01 · Bevezető

Executive Summary

A mesterséges intelligencia mára a tudományos kutatás infrastrukturális elemévé vált. Az alábbi elemzés a 2023–2026-os időszak legfontosabb fejleményeit és rendszerszintű hatásait foglalja össze, empirikus adatokra és peer-reviewed irodalomra támaszkodva.

Évi cikkszám
4,2M+
Peer-reviewed S&E publikáció (Scopus/WoS, NSF 2025)
WoS növekedés
+48%
2015 (1,71M) → 2024 (2,53M) közötti bővülés
Éves növ. ütem
+5,6%
Web of Science adatbázis, átlagos éves ráta
Globális kutatók
8,85M
UNESCO – FTE kutatói létszám világszerte
AlphaFold struktúrák
200M
Fehérje struktúra (Nobel-kémia 2024)
GNoME anyagok
380E
Stabil új kristályszerkezet (DeepMind, Nature 2023)
GenCast pontosság
97,2%
1320 feladatból 97,2%-on múlja felül az ECMWF ENS-t (Nature, 2024)
Park et al. adatbázis
45M
Cikk + 3,9M szabadalom a CD-index elemzéshez
🏆 Mérföldkövek 2023–2026 Az AlphaFold Nobel-díja (2024), az első generatív AI tervezte gyógyszer (Rentosertib, Phase 2a), az IMO-szintű matematikafeladatokat megoldó AlphaProof, a 380.000 új kristályszerkezet (GNoME), a 15 napos időjárás-előrejelzés (GenCast) és a Herculaneum-papiruszok AI-olvasása (2024) – mindez egyetlen négy éves periódusban történt, és csak a nyilvánosan bejelentett eredményeket jelenti.
📐 Park et al. (Nature, 2023) fő megállapítása 45 millió cikk és 3,9 millió szabadalom CD-index elemzése hat évtizeden át azt mutatja, hogy a tudományos publikációk egyre inkább konszolidáló, inkrementális jellegűek, miközben a valóban forradalmi felfedezések aránya csökkent. Ez pontosan az a tartomány, ahol az AI a legnagyobb és legközvetlenebb áttörést hozhatja.
02 · Publikációs ökoszisztéma

A globális tudományos publikációs ökoszisztéma

A tudományos közlemények száma évtizedek óta exponenciálisan növekszik. A 2024-es adatok szerint a Web of Science közel 2,53 millió cikket indexelt egyetlen évben – ez az 1980-as szint közel tízszerese. Az alábbi vizualizáció a növekedési trendet és a területi megoszlást mutatja be.

Web of Science – éves cikkszám növekedése (indexált; M = millió)
0,96M
2000
1,10M
2005
1,35M
2010
1,46M
2012
1,58M
2014
1,71M
2015
1,88M
2017
2,05M
2019
2,28M
2021
2,38M
2022
2,46M
2023
2,53M
2024

Forrás: Web of Science, NSF Science & Engineering Indicators 2025 · +5,6%/év átlagos növekedési ütem

Globális területi megoszlás (2023, cikkszám %)

🇨🇳 Kína
26%
26%
🇺🇸 USA
20%
20%
🇮🇳 India
6%
6%
🇩🇪 Németország
4,5%
4,5%
🇬🇧 UK
4%
4%
🇯🇵 Japán
3,5%
3,5%
Egyéb
36%
36%

Forrás: NCSES S&E Indicators 2025, Hanson et al. (MIT Press QSS, 2023)

🌏 Kína dominanciája Kína 2014–2023 között a globális növekmény 51%-át adta – azaz minden második új cikk, amivel az évtizedben bővült a globális tudományos irodalom, kínai intézményből érkezett. Ez a fókuszált, államilag szervezett kutatási modell tükörképe az egész AI-versenynek is.
📊 Az inkrementális növekedés problémája A cikkszám exponenciális növekedése önmagában nem növeli a tudomány tényleges haladásának ütemét. A Park et al. elemzés szerint a CD-index csökkent, vagyis az egyre több cikk egyre kisebb, egyre szűkebb irodalomra épülő hozzájárulást képvisel – ez az AI egyik legfontosabb beavatkozási pontja.
03 · Disruptivitás elemzése

A valóban új vs. inkrementális tudomány aránya

Park, Leahey & Funk (Nature, 2023) 45 millió cikk és 3,9 millió szabadalom CD-index elemzése alapján. A CD-index (Consolidation–Disruption index) +1 értéke forradalmi, –1 értéke konszolidáló jellegű munkát jelöl.

CD-index csökkenése tudományterületenként (hat évtized alatt, a csökkenés mértéke %)
Társadalomtudományok –91,9%
Fizika (természettudományok) ~–95–100%
Biológia / élettudományok ~–75–85%
Műszaki tudományok ~–60–70%
Orvostudomány ~–55–65%

Forrás: Park, Leahey & Funk, Nature 2023. A CD-index csökkentének mértéke az 1960-as kiindulóponthoz képest.

