平衡，研究人員設(shè)計了一個非均勻采樣分布，其參數(shù)化由α決定。

α粗略地確定了結(jié)果序列中的材料與作者節(jié)點的比例。具體地,當從一篇論文中采樣一個節(jié)點時（例如上述(iii)中），定義α以使選擇材料的概率是選擇作者的α倍（如下圖）。

圖片

較大的α值會導致更頻繁地對材料進行采樣，模擬研究人員將主要通過研究和閱讀來發(fā)現(xiàn)新的科學可能性；

α值越小，作者選擇的頻率越高，這意味著研究主要通過社會網(wǎng)絡(luò)、交流對話和與該領(lǐng)域的其他人協(xié)作進行發(fā)現(xiàn)。

在混合超圖上進行的隨機游走會在節(jié)點之間誘導有意義的鄰近關(guān)系：

兩個作者之間的鄰近關(guān)系暗示著他們具有相似的研究興趣和經(jīng)歷；

一個材料與一個屬性之間的鄰近關(guān)系反映了該材料可能具有該屬性的可能性,也反映了一位科學家可能會通過研究經(jīng)驗、相關(guān)閱讀或社會互動而熟悉該材料的可能性；

一個材料與一位科學家之間的鄰近關(guān)系評估了其是否已經(jīng)或?qū)⒁煜つ欠N材料的可能性；

兩個材料之間的鄰近關(guān)系暗示著它們可能是替代品、互補品,或者共享另一種更微妙的關(guān)系，如相互作用或比較。

最后，一個材料與一個屬性之間的鄰近關(guān)系會揭示該科學家可能會發(fā)現(xiàn)和發(fā)表該材料(如下圖)。

通過這種方式，超圖誘導的鄰近關(guān)系結(jié)合了文獻中潛在的物理和材料屬性，也結(jié)合了人類科學家的分布。

這使研究人員能預測那些科學家的推斷并預測即將到來的發(fā)現(xiàn)。

人類科學家的分布能從科學家們出席會議和調(diào)查他們的領(lǐng)域中，尋找到有前途的新方向。

為了預測具有重要屬性材料的潛在發(fā)現(xiàn)，研究人員利用隨機游走誘導的節(jié)點相似性指標來捕獲目標屬性與候選材料之間的相關(guān)性。

這些指標在屬性/材料節(jié)點對之間進行評估，反映了相應(yīng)節(jié)點的人類可推斷相關(guān)性，并對候選材料進行排序，報告那些推斷擁有該屬性排名最高的材料。

這種簡單的度量利用局部超圖結(jié)構(gòu)來估計隨機步行者在固定步數(shù)（用s表示）內(nèi)通過中間作者節(jié)點從屬性節(jié)點移動到材料的過渡概率。

研究人員使用貝葉斯規(guī)則來計算這些概率，而無需實際運行隨機游走采樣器（如下圖）。

在這里，只需要考慮兩步和三步轉(zhuǎn)移（s=2和s=3）。然而，研究的主要指標選擇基于一個流行的無監(jiān)督神經(jīng)網(wǎng)絡(luò)嵌入算法（deepwalk），它是在研究生成的隨機游走上進行估計的。

雖然基于文本嵌入，主要捕獲的是詞之間的語義相關(guān)性，但此研究方法能夠保留所有節(jié)點之間的超圖鄰近關(guān)系，同時還能獲得詞向量。

因此結(jié)果可以用來測量每個材料相對于目標屬性的人類認知可及性。

因為推斷出發(fā)現(xiàn)涉及的相關(guān)材料，研究人員在從隨機游走序列中排除了作者，并將訓練后的deepwalk嵌入模型（下圖）。

結(jié)果嵌入空間中的余弦相似度可以用作相關(guān)性指標。

研究人員使用這兩個相關(guān)性指標：轉(zhuǎn)移概率和deepwalk相似度，作為選擇最有可能出現(xiàn)為下一個發(fā)現(xiàn)的材料的雙重標準。

