Sztuczna inteligencja coraz mocniej zaznacza swoją obecność w badaniach naukowych. Wykorzystują ją informatycy, inżynierowie, matematycy, a także zespoły prowadzące badania medyczne i społeczne. Zmienia się nie tylko tempo pracy badawczej, lecz także sposób projektowania eksperymentów i poszukiwania nowych kierunków badań. Na polskich uczelniach rozwój tej technologii przebiega dwutorowo. Naukowcy korzystają z komercyjnych modeli i narzędzi otwartych, ale rozwijają też własne rozwiązania, dostosowane do konkretnych problemów badawczych. Jednocześnie jej wykorzystanie rodzi pytania o wiarygodność wyników, ochronę danych, kompetencje badaczy i finansowanie infrastruktury.

Od przeszukiwania literatury do analizy eksperymentów

Na Politechnice Łódzkiej badania nad sztuczną inteligencją mają ponad 30-letnią tradycję. Jak mówi dr hab. inż. Jacek Kucharski, dziekan Wydziału Elektrotechniki, Elektroniki, Informatyki i Automatyki, uczelnia korzysta z dostępnych modeli językowych, ale prowadzi również prace nad własnymi metodami. Obejmują one m.in. wykorzystanie sztucznych sieci neuronowych do modelowania i prognozowania nieliniowych zależności, analizy obrazów cyfrowych, przetwarzania sygnałów i systemów sterowania. Generatywna AI otwiera natomiast nowe możliwości pracy z informacją naukową.

– Niewątpliwie otwarty dzięki modelom językowym szeroki dostęp do niemal nieograniczonych zasobów cyfrowych, przy jednoczesnej, nieistniejącej wcześniej możliwości ich efektywnego przeszukiwania i analizowania, pozwala na lokowanie własnych badań w szerokim kontekście tego, co działo się i dzieje w światowej nauce – wskazuje Jacek Kucharski. Zastrzega, że konieczne jest krytyczne podejście do uzyskiwanych informacji.

Wspomaganie diagnostyki raka płuca

Jednym z przykładów wykorzystania sztucznej inteligencji w badaniach o potencjalnym zastosowaniu klinicznym jest projekt LUMINA, realizowany przez naukowców Politechniki Krakowskiej we współpracy z ośrodkami naukowymi w Danii i we Włoszech oraz Narodowym Instytutem Onkologii im. Marii Skłodowskiej-Curie. Zespół pracuje nad nowymi metodami diagnostyki i przewidywania odpowiedzi na leczenie raka płuca. Projekt zakłada łączenie informacji pochodzących z różnych źródeł, m.in. tomografii komputerowej, elektronicznej dokumentacji medycznej, badań laboratoryjnych i historii leczenia. Takie podejście pozwala analizować dane dotyczące pacjenta w szerszym kontekście, zamiast rozpatrywać każdy rodzaj informacji osobno.

– Projekt LUMINA wprowadza przełomową metodologię, której sercem jest architektura sztucznej inteligencji oparta na mechanizmie uwagi, zaprojektowana do łączenia danych pacjentów zbieranych w czasie i pochodzących z różnych źródeł, takich jak tomografia komputerowa, elektroniczna dokumentacja medyczna, wyniki badań laboratoryjnych oraz historia leczenia – mówi dr hab. inż. Paweł Pławiak, dziekan Wydziału Informatyki i Matematyki Politechniki Krakowskiej, koordynator politechnicznej części badań. Wśród rozwijanych rozwiązań wymienia np. cyfrowego bliźniaka BRONCHI DT, przeznaczonego do wspomagania wczesnej diagnostyki, stratyfikacji ryzyka i personalizacji leczenia raka płuca oraz koncepcję Blood-to-Image, w której biomarkery krwi mają być wykorzystywane do tworzenia wizualizacji jakości tomografii komputerowej. Tego rodzaju projekty pokazują, jak AI może wspierać analizę złożonych danych medycznych.

Badania nad zastosowaniami AI w medycynie prowadzi także Politechnika Wrocławska. W rozpoczętym w tym roku projekcie dotyczącym chorób metabolicznych wątroby naukowcy łączą hodowlę organoidów, czyli trójwymiarowych modeli tkanek, z analizą danych biochemicznych i obrazowych. Opracowywana platforma AI ma wykrywać zmiany trudne do rozpoznania tradycyjnymi metodami. Uczelnia rozwija również program „Polska AI dla zdrowia”, realizowany z Dolnośląskim Centrum Onkologii, Pulmonologii i Hematologii. Jego celem jest przygotowanie bazowego modelu medycznego i infrastruktury do tworzenia narzędzi dla różnych specjalizacji. – Pierwszym obszarem pilotażowym będzie onkologia, w szczególności rak płuca – informuje dr hab. inż. Tomasz Kajdanowicz, prof. uczelni, kierownik Katedry Sztucznej Inteligencji na Wydziale Informatyki i Telekomunikacji PWr.