Becsült kutatástipológiai megoszlás (~4,2 M éves cikk)

Az alábbi elosztás irodalmi becslés (Park et al., OECD alapkutatás-arány, replikációs válság adatai alapján). A pontos határok vitatottak, a belső arányok tudományterületenként eltérnek.

~7%
~20%
~35%
~37%
~5–10% Paradigmaváltó, disruptív (AI ma nem produkálhatja önállóan)
~15–25% Magas hozzáadott értékű, erős kreatív komponensű (AI segít, de nem vált ki)
~30–40% Inkrementális, de értelmes (AI-val sokszorosára gyorsítható)
~30–45% Rutinszerű, szisztematikus (adatgyűjtés, meta-analízis, replikáció – AI nagyrészt kiválthatja)

Megjegyzés: a tartomány-határok átfedők, mivel a kategóriák közt nincs éles határ – az egyes szélső értékek összege ezért nem feltétlenül adja ki pontosan a 100%-ot.

🔬 OECD alap: alapkutatás-arány Az összes globális K+F ráfordításnak csupán ~15–20%-a minősül alapkutatásnak (OECD Frascati Manual definíció). A többi alkalmazott K+F és kísérleti fejlesztés – ezek az AI által legjobban pótolható kategóriák.
⚠️ Replikációs válság (Open Science Collaboration, Science 2015) Pszichológiai eredmények csupán ~36–39%-a replikálható sikeresen. Ez azt jelenti, hogy a rutinszerű munka kategóriájának egy nagy hányada nemhogy AI-pótolható, de emberi kutatói munkával sem feltétlenül helyes.
04 · Területspecifikus elemzés

AI hatása tudományterületenként

Az alábbi elemzés minden tudományterülethez részletes AI-hatásvizsgálatot, konkrét példákat és az AI-pótolhatóság fokát (vizuális badge) mutatja be.

🔭 Természettudományok

🧬
Strukturális biológia / Biokémia
Fehérjestrukturális előrejelzés · Nobel-kémia 2024
Strukturális predikció: Nagyon magas pótolhatóság Funkciófelderítés: Közepes Teljes biológiai kontextus: Alacsony

Az AlphaFold forradalma a fehérje-struktúra-predikció területét szinte teljesen átstrukturálta. Amit korábban több éves kristályosítással, röntgendiffrakciós mérésekkel lehetett meghatározni, azt az AI percek alatt becsli meg, sokszor atomos pontossággal. A 2024-es Nobel-díj (Hassabis, Jumper) az első AI-rendszereknek adott díj – az AI teljesítménye tényleges tudományos áttörést hozott.

🔑 Kulcseredmények
  • AlphaFold2 (2021): 200 millió fehérje struktúra – az ismert proteom virtuálisan teljes lefedése
  • AlphaFold3 (2024): fehérje–DNS/RNS/ligandum interakciók, 50% javulás PoseBusters benchmarkon
  • ESM3 (EvolutionaryScale, 2024): mesterséges fluoreszcens fehérje, 500 millió év evolúciót szimulálva
  • Strukturális biológia jövője: a fehérjekristályosítás mint foglalkozás megszűnik; a kísérleti biológia a hipotézisek verifikálójává válik
💊
Gyógyszerkutatás / Farmakológia
Generatív molekulatervezés · Klinikai fejlesztés
Molekulatervezés: Magas pótolhatóság Klinikai döntéshozatal: Alacsony Mellékhatás-értelmezés: Alacsony

A gyógyszerfejlesztés hagyományosan 10–15 évnyi és 1–2 milliárd dolláros folyamat. Az AI a „hit identification" és „lead optimization" fázisokat 10–100-szorosára gyorsítja – azonban a klinikai döntéshozatalt, a betegpopulációs kontextust és az etikai mérlegelést még korántsem tudja felváltani.

🔑 Kulcseredmények
  • Insilico Medicine ISM001-055 (Rentosertib): az első generatív AI tervezte gyógyszer, Phase 2a pozitív eredménnyel (idiopathiás tüdőfibrózis, 2024)
  • Isomorphic Labs IsoDDE: AlphaFold3-nál 2× pontosabb ligandumkötési előrejelzés
  • IBM RXN for Chemistry: retrozintetikus útvonaltervezés automatizálása
  • Várható hatás: a hagyományos 15 éves fejlesztési ciklus 3–5 évre rövidülhet az első fázisokban
⚛️
Anyagtudomány
Kristályszerkezetek · Akkumulátoranyagok · Szupravezetők
Struktúra-predikció: Nagyon magas Szintézis-tervezés: Magas Funkcióvalidáció: Közepes

A GNoME (Graph Networks for Materials Exploration) projekt eredménye a szó szoros értelmében átírta az anyagtudományi feltérképezés paradigmáját. A kísérlet már nem az első lépés, hanem az AI által javasolt kandidánsok szűrője – ez a szemléletváltás az egész kísérleti természettudomány modellje lehet.