另外，研究還訓練了更深的圖卷積神經(jīng)網(wǎng)絡(luò)。這確認了從deepwalk獲得的結(jié)果模式。

總的來說，研究通過構(gòu)建包含多類節(jié)點的超圖，在上面模擬科學家行為，來捕捉科學認知和協(xié)作的特點，從而預測科學發(fā)現(xiàn)。

這項研究不僅考慮節(jié)點內(nèi)容，也考慮科學家分布，能使模型結(jié)果更符合人類思維。

參與人類發(fā)現(xiàn)的成果

為了證明人類專家的計算能力，研究人員使用轉(zhuǎn)移概率和deepwalk指標來構(gòu)建兩個替代的發(fā)現(xiàn)預測器。

這些算法通過嵌入人類感知的超圖，根據(jù)給定預測年份（例如2001年）之前發(fā)表的文獻來評估焦點屬性與每個候選材料的相關(guān)性。

研究人員將他們的預測與隨機基線和精確復制的先前工作生成的預測進行對比，這些預測使用基于科學文獻文本內(nèi)容的詞嵌入，而不考慮人類科學家的分布。

這項準備工作通過Word2Vec模型的余弦相似性來衡量屬性/材料的相關(guān)性，該模型是根據(jù)預測年之前發(fā)表的科學文章的內(nèi)容進行訓練的。

研究人員的實驗和評估框架與本研究的設(shè)置相同，以便于精確復制。

每個評估的算法都會根據(jù)超圖或Word2Vec相似性度量選擇與焦點屬性最相似的50種材料，并將它們報告為發(fā)現(xiàn)預測。

研究人員根據(jù)預測年份與發(fā)現(xiàn)和發(fā)布的材料的重疊來評估預測質(zhì)量。

能源相關(guān)材料預測

在研究人員的第一組實驗中，他們針對10萬種候選無機化合物考慮了熱電、鐵電和光伏容量的寶貴電化學特性。

在同一數(shù)據(jù)集（有關(guān)無機材料的150萬篇科學文章）上，研究團隊針對2001 年所有三個屬性的預測進行了預測實驗，預測未來的發(fā)現(xiàn)作為當代科學家公開研究的函數(shù)。

他們計算了預測年份之后的年度精度，直到2018年底（下圖1）并以累積方式將其可視化（下圖2）。結(jié)果表明，考慮到人類科學家分布的預測對所有屬性和材料的預測平均優(yōu)于基線100%。

圖1

藥物重新利用的預測

研究人員使用相同的方法來探索約4K種FDA批準的現(xiàn)有藥物的重新利用，以治療100種重要的人類疾病。

他們使用生物醫(yī)學研究的MEDLINE數(shù)據(jù)庫文獻并將預測年份設(shè)置為2001年（下圖）。

事實真相的發(fā)現(xiàn)是基于比較毒理學數(shù)據(jù)庫（CTD）的專家管理者建立的藥物與疾病的關(guān)聯(lián)，該數(shù)據(jù)庫記錄了化學品影響人類健康的能力。

下圖報告了預測年份18年后的預測精度，揭示了在研究人員的無監(jiān)督超圖（unsupervized hypergraph）嵌入中考慮生物醫(yī)學專家的分布如何產(chǎn)生，比僅考慮研究內(nèi)容的相同模型高43%的預測精度。

研究人員發(fā)現(xiàn)他們的人類感知預測精度與文獻中的藥物出現(xiàn)頻率之間存在很強的相關(guān)性（r=0.74，p<0.001），這意味著研究人員的方法最適合先前研究中經(jīng)常提到相關(guān)藥物的疾病。

COVID-19治療和疫苗預測

研究人員還考慮了治療或預防SARS-CoV-2感染的療法和疫苗。

這里，預測年定為2020年（下圖），全球范圍內(nèi)開始認真尋找相關(guān)藥物和疫苗。

繼先前研究之后，如果一種療法能夠匯集和COVID-19臨床案例相關(guān)的實質(zhì)性證據(jù)，那么研究人員考慮認為這種療法與COVID-19相關(guān)。

如下圖所示的結(jié)果表明，通過轉(zhuǎn)移概率和基于深度游走（deepwalk）的指標做出的預測，分別有36%和38%的預測，被專家在預測日期后12個月內(nèi)進行了大規(guī)模的臨床試驗來進行評估（即到2020年12月為止），到2021年7月底，這一比例進一步增加到42%。

這比僅由科學內(nèi)容加持的AI模型生成的候選發(fā)現(xiàn)的精確度高出350至400%（第一次發(fā)現(xiàn)后的精確度為10%，到2021年7月精確度為12%）。

