Изграждане на бъдещето на науката: Какво означава наръчникът на Института „Аспен“ за ИИ за университетите
| Who can afford to do AI-enabled research? Who controls scientific data once an AI system starts reusing it? And can we still trust research when machines help write it, analyze it, and even review it? On 19 October 2026, the Aspen Institute Science & Society Program published Building the Future of Science: A Policy Playbook for Infrastructure, Governance, and Trust in the Age of AI. It follows their September report AI for Discovery and comes out of summer 2026 roundtables with 47 participants from seven countries. Independent reviewers then tested the draft recommendations for realism. The result is 24 recommendations in three areas. 1. Infrastructure: People Matter More Than Hardware Access to compute and AI tokens is becoming a new source of inequality. One participant described the difference between unlimited and rationed tokens as “night and day.” The playbook’s key point, though, is that hardware alone is not enough. Universities need research data scientists and machine-learning engineers embedded alongside researchers to turn scientific questions into working computation. Recommendations include: – regional computing consortiums – permanent national user facilities instead of expiring commercial cloud credits – matching models to the problem rather than defaulting to the largest one – international partnerships that leave lasting capacity with the partner institution As one participant put it, “investment in thinking about AI is not the same as investment in more AI.” 2. Data Governance: From Datasets to Pipelines Current rules govern data at the moment of release. AI, however, acts on data at the moment of reuse, when it is scraped, recombined and reanalyzed. The playbook therefore proposes attaching governance to computational pipelines and models, not to individual datasets. Other proposals: – carry provenance and “fitness for use” metadata through the whole pipeline, building on FAIR and CARE – expand secure data enclaves and Trusted Research Environments – treat privacy as collective, since AI can draw inferences about people whose own data was never used – reward data sharing and curation in tenure and grant evaluation 3. Trustworthiness: The Risk of “Polluting the Literature” The figures cited are striking. One journal saw submissions rise 42% after ChatGPT’s release, almost entirely from AI-generated writing. A Nature analysis of 41.3 million papers found that AI-augmented scientists publish about three times as many papers and receive nearly five times as many citations. The concern is not mainly fabrication. It is a flood of correct but trivial research. The playbook also documents reviewers submitting chatbot-generated reviews. Its responses: – disclosure requirements for reviewers as well as authors – precise vocabulary that separates predictive from generative AI – reformed incentives along the lines of DORA – hybrid workflows that protect mentor-apprentice training and prevent de-skilling A Simple Example: A Systematic Review at University Imagine a doctoral student who uses an LLM-written script to screen thousands of Scopus and OpenAlex records for a literature review. The playbook’s logic implies three questions: – Is the script and workflow saved so others can reproduce the screening? – Is the AI’s role disclosed precisely (“screening of abstracts”), not vaguely (“AI was used”)? – Did the student still develop the judgment to evaluate the sources herself? Why Does This Matter for European Universities? The playbook is US-centred, but it explicitly compares GDPR with HIPAA. Its consortium model has a European parallel: Bulgaria already hosts a EuroHPC supercomputer, Discoverer, in Sofia. For smaller universities, the message is that shared regional capacity and skilled support staff matter more than owning hardware. What Should Researchers, Instructors, and Students Do? – Researchers should keep auditable records of code, prompts and workflows, and disclose AI use specifically. – Instructors can teach the difference between offloading routine tasks and surrendering judgment to the tool. – Doctoral students should treat reproducibility and data provenance as part of research literacy. – Research offices and libraries can audit which AI tools are in use, and invest in people as well as licenses. Conclusions First, AI access is now an equity issue. Shared infrastructure and expert staff should come before isolated tool purchases. Second, data governance must follow data through reuse, not stop at the moment it is published. Third, research evaluation must reward quality, transparency and data sharing over volume. Otherwise, AI will mainly help us produce more mediocre science faster. Read the full playbook and the Aspen Institute summary. | Кой може да си позволи научни изследвания с изкуствен интелект? Кой контролира научните данни, когато ИИ системите започнат да ги използват повторно? И можем ли да се доверяваме на изследвания, които машините помагат да бъдат написани, анализирани и дори рецензирани? На 19 октомври 2026 г. Програмата „Наука и общество“ на Института „Аспен“ публикува Building the Future of Science: A Policy Playbook for Infrastructure, Governance, and Trust in the Age of AI. Документът продължава септемврийския доклад AI for Discovery и е резултат от кръгли маси през лятото на 2026 г. с 47 участници от седем държави. Независими рецензенти след това проверяват доколко проектопрепоръките са приложими. Резултатът е 24 препоръки в три области. 