🔑 Kulcseredmények
  • GNoME (DeepMind, 2023, Nature): 2,2 millió kristályszerkezet vizsgálata, 380.000 stabil – ~800 évnyi kutatással ekvivalens felfedezés
  • Szobahőmérsékletű szupravezetők: a keresési tér radikális leszűkítése AI-val
  • Akkumulátoranyagok: jobb energia-sűrűségű katóda-anyagok, szilárd elektrolit-jelöltek
  • Napelemhatásfok: perovszkit-alapú napelemek összetételének AI-optimalizálása
🌍
Klimatológia / Időjárás-előrejelzés
Numerikus modellváltás · Extrém időjárás
Operatív előrejelzés: Nagyon magas Éghajlatmodellezés: Magas Kauzális attribúció: Közepes

A numerikus időjárás-előrejelzés évtizedeken át fizikai egyenletrendszerek szuperszámítógépen futtatásán alapult. Az AI-alapú modellek nem felváltják a fizikát – hanem az adatokból tanulnak mintákat, amelyek statisztikailag pontosabbak, és töredék számítási kapacitást igényelnek.

🔑 Kulcseredmények
  • GenCast (DeepMind, Nature 2024): 15 napos előrejelzés, az 1320 vizsgált előrejelzési feladatból 97,2%-on teljesített jobban az ECMWF ENS-nél; 8 perc futási idő vs. napok
  • GraphCast (Science 2023): 1380 változó 90%-án felülmúlja az HRES numerikus modellt; egyszerre prediktor és emulator
  • Éghajlatszimulációk: a Monte Carlo közelítések futási ideje napokról percekre rövidül
  • Trópusi ciklon-előrejelzés: pályaprecizitás nagymértékű javulása; extrém csapadék korai detekciója
🔬
Fizika
Részecskefizika · Kvantumszámítás · Topológiai anyagok
Adatelemzés (LHC): Magas Elméleti fizika: Alacsony Új szimmetriák felismerése: Nagyon alacsony

A fizikában az AI legfontosabb jelenlegi szerepe az adatintenzív kísérletekben van: a CERN LHC évente petabájtnyi adatot termel, amelyből hagyományosan csak az előre meghatározott szignálmintákat keresték. Az AI a teljes adatfolyamban tud rejtett korrelációkat keresni – felszabadítva a fizikusokat az elméleti mélységű munka felé.

🔑 Kulcseredmények
  • CERN LHC anomália-detekció: korábban lehetetlennek tartott mintázatok azonosítása az adatfolyamban
  • Kvantumoptimalizálás: variacionális kvantumáramkörök architektúrájának AI-tervezése
  • Topológiai anyagok: Weyl-szemiszémek és Majorana-állapotok predikciója anyagtudományi AI-val
  • Fúziós plazmadiagnosztika: ITER-típusú reaktorok plazmainstabilitás-előrejelzése neurális hálóval
🔭
Csillagászat / Asztrofizika
Exobolygók · Gravitációs hullámok · Kozmológia
Katalogizálás / szűrés: Nagyon magas Szignáldetekció: Magas Kozmológiai interpretáció: Alacsony

A csillagászat és asztrofizika területén az AI forradalmasítja az adatintenzív megfigyelési kampányok feldolgozását. A James Webb-teleszkóp, a Vera Rubin Obszervatórium és a LIGO egyszerre termelnek petabájtnyi adatot – amelyek emberi feldolgozása fizikailag lehetetlen. Az AI nem csupán gyorsítja a katalogizálást, hanem korábban láthatatlan struktúrák azonosítását is lehetővé teszi.

🔑 Kulcseredmények
  • Gravitációs hullám detekció (LIGO): gépi tanulás alapú szignálszűrés, zajmodellek azonosítása
  • Exobolygó katalogizálás: NASA Kepler/TESS adatainak AI-elemzése – 10.000+ exobolygó azonosítása
  • Kozmológiai szimuláció: az univerzum nagy léptékű struktúrájának szimulációja (IllustrisTNG gyorsítása)
  • James Webb-adatok: 40+ milliárd éves galaxisok automatizált morfológiai osztályozása
📐
Matematika
Formális bizonyítás · Olimpiai feladatok · Gráfelmélet
Rutinbizonyítások: Magas Gráfelmélet, kombinatorika: Magas Fundamentálisan új struktúrák: Nagyon alacsony

A matematika különleges eset: az AI itt nem mérési adatokat elemez, hanem formális logikai struktúrákon dolgozik. Az AlphaProof és AlphaGeometry 2 eredménye paradigmaváltó – de a matematikusok azt hangsúlyozzák, hogy az AI a létező formális rendszereken belül optimalizál, nem definiál új matematikai struktúrákat. A Lean/Coq formalizált bizonyítás-asszisztencia viszont valóban felgyorsítja a kutatást.