Własne modele i dostęp do mocy obliczeniowej

Uniwersytet Gdański rozwija infrastrukturę badawczą w ramach Interdyscyplinarnego Laboratorium Zastosowań Sztucznej Inteligencji. Korzysta również z rozwiązań komercyjnych, modeli otwartych i ogólnopolskich zasobów superkomputerowych PLGrid. Jak mówi dr Jakub Neumann, prof. UG, prodziekan ds. rozwoju Wydziału Matematyki, Fizyki i Informatyki, dyrektor Interdyscyplinarnego Laboratorium Zastosowań Sztucznej Inteligencji UG, narzędzia AI są wykorzystywane w badaniach niemal we wszystkich dyscyplinach reprezentowanych na uczelni. Jednym z przykładów jest międzynarodowy projekt NeuroAI. Badacze pracują w nim nad wykorzystaniem rozwiązań inspi- rowanych budową i funkcjonowaniem ludzkiego mózgu w architekturze sztucznych sieci neuronowych.

Na UG prowadzone są także prace nad dostrajaniem modeli otwartych, czyli przystosowywaniem ich do określonych zadań. – AI przyspiesza pracę, a także poszerza możliwości automatycznej analizy i weryfikacji wyników – mówi Jakub Neumann. Wskazuje przy tym na zastosowania w matematyce. Zaawansowane modele mogą pomagać w przeprowadzaniu dowodów twierdzeń lub ich fragmentów, a także wskazywać kontrprzykłady obalające hipotezy.

Własne narzędzia rozwija również Politechnika Wrocławska. Naukowcy uczestniczą w pracach nad polskim modelem językowym PLLuM, a opracowany na uczelni system SciMatch PWr pomaga znajdować partnerów do badań w europejskim sojuszu Unite!. Jak podkreśla Tomasz Kajdanowicz, PWr nie ogranicza się do korzystania z modeli komercyjnych. Rozwija rozwiązania przeznaczone do konkretnych procesów badawczych, co pozwala dostosowywać je do potrzeb naukowców.

Inżynier wspierany przez algorytmy

Na Politechnice Krakowskiej AI znajduje zastosowanie również w badaniach i kształceniu związanym z budownictwem. Algorytmy wspierają projektowanie, analizę danych, prognozowanie oraz automatyzację powtarzalnych zadań. Ważną rolę odgrywa technologia BIM, czyli modelowanie informacji o budynku, dostarczająca danych wykorzystywanych przez narzędzia cyfrowe. – Metody sztucznej inteligencji są coraz szerzej wykorzystywane w budownictwie infrastrukturalnym. Stosuje się je nie tylko do analiz i prognoz, lecz także do automatyzacji powtarzalnych procesów projektowych, kosztorysowych i organizacyjnych. Największy postęp widać w technologii BIM, która dostarcza danych niezbędnych dla algorytmów uczących się – mówi dr inż. Marcin Tekieli z Katedry Technologii Informatycznych w Inżynierii, prodziekan Wydziału Inżynierii Lądowej i Transportu PK. W projektowaniu AI może przyspieszać przygotowywanie wariantów i wykrywanie kolizji w modelach BIM.

Podczas realizacji inwestycji wspiera planowanie harmonogramów i zarządzanie zasobami. Analiza obrazu i fotogrametria umożliwiają z kolei monitorowanie placów budowy, identyfikowanie niezgodności z projektem oraz dokumentowanie postępu prac. – Sztuczna inteligencja nie jest w stanie zastąpić doświadczonego inżyniera, ale może go skutecznie wspierać. AI, przejmując rutynowe i czasochłonne zadania, umożliwia inżynierom skupienie się na analizie, kreatywności i odpowiedzialnych decyzjach – podkreśla Marcin Tekieli. Praktyczne zastosowania pojawiają się już w pracach dyplomowych studentów Politechniki Krakowskiej. W jednej z nich wykorzystano AI do generowania obrazów konstrukcji mostowej na podstawie wcześniej przygotowanego modelu. W innej student użył ChatGPT do stworzenia dodatków do programu Revit, automatyzujących trzy czasochłonne zadania projektowe. Inny projekt dotyczył opracowania standardu informacyjnego BIM i aplikacji służącej do cyfryzacji budowli ochronnych oraz automatyzacji weryfikacji wymagań dotyczących miejsc doraźnego schronienia. W pracy oceniano także przydatność generatywnej AI do analizy modeli IFC pod kątem określonych wymagań.

Wiarygodność wyników i odpowiedzialność badacza

Rozwój AI rodzi pytania o ochronę danych, własność intelektualną i odpowiedzialność za rezultaty badań. Modele językowe mogą generować błędne informacje. Korzystanie z usług zewnętrznych wiąże się też z koniecznością sprawdzenia, jakie dane można do nich wprowadzać i na jakich warunkach są przetwarzane. – Są przy tym konkretne zagrożenia. Modele podają czasem błędne informacje i nieistniejące źródła, a korzystanie z narzędzi zewnętrznych rodzi pytania o poufność danych oraz przejrzystość analiz – zwraca uwagę prof. dr hab. Paweł Korzyński, prorektor ds. badań naukowych i rozwoju kadry Akademii Leona Koźmińskiego. Na ALK AI pomaga m.in. wyszukiwać literaturę, opracowywać scenariusze badań, porządkować wypowiedzi respondentów i analizować duże zbiory danych dotyczących zachowań pracowników oraz konsumentów. Szybsze przetwarzanie materiału nie zwalnia jednak z oceny wiarygodności rezultatów. Korzyści dotyczą także popularyzacji nauki. AI może pomagać w przygotowywaniu materiałów dla odbiorców spoza środowiska akademickiego, na przykład studentów czy menedżerów. Warunkiem jest kontrola merytoryczna, która zapobiega zniekształceniu wyników lub pominięciu ograniczeń badania. – Zawrotne tempo publikowania nie powinno stać się miarą wartości naukowej – podkreśla Paweł Korzyński.

