De toekomst van onderzoek in het tijdperk van Generatieve en Agentic AI

Opgelet: momenteel is de maximumcapaciteit van de zaal bereikt en zijn de inschrijvingen afgesloten. Indien u nog niet bent ingeschreven, maar toch graag wenst deel te nemen, kunt u zich alsnog via deze link voor de wachtlijst inschrijven.

De wetenschap staat op een kruispunt. Waar we gisteren artificiële intelligentie (AI) gebruikten voor data-analyse (classificatie en predictie), zien we vandaag dat de opkomst van generatieve AI met Large Language Models (LLMs) het mogelijk heeft gemaakt om makkelijk wetenschappelijke teksten te schrijven: AI als een virtuele mede-auteur. Met agentic AI gaat het nog een stap verder: systemen die autonoom hypotheses formuleren, data verzamelen en volledige onderzoekstrajecten automatiseren: AI als virtuele collega-onderzoeker. Dit stelt onderzoekers, financiers en evaluatoren voor complexe uitdagingen.

De Reflectiegroep Responsible Research & Innovation en Wetenschapsethiek (RRI& WE) van KVAB, JA en KAGB nodigt u uit voor een verkenning van de kansen en risico’s die deze technologieën bieden voor de automatisering van het onderzoeksproces en de impact op de wetenschap, de onderzoekers, de onderzoeksfinanciering en -evaluatie.

Kernpunten van het programma:

• Efficiëntie versus Kwaliteit: De invloed van AI op hypothesevorming, data-acquisitie, analyse en conclusievorming.
• De paradox van vaardigheden: Als AI het denkwerk overneemt, moeten we jonge onderzoekers dan nog wel "diep" leren nadenken? Dreigt er een verschraling van skills of juist een nieuwe intellectuele bloei?
• Ethiek & Transparantie: Hoe declareren we AI in projectvoorstellen, publicaties en auteurschap; wat betekent dit voor de integriteit van de wetenschap?
• Onderwijs & Training: De noodzaak voor een herijking van de opleiding voor beginnende onderzoekers in een AI-gedreven wereld.
• Beleidsvraagstukken: De impact op evaluaties van projectvoorstellen en promoties.
• Disciplinaire diversiteit: Verkenning van mogelijke verschillen van de impact van AI op de onderzoekspraktijken in humane, biomedische en exacte wetenschappen (W&T) en diverse disciplines, inclusief de specifieke problematiek binnen artistiek onderzoek.
• Dit symposium dient als een platform om Vlaamse expertise te bundelen en antwoorden te formuleren op de onzekerheden van morgen.

Themaverdeling van de sprekers:

Luc De Raedt

• Korte inleiding tot generatieve artificiële intelligentie, waarbij wordt ingegaan op de werking en de beperkingen van deze technologie.
• Daarbij worden onder andere large language models, large reasoning models en agentgebaseerde systemen besproken.
• Illustratie van het potentiële gebruik en misbruik van generatieve AI voor wetenschappelijke doeleinden.

Andres Algaba

• Automatisatie van het volledige onderzoekstraject: van hypothesevorming, uitwerking, ontwerp van experiment, meetgegevens, analyse van de data, conclusies tot publicatie.
• Reproduceerbaarheid en generalisatie van geautomatiseerde wetenschap.
• Impact op het onderzoeksgebeuren, AI gegenereerde fraude, AI-hallucinatie.
• Vermindering van de skills van de onderzoekers, impact op hun opleiding.
• Bewust en onbewust misbruik van AI door de publicatiedruk.

Wim Van Biesen

• AI toepassingen in de gezondheidszorg als puur technische wetenschap.
• Impact en belang van goede data.
• Impact van AI op ons mensbeeld (en dus begrip van zorg).
• Alignering van AI met onze gezondheidsnoden en doelen.
• Ethische en juridische vragen: in hoeverre mag technologie de rol van zorgverleners overnemen?

Sofie Goethals

• Ethiek en transparantie: Hoe omgaan met auteurschap en transparantie?
• Moeten er extra regels komen betreffende inzending of beoordeling?
• Hoeveel menselijke inbreng is ‘genoeg’?
• Impact op de diversiteit van het onderzoek.
• Impact van AI op de wereldwijde kenniskloof?

Sylvia Wenmackers

• Welke automatisatie is nuttig en wenselijk vanuit het doel van het onderzoek?
• Big Tech vs Academia: AI werktuigen nooit neutraal, gebrek aan openheid.
• Volledige impact van AI (lokaal en globaal, nu en in de toekomst) gebrek aan transparantie, ecologische impact, rekentijd, energieverbruik, levenscyclus analyse.

Hans Willems

• Beoordeling van onderzoeksvoorstellen.
• Automatisatie bij het concipiëren van onderzoeksprojecten.
• Toevloed onderzoeksvoorstellen, malafide uitgevers.
• Evaluatie van projectresultaten.
• Opsporen van AI genereerde fraude.

Afsluitend debat met moderator Johan Decruyenaere, KAGB

Panelleden: de sprekers, en de twee onderzoekers Karolien De Wael en Tjonnie Li die zich buigen over de vraag: "Hoe ziet de universiteit van 2030 eruit als AI de overhand neemt?"

Karolien De Wael

AI kan vandaag literatuur lezen, data analyseren, teksten schrijven en zelfs hypotheses bedenken. Sneller dan wij. Maar niet altijd juister: AI hallucineert, en weet niet wat het niet weet. Er is ook een stiller risico: AI versterkt de KPI-reflex van onderzoekers, de neiging om te kiezen voor wat ‘telt’ in plaats van wat ertoe doet. Sneller meer papers, meer van hetzelfde.

De echte kans ligt in het verbinden: AI als brug tussen disciplines, die ons wijst op kennis uit domeinen die we zelf nooit zouden lezen. Die brug oversteken blijft wel mensenwerk. Daarvoor moeten onderzoekers niet minder diep leren denken, maar juist dieper, om complexere vraagstukken te kunnen oplossen. De universiteit van 2030 wordt niet bepaald door wat AI kan, maar door wat wij ermee (wensen te) doen.

Tjonnie Li

Tjonnie Li ontwikkelt aan de KU Leuven AI-methoden die functioneren als een beslissingslaag boven bestaande rekenalgorithmes: in plaats van een berekening louter sneller uit te voeren, bepalen deze methoden welke berekening de moeite waard is, met welke nauwkeurigheid en op welke infrastructuur ze moet worden uitgevoerd. Deze aanpak vertrekt vanuit de vaststelling dat toekomstige onderzoeksinfrastructuren, zoals de Einstein Telescoop, tot duizend keer meer data zullen genereren dan vandaag, terwijl het aantal rekenopties, van klassieke methoden over AI-surrogaten tot kwantumroutes, blijft toenemen. Zijn onderzoek toont dat AI daarbij het meest oplevert wanneer onzekerheid expliciet wordt meegenomen: agentische systemen die zelf beslissen wanneer een goedkoop antwoord volstaat en wanneer een duurder antwoord vereist is. Daarnaast gebruikt hij AI om complexe simulaties te versnellen via surrogaatmodellen en om de datastromen van grootschalige wetenschappelijke instrumenten te orkestreren. Deze onderzoekslijn is er in essentie op gericht om het expertoordeel dat vandaag vaak impliciet en niet-reproduceerbaar is, meetbaar en controleerbaar te maken, zonder de rol van de onderzoeker te vervangen.