🔑 Kulcseredmények
  • AlphaGeometry (2024): olimpiai szintű geometriai feladatok megoldása (IMO gold medal level)
  • AlphaProof + AlphaGeometry 2 (Nature, 2025): IMO ezüstérmes szint – 6 feladatból 4 megoldva
  • FunSearch (DeepMind, 2023): a cap set probléma javítása – LLM-alapú programszintézis matematikában
  • Formális verifikáció: Lean 4-alapú bizonyítás-asszisztencia (Terence Tao csoportjánál is alkalmazva)
⚗️
Kémia
Retrozintézis · Reakció-előrejelzés · Spektruminterpretáció
Szintézistervezés: Magas Reakció-szelektivitás: Közepes Mechanisztikus magyarázat: Alacsony
🔑 Kulcseredmények
  • Retrozintetikus tervezés: több lépéses szintézisútvonal automatikus tervezése (IBM RXN for Chemistry, AstraZeneca ASKCOS)
  • Reakciokimézis előrejelzés: atom-mapping, regio- és sztereospecificitás ML-alapú predikciója
  • Spektruminterpretáció: NMR, MS és IR spektrumok automatikus szerkezetazonosítása
  • Autonóm laboratórium: Cronin-csoport (Glasgow) – robot-vezérelt AI-alapú kémiai kísérlet

🏥 Orvostudomány / Egészségtudományok

🩺
Klinikai orvostudomány és diagnosztika
Képdiagnosztika · Patológia · Genomika · Epidemiológia
Képdiagnosztika: Nagyon magas Klinikai döntéstámogatás: Közepes Empátia, etikai döntések: Nagyon alacsony

Az orvosi képalkotás és patológia területén az AI már elérte – és egyes feladatokon meghaladja – az emberi szakértői szintet. A klinikai döntéshozatal azonban kontextuális, beteg-specifikus és értékterhelt folyamat, amelyre a jelenlegi AI-rendszerek nem alkalmasak önállóan. A genomika terén az egészgenom szekvenálás értelmezése az AI nélkül kezelhetetlen adattömeget jelent.

🔑 Kulcseredmények
  • Paige AI, PathAI: rákos sejtek azonosítása szövettani metszeteken – pathologist-level accuracy (szúrópróbaszerű ellenőrzésben felülmúlja)
  • Google Health AI mammográfia: mellrák detekció – radiológussal egyenértékű, egyes vizsgálatokban jobb eredmény
  • Genomika: ritka betegségek diagnosztikájának gyorsítása AI-alapú variáns-interpretációval
  • Epidemiológia: COVID-19 járványmodellezés tanulságai; betegség-terjedés real-time monitorozása LLM-alapú surveillance-szel

📚 Bölcsészettudományok

📜
Bölcsészettudományok
Digitális bölcsészet · Ókori szövegek · Irodalomelemzés
Szövegfeldolgozás, fordítás: Magas Értelmezés, hermeneutika: Alacsony Kulturális kontextus: Nagyon alacsony

A bölcsészettudományokban az AI paradox helyzetet teremt: a szövegfeldolgozás, fordítás és kodifikáció területén valóban forradalmi, hiszen korábban generációs munkát igénylő kéziratos korpuszok válnak elemezhetővé. Ugyanakkor az értelmezés, a kulturális kontextusba helyezés és a hermeneutikai mélység – a diszciplína lényege – emberi kompetencia marad.

🔑 Kulcseredmények
  • NLP4DH: több ezer kéziratos forrás automatikus elemzése; rombolhatatlan szövegkorpuszok feldolgozása
  • Herculaneum papiruszok (2024): 2000 éves, szénné égett papiruszok AI-olvasása – Vesuvius Challenge (görög szövegek visszafejtése)
  • Szerzőség-attribúció: vitatott szerzőségű szövegek stíluselemzése ML-alapú stilometriával
  • Középkori kéziratok: HTR (Handwritten Text Recognition) – tömeges átirat automatizálása

🧠 Társadalomtudományok

📊
Társadalomtudományok
Pszichológia · Közgazdaságtan · Szociológia
Kvantitatív elemzés: Közepes Szövegkódolás: Magas Normativitás, értékítélet: Nagyon alacsony

A társadalomtudományokban az LLM-ek egyszerre eszközök és vizsgálat tárgyai. Az AI-ügynökök szimulálhatnak viselkedési mintákat, elemezhetnek milliós szöveges adatbázisokat, de az emberi viselkedés értelmezése, a normatív következtetések levonása és a politikai döntéshozatal emberi kompetencia marad.