這些COVID-19預測的成功表明，對COVID療法和疫苗的快節(jié)奏研究如何提高了科學家先前研究經(jīng)驗和網(wǎng)絡(luò)的重要性。

針對人類的預測

研究人員的預測模型利用發(fā)現(xiàn)的專家分布，成功改進了發(fā)現(xiàn)預測。

為了證明這一點，研究人員考慮了從預測年份開始科學家做出發(fā)現(xiàn)所需的時間。

認知上接近研究特定屬性的研究人員社區(qū)的材料會受到更多關(guān)注，并且它們與該屬性的關(guān)系可能比遠離社區(qū)的材料更早被調(diào)查、發(fā)現(xiàn)和發(fā)布。

換句話說，發(fā)現(xiàn)的「等待時間」應(yīng)該與認識到某個屬性和候選材料的專家群體的規(guī)模成反比。

研究者通過將屬性/材料對之間的人類專家密度定義為兩組人類專家的杰卡德（Jaccard）指數(shù)來衡量這一群體的規(guī)模：在最近的文獻中提到該屬性的人和提到每種候選材料的人（下圖），這個圖衡量了社區(qū)研究屬性和質(zhì)量之間的重疊百分比。

對于前面提到的所有三種電化學特性、COVID-19療法和疫苗，以及上面考慮的100種疾病中的大多數(shù)，研究發(fā)現(xiàn)日期和專家密度之間的相關(guān)性是負的、顯著的和實質(zhì)性的（如下圖）。

這一結(jié)果證實了研究人員的假設(shè)，即受到更大量專家關(guān)注的材料會更早被發(fā)現(xiàn)。

研究人員的預測模型有效地利用過去文獻的超圖來合并展示了這些人類專家密度（下圖）。

基于嵌入鄰近度可以得出類似的結(jié)果如：

下圖說明了研究人員的預測如何聚集在人類專家及其研究的材料的聯(lián)合嵌入空間中的密度峰值上。

這進一步證明，研究人員的關(guān)注人類專家的方法可能會選中更容易被該領(lǐng)域的專家接觸到的科學發(fā)現(xiàn)。

對于補充人類發(fā)現(xiàn)的成果

研究人員可以利用人類認知可用性模型不僅可以接近和模仿，還可以回避沒有前景的研究和補充人類專家的分布。

人類的概念聯(lián)系是由先前的發(fā)現(xiàn)及其發(fā)現(xiàn)者引導的（如下圖）。

為了構(gòu)建具有人類意識的AI，提出科學家不可能想象的概念聯(lián)系，研究人員使用混合超圖中作者互連的概念節(jié)點對之間的最短路徑距離（SPD），來反轉(zhuǎn)了測量人類認知可認識性的方法。

為了排除缺乏科學前景的候選假設(shè)，研究人員將認知不可用性與科學合理性信號結(jié)合起來。

該信號可以由已發(fā)表的研究文獻的內(nèi)容提供，并通過無監(jiān)督的知識嵌入模型進行量化。

或者說，科學合理性的信號可以從理論驅(qū)動的材料特性模型中得出。

在這里，研究中的算法使用無監(jiān)督的知識嵌入，保留理論驅(qū)動的屬性模擬來評估預測結(jié)果的價值和人類互補性。

具體來說，研究人員使用該假設(shè)中涉及的材料和屬性節(jié)點的嵌入向量之間的余弦相似性來預測任何給定假設(shè)的科學價值。

下圖概述了研究人員的算法方法，以此識別科學上合理且人類無法認知或互補的發(fā)現(xiàn)。

以從文獻中提取出一個候選材料池為開頭，研究人員在先前的分析基礎(chǔ)上以集成的方式計算人類可訪問性和科學合理性信號，以生成類似人類的預測。

在之前的文獻中使用無監(jiān)督詞嵌入模型，以嵌入內(nèi)的余弦距離來衡量科學相關(guān)性。

評估發(fā)現(xiàn)的預測

研究人員的人類感知模型旨在讓他們能夠調(diào)整預測與近期人類發(fā)現(xiàn)的相似程度。

隨著增加??，算法會避免人類可訪問的位于高專家密度區(qū)域內(nèi)的推論，并專注于跨越學科鴻溝并逃避人類注意力的候選材料和屬性。

結(jié)果強烈證實了研究預期，即以較高??值推斷的材料不太容易被人類科學家發(fā)現(xiàn)（下圖）。

此外，距離超圖中給定屬性較遠的材料預計在較長時間內(nèi)對于該屬性附近的科學家來說仍然無法認知（如下圖）。

該領(lǐng)域的研究人員需要更多的時間來彌合將不熟悉的材料與有價值的屬性分開的知識差距。

在最終發(fā)現(xiàn)的推論中，研究人員測量了發(fā)現(xiàn)等待時間，并期望隨著預測從負（人類競爭）??值轉(zhuǎn)向正（人類互補）??值，觀察到等待時間的增加趨勢。