1. Инфраструктура: хората са по-важни от хардуера Достъпът до изчислителна мощ и до ИИ токени се превръща в нов източник на неравенство. Един от участниците описва разликата между неограничени и лимитирани токени като „ден и нощ“. Основната теза на наръчника обаче е, че хардуерът сам по себе си не е достатъчен. Университетите се нуждаят от специалисти по данни и инженери по машинно обучение, които работят редом с изследователите и превръщат научните въпроси в работещи изчисления. Препоръките включват: – регионални изчислителни консорциуми – постоянни национални изчислителни центрове вместо временни облачни кредити от компании – избор на модел според задачата, а не по подразбиране най-големия – международни партньорства, които оставят траен капацитет в партньорската институция Както казва един от участниците, „инвестицията в мислене за ИИ не е същото като инвестиция в повече ИИ“. 2. Управление на данните: от набори от данни към процеси Сегашните правила регулират данните в момента на публикуването им. ИИ обаче действа върху данните в момента на повторната им употреба, когато те се извличат, комбинират и анализират наново. Затова наръчникът предлага правилата да се прилагат към изчислителните процеси и моделите, а не към отделните набори от данни. Други предложения: – метаданни за произход и „пригодност за употреба“, които съпровождат данните през целия процес, на основата на принципите FAIR и CARE – разширяване на защитените среди за данни (Trusted Research Environments) – разбиране на поверителността като колективна, тъй като ИИ може да прави изводи за хора, чиито собствени данни никога не са били използвани – отчитане на споделянето и поддържането на данни при академичното израстване и оценката на проекти 3. Надеждност: рискът от „замърсяване на литературата“ Цитираните данни са впечатляващи. Едно списание отчита ръст от 42% на подадените ръкописи след появата на ChatGPT, почти изцяло от текстове, генерирани с ИИ. Анализ в Nature на 41,3 млн. статии показва, че учените, използващи ИИ, публикуват около три пъти повече статии и получават почти пет пъти повече цитирания. Основният проблем не е фалшификацията. Проблемът е потокът от коректни, но тривиални изследвания. Наръчникът описва и случаи на рецензии, генерирани с чатбот. Предлаганите мерки: – изисквания за деклариране на ИИ както за авторите, така и за рецензентите – прецизен речник, който разграничава предсказващия от генеративния ИИ – реформа на стимулите в духа на DORA – хибридни работни процеси, които опазват връзката ментор–обучаем и предотвратяват загубата на умения Един пример: систематичен преглед в университет Представете си докторант, който използва скрипт, написан с помощта на LLM, за да прегледа хиляди записи от Scopus и OpenAlex за литературен обзор. Логиката на наръчника води до три въпроса: – Запазени ли са скриптът и работният процес, така че прегледът да може да бъде възпроизведен? – Посочена ли е точно ролята на ИИ („подбор по резюмета“), а не общо („използван е ИИ“)? – Развил ли е докторантът собствена преценка, за да оценява източниците сам? Защо това е важно за европейските университети? Наръчникът е съсредоточен върху САЩ, но изрично сравнява GDPR с HIPAA. Моделът на консорциумите има европейски аналог: в България, в София, вече работи суперкомпютърът Discoverer, част от EuroHPC. Посланието за по-малките университети е, че споделеният регионален капацитет и квалифицираните кадри са по-важни от притежаването на хардуер. Какво означава това за изследователите, преподавателите и студентите? – Изследователите трябва да пазят проверими записи на кода, промптовете и работните процеси и да посочват конкретно как е използван ИИ. – Преподавателите могат да учат студентите да различават разтоварването на рутинни задачи от предаването на собствената преценка на инструмента. – Докторантите трябва да възприемат възпроизводимостта и произхода на данните като част от изследователската грамотност. – Научните звена и библиотеките могат да проверят кои ИИ инструменти се използват и да инвестират в хора, а не само в лицензи. Изводи Първо, достъпът до ИИ вече е въпрос на равнопоставеност. Споделената инфраструктура и експертните кадри трябва да предхождат отделните покупки на инструменти. Второ, управлението на данните трябва да следва данните и при повторната им употреба, а не да спира в момента на публикуването им. Трето, оценяването на научната дейност трябва да награждава качеството, прозрачността и споделянето на данни, а не броя публикации. В противен случай ИИ ще ни помага основно да произвеждаме повече посредствена наука по-бързо. Разгледайте пълния наръчник и резюмето на Института „Аспен“. |