🔑 Kulcseredmények
  • Pszichológia: LLM-ek mint szimulált kísérleti alanyok; ~95% megbízhatóság szövegkódolásnál (Ziems et al., Computational Linguistics 2024)
  • "GPTs are GPTs" (Eloundou et al., Science 2024): az AI mint általános célú technológia közgazdasági modellezése
  • Szociológia: LLM-alapú ágensszimulációk; big social data szövegbányászat (Twitter/X, Reddit)
  • Közgazdaságtan: AI-ügynök-alapú makroökonómiai szimulációk – ágensalapú modellezés gyorsítása

⚙️ Mérnöki tudományok & Agrártudomány

🏗️
Mérnöki tudományok
Generatív tervezés · CFD · FEM
Generatív tervezés: Magas Szimuláció-gyorsítás: Magas
  • Generatív tervezés: Autodesk, Siemens – optimális struktúrák topológiája AI-val
  • AI-alapú szimuláció: CFD, FEM gyorsítása neurális hálóval (1000× gyorsulás lehetséges)
  • Prediktív karbantartás: vibráció- és hőérzékelő adatok ML-alapú anomália-detekciója
🌾
Agrártudomány
Növénybetegségek · Genetikai nemesítés
Képdiagnosztika: Magas Genetika: Közepes
  • Növénybetegségek detekciója: drón + képfelismerés alapú precíziós mezőgazdaság
  • Termés-előrejelzés: szatellitképek + ML alapján, aszálykár- és járványkockázat-modellezés
  • Genetikai nemesítés: AI-optimalizált szekvenciadesign (DeepMind PROGEN2, ProteinMPNN)

🧪 Neurológia / Geológia / Ökológia

🧠
Neurológia / Idegtudományok
Agyi képalkotás · Kapcsolódási térkép · Neurológiai betegségek
fMRI elemzés: Nagyon magas Connectome feltérképezés: Magas Klinikai diagnózis: Közepes

Az agy ~86 milliárd neuronjának és azok ~100 billió szinaptikus kapcsolatának feltérképezése korábban generációs vállalkozásnak tűnt. Az AI-alapú képelemzés és a nagy léptékű elektronmikroszkópos adatfeldolgozás ezt az időhorizontot radikálisan le tudja rövidíteni. Az Alzheimer-, Parkinson- és szkizofrénia-kutatásban az AI biomarker-azonosítása klinikai jelentőségű.

🔑 Kulcseredmények
  • Connectome feltérképezés: Google és Harvard Human Connectome Project – egy köbmilliméteres agyterület teljes szinaptikus térképe AI-asszisztált feldolgozással (2024)
  • fMRI dekódolás: agyi aktivitás alapján gondolatok / látott képek rekonstrukciója (Takagi et al., Nature Communications, 2023)
  • Alzheimer korai diagnózis: retinális képelemzés és vérplazmabiomarker-AI kombinációja – évekkel korábbi detekció
  • BCI (agyi számítógép interfész): Neuralink-típusú szignáldekódolás neurális hálóval – paralízis utáni kommunikáció-helyreállítás
🌿
Ökológia / Biodiverzitás
eDNA · Fajfelismerés · Klímaökológia
Fajfelismerés: Magas Ökoszisztéma-modellezés: Közepes
  • eDNA elemzés: környezeti DNS alapú biodiverzitás-felmérés ML-alapú fajdetekciója
  • iNaturalist / BioSCAN: kép alapú automatikus fajazonosítás – millió megfigyelés naponta
  • Klímaváltozás-hatás modellezése: fajok élőhely-eltolódásának predikciója AI-alapú elterjedési modellekkel
  • Korallzátony monitoring: drón + mélytanulás alapú zátony-állapot értékelés
🪨
Geológia / Szeizmológia
Földrengés-előrejelzés · Ásványvagyon
Szignáldetekció: Magas Ásványvagyon feltárás: Közepes
  • AI-alapú földrengés-előrejelzés: DeepShake, STEAD – utórengések térbeli eloszlásának predikciója (Google/DeepMind, Science 2018)
  • Ásványvagyon-feltárás: geofizikai és geokémiai adatok ML-alapú integrációja – célzottabb fúrási programok
  • Paleoklimatológia: jégmag- és üledékmagadatok automatikus értelmezése
  • Vulkánmonitoring: szeizmikus zajmintázatok korai jelzésrendszere
05 · Kritikai reflexió

A paradox következmények és kritikus reflexiók

Az AI nem csupán gyorsítja a tudományos kutatást – strukturálisan is átalakítja azt. Az alábbi hat paradoxon olyan mélyebb feszültségeket artikulál, amelyeket a puszta hatékonyság-narratíva elfed.

