تتزايد أهمية تطبيقات تعلم الآلة (ML) والذكاء الاصطناعي (AI) في الأوساط العلمية، حيث تُستخدم النماذج اللغوية الكبيرة (LLMs) بشكل متزايد لتوليد فرضيات علمية وتفسيرات ميكانيكية استنادًا إلى البيانات الملاحظة. ومع ذلك، يؤكد الباحثون في دراسة حديثة أن التركيز على الهيكل أكثر أهمية من التركيز على النماذج المعقدة في سياق الاكتشاف العلمي.

وفي ظل انتشار البيانات ذات الأبعاد العالية، يُظهر تعلم الآلة الحديث ضعفًا في التحديد الميكانيكي؛ إذ يمكن أن تؤدي آليات مختلفة وغير متوافقة بشكل أساسي إلى علاقات ملاحظة مشابهة ضمن نطاق البيانات. وبالتالي، فإن النجاح في التنبؤ والتفسيرات المتماسكة ليست دليلاً كافيًا لاكتشاف الآليات الفعلية.

تزداد خطورة هذه المشكلة عند استخدام النماذج اللغوية الكبيرة، حيث تميل إلى دمج فئات كبيرة من التفسيرات في رواية واحدة سلسة، مما قد يؤدي إلى فقدان التنوع والتعقيد الضروريين في الفهم العلمي. لذلك، تشدد الورقة على ضرورة وضع معايير محددة لـ "التعلم الميكانيكي"، مقترحة أن هذه المعايير تمثل حاجة ماسة لتمكين تدفقات العمل المرتكزة على النماذج اللغوية من دعم العلم بدلاً من مجرد محاكاته.

في النهاية، يتوجب على العلماء والباحثين إعادة التفكير في طرق استخدام الذكاء الاصطناعي والتأكد من أنهم يركزون على الهياكل العميقة بدلاً من النماذج المعقدة التي قد لا تقود دائمًا إلى الفهم الحقيقي.