🚨LUIN JUURI JOTAIN JÄRKYTTÄVÄÄ. Tutkijat kouluttivat tekoälyn ennustamaan, mitkä tieteelliset ideat onnistuvat ennen kuin mikään kokeilu käynnistetään. Se on nyt parempi tutkimuksen arvioinnissa kuin GPT-5.2, Gemini 3 Pro ja kaikki markkinoiden huippu-AI-mallit. Ja se oppi tutkimalla 2,1 miljoonaa tutkimusartikkelia ilman, että yksikään ihmistutkija opetti sille, miltä "hyvä tiede" näyttää. Tässä mitä he tekivät. Kiinalainen tutkijaryhmä rakensi kaksi tekoälyjärjestelmää. Ensimmäinen, nimeltään Scientific Judge, koulutettiin 700 000 pariin korkean ja matalan viittauksen artikkeleita. Jokainen pari tuli samalta pellolta ja samalta aikakaudelta. Tekoälyn ainoa tehtävä: selvittää, millä paperilla olisi suurempi vaikutus. Se toimi. Tekoäly ennustaa nyt, mikä tutkimus onnistuu 83,7 % tarkkuudella. Se on korkeampi kuin GPT-5.2. Korkeampi kuin Gemini 3 Pro. Korkeampi kuin mikään Frontier-malli, joka on olemassa. Sitten he rakensivat toisen järjestelmän. Scientific Thinker ei tuomitse vain ideoita. Se ehdottaa heitä. Annat sille tutkimuspaperin, ja se tuottaa jatkoidean, jolla on suuri potentiaalinen vaikutus. Kun Scientific Thinkerin ideoita testattiin suoraan GPT-5.2:ta vastaan, ne arvioitiin 61 % tapauksista suuremman vaikutuksen osalta. Se tuottaa parempia tutkimussuuntia kuin maailman älykkäimmät tekoälymallit. Se muuttuu oudommaksi. He kouluttivat tuomaria vain tietojenkäsittelytieteen papereissa. Sitten he testasivat sitä biologiassa. Fysiikkaa. Matematiikkaa. Peltoja, joita se ei ollut koskaan nähnyt. Se toimi silti. 71 % tarkkuus biologian tutkimuksissa, joihin sitä ei koskaan koulutettu. Tekoäly ei oppinut, mikä tekee hyvästä tietojenkäsittelytieteestä. Se oppi, mikä tekee hyvästä tieteestä, piste. Sitten tutkijat testasivat, voisiko se nähdä tulevaisuuteen. He kouluttivat sen papereilla vuoteen 2024 asti, sitten pyysivät sitä arvioimaan vuoden 2025 julkaisuja. Se ennusti, mitkä niistä saisivat jalansijaa 74 % tarkkuudella. Tekoäly oppi tunnistamaan voittajat ennen tiedeyhteisöä. Tässä on se, mistä kukaan ei puhu. 1,5 miljardin parametrin malli, joka on nykystandardien mukaan pieni, nousi koulutuksen jälkeen 7 %:sta 72 %:iin tarkkuudella. Se on 65 pisteen harppaus. Kyky arvioida tieteellistä laatua ei ole massiivisten mallien nouseva ominaisuus. Sitä voidaan opettaa pienille, edullisille ja nopeille tekoälyjärjestelmille, joita kuka tahansa voi käyttää....