Paradoxon 01
A replikációs válság mélyítése
Az AI optimalizál arra, amit mérünk. Ha a publish-or-perish kultúra jutalmazza a szignifikáns eredményt, az AI még hatékonyabb p-hacking eszközzé válik. Az AI-val gyorsított inkrementális munka nem javítja, hanem fokozhatja a minőségi problémákat. A replikációs válság gyökere nem az erőforrás-hiány, hanem az ösztönzők torz rendszere – amelyen az AI nem segít.
Paradoxon 02
A serendipity elvesztése
A PhD-hallgató, aki véletlenül talál meg egy irreleváns cikket a könyvtárban – és az megváltoztatja a karrierjét. Az AI-optimalizált irodalomkutatás kizárja a véletlen felfedezést. A tudományos áttörések jelentős része abból jött, amit nem kerestek: Fleming penicillinje, Röntgen X-sugara, Faraday elektromágneses indukciója.
Paradoxon 03
A „rossz kérdés" értéke
Az AI kiválóan válaszol jól formált kérdésekre. A valódi kihívás: olyan kérdést feltenni, amelyre az AI-nak fogalma sincs, hol kezdjen. A jövő legfontosabb kutatói készsége nem az adatelemzés, hanem a kérdésfeltevés lesz – pontosan az, amit a hagyományos PhD-képzés nem tanít expliciten.
Paradoxon 04
A tacit knowledge szilárdsága
Polanyi fogalma: tacit knowledge – a geológus, aki megérzi a talaj textúráját; az orvos, aki hallásra diagnosztizál; a kémikus, aki a reakció szagából következtet. Ezek nem formalizálhatók, nem digitalizálhatók. Az AI-kor paradox módon felértékeli a fieldwork-öt, a testi, tapasztalati tudást.
Paradoxon 05
A paradigmaváltás paradoxona
Az AI paradigmán belül optimalizál – rendkívül hatékonyan. De egy Copernicus vagy Einstein pontosan azt érezte meg, hogy a paradigma maga hibás. Ez az egzisztenciális bátorság – a saját tudományos közösség konszenzusával szembehelyezkedni – nem algoritmus. A legfontosabb tudományos bátorság épp az, amire az AI nem képes.
Paradoxon 06
A junior kutató szocializációs krízise
A hagyományos PhD-modell fokozatos bevezetéssel, „mesterinasszerűen" szocializálja a kutatót a szakmai kultúrába. Ha az AI elvégzi a szisztematikus munkát, a junior kutató mentorálás nélkül mélyvízbe kerül: elveszíti azokat a tanulási tapasztalatokat (irodalmazás, kódolás, adattisztítás), amelyek a szakmai ítélőképességet kialakítják.
⚖️ Szintézis A paradoxonok nem az AI elutasítását indokolják – hanem tudatos, reflektált integrációját. A kérdés nem az, hogy használjunk-e AI-t, hanem az, hogy milyen kutatási kultúrát építünk köré. Az AI legnagyobb veszélye nem a munkahely-elvesztés, hanem a kérdezés-kultúra elsorvadása. Külön kiemelendő az AI-rendszerek hallucináció-problémája: az LLM-ek hamis hivatkozásokat, nem létező szerzőket és fiktív adatokat is generálnak – ez a tudományos integritás szempontjából az egyik legkritikusabb kockázat.
06 · Összefoglalás

Az AI-pótolhatóság összefoglaló mátrixa

Az alábbi táblázat tudományterületenként összefoglalja az AI-pótolhatóság fokát a szisztematikus munka, az interpretáció és a paradigmaváltás dimenziójában.

Tudományterület Szisztematikus munka Interpretáció / Elemzés Paradigmaváltás
Strukturális biológia Nagyon magas Közepes Nagyon alacsony
Gyógyszerkutatás Magas Közepes Nagyon alacsony
Anyagtudomány Nagyon magas Közepes Nagyon alacsony
Klimatológia / időjárás Nagyon magas Magas Alacsony
Fizika Magas Közepes Nagyon alacsony
Csillagászat / asztrofizika Nagyon magas Közepes Alacsony
Matematika Magas Közepes Nagyon alacsony
Kémia Magas Közepes Nagyon alacsony
Orvostudomány – képdiagnosztika Nagyon magas Közepes Nagyon alacsony
Orvostudomány – klinikum Közepes Alacsony Nagyon alacsony
Bölcsészettudományok Magas Alacsony Nagyon alacsony
Társadalomtudományok (kvant.) Magas Közepes Nagyon alacsony
Társadalomtudományok (normatív) Közepes Alacsony Nagyon alacsony
Mérnöki tudományok Nagyon magas Magas Alacsony
Agrártudomány Magas Közepes Nagyon alacsony
Neurológia / Idegtudományok Nagyon magas Közepes Nagyon alacsony
Ökológia / Biodiverzitás Magas Közepes Nagyon alacsony
Geológia / Szeizmológia Magas Közepes Nagyon alacsony
Jelmagyarázat: Nagyon magas Magas Közepes Alacsony Nagyon alacsony
📌 Kulcsmegállapítás a mátrixból A paradigmaváltás minden tudományterületen nagyon alacsony AI-pótolhatóságú – ez a humán kreativitás, intuíció és bátorság irrredukibilis tartománya. A szisztematikus munka ezzel szemben szinte mindenütt magas vagy nagyon magas AI-pótolhatóságot mutat. Ez azt jelenti, hogy a tudományos munka értékstruktúrája radikálisan eltolódik: a jövőbeli kutatói kompetencia egyre inkább a kérdésfeltevés, a kontextualizálás és az etikai ítéletalkotás felé tolódik.
07 · Jövőkép

A 2030-as tudományos kutatás

Négy év alatt a kutatói munka alapvető architektúrája megváltozik. Az alábbi vízionárius kép nem predikció, hanem a jelenlegi trendek extrapolációja – azzal a tudattal, hogy a valóság mindig meglepőbb.