Jak zaznacza Tomasz Kajdanowicz z Politechniki Wrocławskiej, do najważniejszych barier rozwoju AI w nauce należą ograniczony dostęp do wiarygodnych danych, koszty infrastruktury obliczeniowej i trudności we wdrażaniu wyników badań. W medycynie dodatkowym wyzwaniem jest ochrona danych pacjentów.

Uczelnie wypracowują zasady korzystania z AI

Uczelnie dostrzegają potrzebę określenia reguł. Na Politechnice Krakowskiej trwają prace nad regulaminem wdrażania i korzystania z systemów AI. Uczelnia uczy też studentów świadomego wykorzystywania narzędzi, w tym rozpoznawania ryzyka błędnych odpowiedzi i tzw. halucynacji modeli. – Wykorzystanie sztucznej inteligencji w badaniach i kształceniu to już konieczność w naukach technicznych, ale operacyjnie to nadal tematy złożone i delikatne – mówi prof. Katarzyna Bizon, prorektor ds. kształcenia i współpracy z zagranicą Politechniki Krakowskiej. Jak zaznacza, uczelnia musi interpretować przepisy AI Act w powiązaniu z ustawą – Prawo o szkolnictwie wyższym i nauce. Unijny akt w sprawie sztucznej inteligencji ustanawia ramy regulacyjne dla określonych zastosowań systemów AI, ale nie zastępuje pozostałych przepisów dotyczących m.in. ochrony danych osobowych, poufności czy praw autorskich.

Na Uniwersytecie Gdańskim wdrażane są strategie i polityki związane z AI, modyfikowane są programy studiów, a studenci i pracownicy uczestniczą w warsztatach oraz szkoleniach. Jak wskazuje Jakub Neumann, kluczowe znaczenie mają umiejętność weryfikacji wyników, ochrona własności intelektualnej i bezpieczeństwo danych.

Politechnika Wrocławska rozwija kształcenie w tym zakresie na kierunku sztuczna inteligencja. Wraz z partnerami sojuszu Unite! przygotowuje również kursy dotyczące wykorzystania AI w pracy naukowej.

Prof. Korzyński z Akademii Leona Koźmińskiego podkreśla, że wraz z rozwojem sztucznej inteligencji zmieniać się będzie rola naukowca. – Uczelnie powinny organizować regularne szkolenia i wspólnie z badaczami wypracowywać dobre praktyki. Będą one wymagały częstej aktualizacji, bo możliwości i ograniczenia modeli szybko się zmieniają. Potrzebujemy więc kultury odpowiedzialnego eksperymentowania, w której badacz potrafi ocenić, kiedy sztuczna inteligencja pomaga, a kiedy może wprowadzić go w błąd – mówi.

Finansowanie pozostaje kluczową barierą

Wdrożenie sztucznej inteligencji wymaga infrastruktury obliczeniowej, dostępu do modeli i specjalistów, którzy potrafią połączyć kompetencje informatyczne z wiedzą dziedzinową. Właśnie te zasoby należą do głównych wyzwań wskazywanych przez uczelnie. – Główną przyczyną jest niedofinansowanie nauki w naszym kraju. Ogranicza to nasze możliwości dostępu i budowy własnej wysokowydajnej infrastruktury obliczeniowej, ale przede wszystkim utrzymania w uczelni kadry kompetentnej w zakresie AI – mówi Jacek Kucharski z Politechniki Łódzkiej. Zwraca uwagę, że specjaliści z tej dziedziny mogą uzyskać na rynku pracy kilkukrotnie wyższe wynagrodzenia niż na uczelni. Problem dotyczy więc nie tylko zakupu sprzętu, lecz także możliwości utrzymania zespołów zdolnych rozwijać własne rozwiązania.

Podobne ograniczenia wskazuje Uniwersytet Gdański. Jak mówi dr Jakub Neumann, brakuje środków na szeroki dostęp naukowców do najbardziej zaawansowanych modeli językowych, a także na powszechny dostęp studentów i pracowników do narzędzi programistycznych AI. Potrzebne są również programy wspierające rozwój infrastruktury badawczej.

Dalszy rozwój zastosowań AI na polskich uczelniach będzie zależał nie tylko od możliwości modeli, lecz także od finansowania infrastruktury, dostępu do specjalistów i przygotowania badaczy. Równie ważne pozostaną zasady bezpieczeństwa i rzetelności naukowej. Bez tych elementów przyspieszenie pracy nie musi oznaczać poprawy jakości badań. ©℗

—a.u.