De tijd van automatische wetenschap lijkt aangebroken. Maar deze algoritmes brengen niet enkel efficiëntie, ze gaan ook gepaard met een enge visie op wetenschap.
Afgelopen weken kwam Periodic Labs in het nieuws, de nieuwe speeltuin van voormalige ChatGPT-ontwikkelaars. Toponderzoekers in artificiële intelligentie gaven hun vaste jobs en miljoenen dollars op om daar te gaan werken. De missie: met AI ontdekkingen in natuurkunde en scheikunde versnellen.
Het idee is simpel: wetenschap is te traag, te menselijk, te inefficiënt. Laat algoritmes het werk doen. Zo ging in 2024 de Nobelprijs in de scheikunde ten dele naar AlphaFold, een AI-tool die hielp om eiwitstructuren te voorspellen. De tijd van automatische wetenschap lijkt aangebroken. Maar deze algoritmes brengen niet enkel efficiëntie, ze gaan ook gepaard met een enge visie op wetenschap.
De oude droom in nieuwe verpakking
De droom van de automatische wetenschap is niet nieuw. Al twintig jaar geleden fantaseerde de bio-ingenieur Drew Endy over biologen die geen idee meer hoefden te hebben van DNA: bedrijven zouden gewoon de gewenste stukjes leveren. Vandaag duikt die droom opnieuw op, in de gedaante van AI-modellen die hypotheses genereren, papers schrijven of laboratoria aansturen.
In de praktijk is het allemaal minder spectaculair. Wetenschap zit vol informele, creatieve en chaotische handelingen — dingen die zich niet in code laten gieten. De Amerikaanse sociologe Annie Hammang beschreef in een recent artikel hoe haar biotechbedrijf robots “voor de show” liet draaien tijdens labtours: “We vulden de robot, drukten op start als de groep binnenkwam, en verlieten de kamer. De rest van de tijd deed de mens het werk.” Wetenschap blijft mensenwerk. Alleen is dat mensenwerk vaak onzichtbaar gemaakt.
Wetenschap zit vol informele, creatieve en chaotische handelingen die zich niet in code laten gieten
Zowat elke sociale wetenschapper die wetenschappelijke praktijken empirisch bestudeert betwijfelt of de automatisering van wetenschap ooit mogelijk zal zijn. Maar de belangrijkere vraag is eigenlijk: willen we dat eigenlijk wel?
Vandaag lijkt het antwoord vanzelfsprekend. Automatisering wordt gepresenteerd als onvermijdelijk: een kwestie van tijd en efficiëntie. Universiteiten willen “mee op de boot”. Toen de vakgroep wijsbegeerte aan de UGent vorige maand besloot om generatieve AI te verbieden bij het schrijven van bachelors en masterscripties, werd dat verbod bijvoorbeeld snel teruggefloten door de faculteit. Een verbod was volgens het universiteitsbestuur “niet mogelijk en niet wenselijk”. Het gebruik van AI lijkt onvermijdelijk.
Puzzelwetenschap
Toch is dit soort technologie geen noodzaak, maar een keuze voor een bepaald soort wetenschap. Allereerst richten systemen zoals AlphaFold of Periodic Labs zich op een bepaald type onderzoek: goed afgebakende problemen binnen een bestaand kader. De Amerikaanse filosoof Thomas Kuhn noemde dat “puzzelwetenschap”: het invullen van ontbrekende stukjes binnen een gekend paradigma. AI blinkt daar in uit. Maar de grote wetenschappelijke revoluties — Newton, Lavoisier, Einstein — ontstonden juist wanneer iemand de puzzel van tafel gooide en een nieuwe begon. Zulke paradigmawissels vragen niet enkel rekenkracht, maar ook verbeelding, twijfel en soms ongehoorzaamheid. Dat soort wetenschap is niet te automatiseren.
De grote wetenschappelijke revoluties ontstonden juist wanneer iemand de puzzel van tafel gooide en een nieuwe begon
Ten tweede vertrekt dit soort wetenschap ook van een heel bepaald doel: het produceren van nieuwe materialen, medicijnen of algoritmes. Maar wetenschap is méér dan een motor van innovatie. Ze helpt ons de wereld te begrijpen, niet enkel te beheersen. Lezingen over de oorsprong van het universum trekken volle zalen, niet omdat ze nuttig zijn, maar omdat ze ons helpen onze plaats te zien in het geheel. En het werk van denkers als Rutger Bregman, Geert Mak of David Van Reybrouck raakt precies daarom een snaar: niet omdat ze pasklare antwoorden bieden, maar omdat ze nieuwe vragen durven stellen.
De waarde van een ontdekking zit niet enkel in haar praktisch nut, maar in het delen ervan. Het is waardevol omdat anderen ze kunnen begrijpen, bekritiseren, bewonderen. In een wereld waar algoritmes wetenschappelijke artikels schrijven én lezen, rest alleen nog de marktwaarde van kennis.
Kennissoevereiniteit
Ten slotte speelt nog iets dat vaak onbesproken blijft: kennissoevereiniteit. In de laatste jaren klinkt steeds vaker de roep om “digitale soevereiniteit”: controle over onze eigen data en technologie. Universiteiten zijn intussen sterk afhankelijk van de software en servers van Google, Microsoft en OpenAI.
Wie wetenschap automatiseert, versterkt die afhankelijkheid. Het auteurschap verschuift van publieke instellingen naar private ondernemingen. Die verschuiving is politiek geladen. Vorige vrijdag kwam nogmaals het nieuws naar boven hoe de Trump-administratie AI-bedrijven vroeg hun modellen “meer conservatief-vriendelijk” te maken. Geautomatiseerde wetenschap zou daar niet aan ontsnappen.
Kennissoevereiniteit betekent onderzoekers, laboratoria en infrastructuur die onafhankelijk kunnen werken en denken
We weten al langer dat zelfvoorziening in energie en landbouw cruciaal is. Hetzelfde geldt voor kennis. Kennissoevereiniteit betekent dat we een eigen wetenschappelijke slagkracht behouden — onderzoekers, laboratoria en infrastructuur die onafhankelijk kunnen werken en denken. Niet omdat dat direct winst oplevert, maar omdat het maatschappelijk noodzakelijk is. Projecten zoals CERN, en misschien binnenkort de Einsteintelescoop in de Euregio Maas-Rijn, zijn daarom van onschatbare waarde: ze garanderen expertise waarop we in tijden van crisis kunnen rekenen.
De automatisering van wetenschap is dus geen natuurwet, maar een keuze. Een keuze over hoe we kennis willen organiseren, en met welk doel. Willen we een wetenschap die menselijk, creatief en publiek is — of een die vooral efficiënt, voorspelbaar en privaat wordt?