2026–2027 · Közvetlen jövő
Az AI mint „junior kutató" – szisztematikus feladatok teljes kiszervezése
Az AI elvégzi az irodalomkutatást, az adattisztítást, a szisztematikus review-t, a szintézistervezést és az alap-statisztikai elemzést. A kutató kérdéseket és kontextust ad – az AI implementál. A kutatói idő >60%-a felszabadul a tényleges gondolkodói munka számára. Az első AI co-author vitás esetei megjelennek a folyóirat-politikákban.
2027–2028 · AI-asszisztált peer-review
A tudományos bírálat forradalma
Az AI-asszisztált peer-review kiterjed: az első körös szűrés (plágiumellenőrzés, metodológiai konzisztencia, statisztikai helyesség) teljesen automatizált lesz. A humán bírálók a kontextuális, értékítéleti és kreativitás-alapú értékelésre összpontosítanak. A Nature és a Science kísérleti AI-bírálati rendszereket vezet be. A társszerzőség kérdése egyre sürgetőbbé válik: mikor kap az AI „credit"-et?
2028–2030 · Autonóm tudományos ciklusok
Az első teljesen autonóm kutatási ciklusok
Egyes anyagtudományi és gyógyszerkutatási területeken megjelennek az első teljesen autonóm kutatási ciklusok: AI hipotézist generál → robot végzi a kísérletet → AI értelmezi az adatot → új hipotézist generál. Ezek a ciklusok emberi felügyelet mellett, de emberi operatív részvétel nélkül futnak. A Cronin-csoport autonóm kémiai laboratóriuma a modell.
2028–2030 · Ellenmozgalmak
A „Slow Science" mozgalom felemelkedése
Tudatos ellenmozgalom az AI-gyorsítással szemben. Az emberi kreativitás, a véletlen felfedezés és a mélyreható gondolkodás védelmezői – a tudományos közösség egy szegmense szándékosan korlátozza az AI-t a kutatási folyamat exploráló fázisában. A „Slow Science Manifesto" intézményi elfogadást nyer egyes európai universitásokon. A kontempláció és a serendipity aktív védelme válik a tudományos metodológia részévé.
2030 körül · Nyitott kérdések
A fundamentálisan megoldatlan kérdések
Mikor lesz az AI valódi paradigmaváltó felfedező, nem csak paradigmán-belüli optimalizáló? Megoldható-e a replikációs válság AI-val, vagy az ösztönzők torz rendszere felülírja a technológiai lehetőséget? Hogyan szocializálódik a következő tudósgeneráció, ha az AI elvégzi a „kézimunka"-tanulást? Ezekre a kérdésekre 2026-ban nincs egyértelmű válasz.
🔮 A legfontosabb 2030-as nyitott kérdés A tudományos társszerzőség kérdése: az AI-generált hipotézisek, módszerek és elemzések milyen credit-et érdemelnek? Ez nem csupán jogfilozófiai kérdés – hanem a tudományos ösztönzők, a finanszírozás és az akadémiai karrierutak teljes újratervezését igényli. A szerzőség-kérdés megoldása nélkül az AI-integráció jogilag és etikailag instabil marad.
08 · Összefoglalás

Következtetések

Az elemzés fő megállapításai hét tézisbe sűrítve – a bizonyítékok alapján, a tudományos közösség vitatott pontjait is jelölve.