每個??值生成50個假設(shè)并評估結(jié)果預測表明，對于大多數(shù)目標屬性，當增加??時，平均發(fā)現(xiàn)等待時間顯著增加（如下圖）。

評估沒有發(fā)現(xiàn)的預測

為了評估研究人員的算法預測的科學價值，包括那些在研究期間尚未發(fā)現(xiàn)的預測，還需要現(xiàn)有文獻之外的數(shù)據(jù)。

對于較大的??值，此類假設(shè)必然會涵蓋絕大多數(shù)情況。

如果科學是一個有效的市場，并且專家以最佳方式追求科學質(zhì)量，那么在人類回避的高??假設(shè)中，將觀察到科學承諾和功效成比例下降。

另一方面，如果科學家們沿著科學可能性的前沿聚集在一起，并且其持續(xù)努力產(chǎn)生的邊際回報遞減，那么在超越這些前沿時，可能會觀察到希望的增加。

為了驗證這一點，研究人員將平均理論得分的變化與各種??值生成的假設(shè)的可發(fā)現(xiàn)性進行了對比。

如下圖（第一行）所示，可發(fā)現(xiàn)性在??從負值到正值轉(zhuǎn)變附近下降，但其衰減比平均理論分數(shù)急劇得多，直到接近?? = 0.4時才會崩潰。

這適用于電化學特性和大多數(shù)疾病。某些個別疾病的結(jié)果可以在上圖的第二行中看到。

如下圖所示，本節(jié)中考慮的絕大多數(shù)屬性都會產(chǎn)生大量且顯著的正期望差距。

在此基礎(chǔ)上，研究人員使用概率模型來評估他們的算法與科學界對??的任何值的預測的互補性。

這是通過顯式計算聯(lián)合概率來完成的，即隨機選擇的預測在所需屬性方面是合理的，并且超出了當前科學家的研究范圍。

這些概率指定了在增強人類集體預測方面平衡利用和探索的最佳??。

下圖的結(jié)果表明最佳點因不同屬性而異，但可以將范圍0.2-0.3區(qū)分為最一致有希望的區(qū)間。

在此期間，盡管假設(shè)不太可能來自科學界，但很可能產(chǎn)生成功的科學結(jié)果。

結(jié)論和討論

這項研究證明了在人工智能系統(tǒng)中結(jié)合人類意識，能夠加速實現(xiàn)對未來的發(fā)現(xiàn)。

研究中的人工智能模型通過直接預測人類發(fā)現(xiàn)和將要做出這些發(fā)現(xiàn)的人類專家，使預測精度提高了400%。

這些發(fā)現(xiàn)支持了超圖中所描繪的人類經(jīng)驗和社會之間的聯(lián)系在推動科學進步中的影響。

此外，通過調(diào)整研究中的算法來避免群體性思維，得到了前景廣闊但在未來數(shù)年內(nèi)如果沒有機器的幫助則不太可能被想象、追求或發(fā)表的假設(shè)。

通過識別和糾正由領(lǐng)域界限和制度化教育形成的人類注意力的集體模式，這些模型補充了當代科學界的研究。

這表明研究人員專家意識超圖中的連接性不僅對預測和加速人類在近期的發(fā)現(xiàn)有用，而且對推斷只能在遙遠的未來才能被科學家想象的顛覆性發(fā)現(xiàn)也有用。

研究人員還成功揭示了人類科學機構(gòu)對科學發(fā)現(xiàn)的影響，這些機構(gòu)將使科學家聚集在可能發(fā)現(xiàn)的前沿共同體中。

而研究中提出的「外星人」或人類與人工智能互補假設(shè)的成功，表明科學部門和學科的設(shè)置實質(zhì)上限制了富有成效的探索。并指出人類能夠通過重塑科學教育以實現(xiàn)和發(fā)現(xiàn)改善人類預測的機會。

在這個研究分析過程中，強調(diào)了人工智能結(jié)合人類個體和社會因素來補充而不是取代人類專業(yè)知識的力量。

人工智能可以設(shè)計為與科學界共同發(fā)展的系統(tǒng)和工具，而不是與之對抗的威脅。事實上，人工智能的加入能夠幫助擴大人類想象力和科學探索的邊界。