Монокультура AI

Недавно вышла статья Cecilie Traberg, Jon Roozenbeek и Sander van der Linden под названием “ИИ превращает научные исследования в монокультуру”. Главный тезис статьи состоит в том, что искусственный интеллект становится не просто объектом исследования, а фактором, постепенно унифицирующим саму научную культуру: темы исследований, методы, язык науки и даже способы мышления ученых начинают становиться все более однообразными. 

Авторы называют этот процесс формированием «научной монокультуры» (scientific monoculture). По их мнению, речь идет не просто о временной моде на ИИ, а о самоподдерживающемся feedback loop — цикле обратной связи, который постепенно делает науку менее интеллектуально разнообразной. 

Статья начинается с наблюдения, что в социальных и поведенческих науках ИИ стал практически доминирующей темой. Конференции, журналы, грантовые программы все чаще требуют наличия «AI angle» — привязки исследования к искусственному интеллекту. Многие исследователи фактически переопределяют себя как ИИ исследователи. Авторы признают, что это в определенной степени оправдано: генеративный ИИ действительно является важным технологическим событием, и психологи или поведенческие ученые находятся в хорошей позиции для изучения его последствий. Однако проблема в том, что ИИ постепенно начинает поглощать все остальные исследовательские повестки. 

Более того, что ИИ не просто становится доминирующей темой исследований, но доминирующим инструментом исследования. В частности Большие языковые модели (LLM) используются как для анализа данных и обзора литературы, так и для генерации идей и написания текстов. В результате происходит то, что авторы называют “The Rush Effect” - эффект гонки: чем больше ученые используют ИИ для исследований о ИИ, тем сильнее растет объем ИИ-исследований. Возникает самоусиливающийся цикл. 

Особенно тревожным авторы считают то, что “ИИ-усиленные” статьи уже получают больше цитирований, а ученые, использующие ИИ, быстрее публикуются и успешнее продвигаются по карьерной лестнице. Так что исследователи оказываются под давлением - если они не работают с ИИ, то рискуют оказаться на обочине. 

Центральная концепция статьи - AI monoculture feedback loop (петля обратной ИИ-монокультуры). Авторы описывают ее через унификацию, происходящую одновременно на нескольких уровнях.

Первый уровень - тематический. Исследовательские темы начинают переопределяться через ИИ. Вопросы, которые раньше были про познание, коммуникации или социальные институты, превращаются в вопросы про “ИИ и познание”, “ИИ и коммуникации”, “ИИ и социальные институты”. Вся исследовательская повестка перестраивается вокруг ИИ. 

Второй уровень - методологический. Все больше дисциплин начинают использовать вычислительные конвейеры (computational pipelines). Это всевозможные Большие языковые модели (LLM), машинное обучение (machine learning), эталонные наборы данных (benchmark datasets). Экспериментаторы, исследователи, работающие к качественных подходах, этнографы - все постепенно втягиваются в единый вычислительный стиль исследования. 

Третий уровень - языковой. Научные тексты начинают звучать одинаково. Повторяются одни и те же формулировки: “trustworthy AI” — надежный ИИ, “human-AI collaboration” — коллаборация человека и ИИ, “ethical deployment” — этичное внедрение, и пр. Такого рода лексика выглядит сейчас научно легитимной и современной, и что еще более важно, убедительной для рецензентов и лучше финансируемой. В результате сужается сам язык науки, а вместе с ним и диапазон мыслимых исследовательских вопросов. 

Авторы объясняют этот процесс через социально-психологические механизмы конформности: люди склонны ориентироваться на нормы группы и ученые не являются исключением. 

Здесь авторы вводят еще одну концепцию - мета-конформность (meta-conformity) - объект исследования начинает определять форму самого исследования. Иначе говоря, наука изучает ИИ и одновременно перенимает его собственную логику, определяемую стандартизацией, оптимизацией, и эффективностью. 

В статье обсуждается три главных последствия научной монокультуры для науки.

1) Потеря интеллектуального разнообразия. Темы, которые плохо вписываются в ИИ-нарратив, темы, которые трудно операционализировать как вычислительные, начинают терять значимость и финансирование. 

2) Разрушение методологического разнообразия. Если исследование начинает зависеть от единого класса инструментов, основанных на ИИ (AI-based tools), то наука постепенно теряет способность смотреть на явления через разные эпистемические линзы. В то время как сложные социальные явления требуют сопоставления разных методов и форм знания, вычилетельный конвейер ИИ делает исследование слепым к тому, что не поддается вычислительной обработке. 

3) Потеря способности науки адаптироваться к будущим изменениям. Авторы используют аналогию с биоразнообразием: как экосистемы становятся устойчивыми благодаря разнообразию видов, так и наука нуждается в интеллектуальном разнообразии для устойчивости к смене парадигм. Если вся система сосредоточена вокруг ИИ, то при появлении новых вызовов она может оказаться негибкой и уязвимой. 

Авторы подчеркивают, что они выступают не против исследования ИИ, но против сужения научного мышления и подходов. В качестве защитных мер они предлагают изменение приоритетов в финансировании (часть финансирования должна быть специально зарезервирована для не-ИИ проектов) и поддержку методологического разнообразия в научном сообществе - прежде всего через изменение редаrционной политики и критериев подбора рецензентов. Академические институты должны поощрять оригинальность, теоретическую глубину, долгосрочные исследования и проекты, идущие идущие вразрез с мейнстримом.

Добавлю пару слов от себя. 

Читая статьи по психологии не по ИИ-тематике (а такие есть, и их довольно много), я как-то не очень видела “масштаб катастрофы”. Скорее я считала работы по ИИ чем-то вроде моды, которая скоро пройдет. Но после прочтения этой статьи, которая свела воедино многие отдельные тренды, я стала смотреть на эту моду как на нечто более серьезное. Так что спасибо авторам - за убедительность.

Но, как часто это бывает в критически настроенных статьях, рекомендации авторов выглядят немного наивно, в том плане, что неясно, кто должен выполнять эти рекомендации. Если финансирующие институты не поменяют свои приоритеты, то едва ли отдельные авторы и редакторы смогут переломить мейнстрим. 

Основными грантодателями ИИ-исследований в психологии являются государственные и частные научные фонды, а также IT-корпорации. Я не уверена, что этим ребятам важно, будут ли поведенческие и социальные науки монокультурой или нет. Они скорее отреагируют на провалы отдельных решений, основанных на ИИ-исследованиях, например, в области психиатрических заболеваний или когнитивных нарушений. И скорее они будут усиливать эти ИИ-исследования, чтобы провалов было меньше, чем вспомнят об оригинальности или теоретической глубине и разнообразии..

А может ли наука в текущих условиях финансирования побеспокоиться о самой себе и что то поменять, следуя своим собственным долгосрочным интересам, я не уверена.

Но чем статья точно полезна, так это поддержкой самооценки исследователей, которые остались вне ИИ-мейнстрима или не стремятся в него :)

Статья:

Traberg, C. S., Roozenbeek, J., & Van Der Linden, S. (2026). AI is turning research into a scientific monoculture. Communications Psychology, 4(1), 37.