  1. Az AI-hatás aszimmetrikus és területfüggő. A strukturális biológia és az anyagtudomány területén az AI már 2024–2026-ban forradalmi változást hozott (AlphaFold, GNoME), míg a bölcsészettudományokban és a normatív társadalomtudományokban az hatás fokozatos és eszközjellegű. Nincs egyetlen „AI-hatás" – területenként eltérő tempójú és mélységű átalakulásról van szó.
  2. A Park et al. finding stratégiai lehetőséget teremt. Ha a tudományos publikációk ~30–45%-a rutinszerű, szisztematikus munka (meta-analízis, replikáció, adatgyűjtés), és az AI ezt nagy részben kiválthatja, akkor a felszabaduló kutatói kapacitás a valóban disruptív, paradigmaváltó munkára irányítható. Ez a legfontosabb pozitív potenciál.
  3. A minőség nem következik automatikusan a sebességből. Az AI-val gyorsított tudomány csak akkor jelent minőségi ugrást, ha az ösztönzők rendszere is megváltozik. A replikációs válság, a publish-or-perish kultúra és a p-hacking problémái az AI-val sem oldódnak meg automatikusan – sőt, egyes esetekben mélyülhetnek.
  4. A paradigmaváltás emberi monopólium marad. Az elemzett összes területen a paradigmaváltás (CD-index +1 tartomány) nagyon alacsony AI-pótolhatóságú. Az AI paradigmán belül optimalizál – ez hatalmas teljesítmény, de nem ugyanaz, mint a paradigma megkérdőjelezése. Ez az emberi kutatói kompetencia legvédettebb területe.
  5. A tacit knowledge és a serendipity aktív védelmet igényel. Az AI-kor tudatos intézményi válasza szükséges: olyan kutatási kultúra, amely megőrzi a véletlen felfedezés terét, a testi tapasztalati tudást és a kontempláció idejét. A „Slow Science" mozgalom nem nosztalgia, hanem stratégiai védekezés a tudományos diverzitás megőrzéséért.
  6. A junior kutatók képzési modelljét újra kell gondolni. Ha az AI elvégzi a szisztematikus munkát, a hagyományos PhD-szocializáció elveszíti scaffolding-funkcióját. Az új modellnek expliciten kell tanítania a kérdésfeltevést, a kontextualizálást, az etikai ítéletalkotást és a kreatív hipotézis-generálást – azokat a készségeket, amelyek az AI-korban a legértékesebbek.
  7. Az AI-szerzőség és a tudományos felelősség rendezése sürgős. A 2030-as perspektívában a legnagyobb intézményi kihívás nem technológiai, hanem jogi-etikai: a szerzőség, a felelősség, a finanszírozás és az akadémiai karrierstruktúra AI-kori újradefiniálása. Ez a kérdés ma még megoldatlan, és a megoldás késlekedése lassítja az AI-integráció pozitív potenciáljának kiaknázását.
Hivatkozások

Felhasznált irodalom és adatforrások

Az elemzésben hivatkozott peer-reviewed cikkek, intézményi jelentések és adatbázisok teljes bibliográfiai adatai.

1Park, M., Leahey, E. & Funk, R.J. (2023) Papers and patents are becoming less disruptive over time. Nature, 613, 138–144. https://doi.org/10.1038/s41586-022-05543-x
2Jumper, J. et al. / DeepMind (2021) Highly accurate protein structure prediction with AlphaFold. Nature, 596, 583–589. [Nobel-kémia 2024]
3Abramson, J. et al. / DeepMind (2024) Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature, 630, 493–500.
4Merchant, A. et al. / DeepMind (2023) Scaling deep learning for materials discovery. Nature, 624, 80–85. [GNoME]
5Price, I. et al. / DeepMind (2024) GenCast: Diffusion-based ensemble forecasting for medium-range weather. Nature, 625, 1–8.
6Lam, R. et al. / DeepMind (2023) Learning skillful medium-range global weather forecasting. Science, 382(6677), 1416–1421. [GraphCast]
7Trinh, T.H. et al. / DeepMind (2024) Solving olympiad geometry without human demonstrations. Nature, 625, 476–482. [AlphaGeometry]
8AlphaProof & AlphaGeometry 2 Team (2024/2025) AI achieves silver-medal standard solving International Mathematical Olympiad problems. Nature (2025 online first).
9Hayes, T. et al. / EvolutionaryScale (2024) Simulating 500 million years of evolution with a language model. Science, 385(6711), 1123–1130. [ESM3]
10Open Science Collaboration (2015) Estimating the reproducibility of psychological science. Science, 349(6251), aac4716.
11Eloundou, T. et al. (2024) GPTs are GPTs: Labor market impact potential of large language models. Science, 384(6702), 1306–1308.
12Ziems, C. et al. (2024) Can Large Language Models Transform Computational Social Science? Computational Linguistics, 50(1).
13Hanson, M.A. et al. (2023) Strain theory of novelty and the temporal structure of science. MIT Press – Quantitative Science Studies, 4(2), 440–461.
14NCSES (2025) Science and Engineering Indicators 2025. National Center for Science and Engineering Statistics, NSF, Washington D.C.
15OECD (2023) Main Science and Technology Indicators (MSTI) 2023/2. OECD Publishing, Paris.
16UNESCO (2023) UNESCO Science Report: The Race Against Time for Smarter Development. UNESCO Publishing, Paris.
17Jiang, Y. et al. / Insilico Medicine (2024) Phase 2a study of ISM001-055 (Rentosertib) in IPF. New England Journal of Medicine (2024, conference abstract).
18Polanyi, M. (1966) The Tacit Dimension. Doubleday, Garden City, New York. [A tacit knowledge koncepcióhoz]
19Schmid, F.W. & Nguyen, D. et al. (2024) Reading the Herculaneum Papyri: Vesuvius Challenge 2023 Winner. Nature (correspondence, 2024).
20Romera-Paredes, B. et al. / DeepMind (2023) Mathematical discoveries from program search with large language models. Nature, 625, 468–475. [FunSearch]
21Takagi, Y. et al. (2023) High-resolution image reconstruction with latent diffusion models from human brain activity. Nature Communications (2023). [fMRI dekódolás]