Yapay Zekâ Çağında Bilimsel Muhakemenin Paradoksu…
Bilim hiçbir zaman “sıfırdan, saf ve yalnızca insan aklıyla” üretilmedi. Newton’un sözü hâlâ yerini korumakta: “Daha uzağı görebildiysem, devlerin omuzlarında durduğum içindir.” Bilim insanı, kendisinden önce üretilmiş bilginin üzerine çıkar; okur, tarar, eleştirir, karşılaştırır, sentezler ve kendi sorusunu kurar. Bilim, büyük ölçüde birikmiş bilginin üzerine yeni sorular inşa etme sanatıdır.
Geçmişte bu süreç çoğu zaman şöyle işliyordu: gelişmiş ülkelerde üretilmiş literatür okunuyor, özetleniyor, tercüme ediliyor, alıntılanıyor; bazen de aynı düşünce farklı bir cümleyle “özgün katkı” olarak yeniden paketleniyordu. Bilgiye erişim ile bilgi üretme kapasitesi arasındaki eşitsizlik, özgünlük tartışmasını uzun zamandır etkiliyordu.
Bugün değişen şey bilimin temel mantığı değil; bilgiye erişimin, bilgiyi işleme ve yeni bağlantılar kurma kapasitesinin ölçeği ile hızıdır. Ve bu fark artık yalnızca niceliksel değildir.
DeepMind’ın AlphaFold sistemi, protein yapı tahmini alanında onlarca yıldır süren bir problemi daha önce görülmemiş bir hız ve ölçekte ele alarak yapısal biyolojinin çalışma biçimini dönüştürdü. Buradaki kritik nokta yalnızca daha hızlı hesaplama değil; insan araştırmacının tek başına pratik olarak erişemeyeceği büyüklükteki bir uzayın taranıp araştırılabilir hipotezlere dönüştürülebilmesidir. Malzeme bilimi ve ilaç araştırmalarında da benzer eğilimler görünüyor.
Ancak bu dönüşüm her disiplinde aynı biçimde yaşanmıyor. Doğa bilimlerinde AI’nin gücü, büyük ve nispeten temiz veri setleri üzerinde çalışabilmesinden, sonucun deneysel olarak doğrulanabilir olmasından geliyor — bir protein yapısı ya doğrudur ya değildir, laboratuvarda sınanabilir. Muhasebe ve işletme gibi sosyal bilim alanlarında ise veri setleri küçük, bağlama bağımlı ve genellikle gürültülü; nedensellik iddiaları çoğu zaman deneysel değil gözlemsel kanıta dayanıyor ve kurumsal, kültürel, düzenleyici bağlamdan bağımsızlaştırılamıyor. Bu da üretim-doğrulama makasını sosyal bilimlerde daha da tehlikeli kılıyor: AI bir düzenleme metnini, bir muhasebe standardını ya da bir anket verisini son derece ikna edici biçimde yorumlayabilir, ama bu yorumun “doğru” olup olmadığını sınayacak bir laboratuvar deneyi yoktur — sınama, büyük ölçüde meslektaş muhakemesine ve kurumsal bilgiye kalır. Yani makas, doğa bilimlerinde dar ama derinse, sosyal bilimlerde daha geniş ve daha sinsidir.
Üretim ile doğrulama arasındaki gerilim
Keşif kapasitesinin büyümesi, doğruluk kapasitesinin de aynı hızda büyüdüğü anlamına gelmiyor. Belki de geleceğin en önemli epistemik sorunu tam burada yatıyor: üretim kapasitesi ile doğrulama kapasitesi arasında açılan fark.
AI çok daha hızlı ve çok daha fazla cevap üretebilir. Ama bu cevapların hangisinin doğru olduğunu sınamak, hangi varsayımın hatalı olduğunu görmek, hangi verinin eksik olduğunu fark etmek ve hangi sonucun yalnızca ikna edici bir dille paketlenmiş bir yanılgı olduğunu ayırt etmek — aynı hızda mümkün olmayabilir. AI, bilgi üretiminin darboğazını ortadan kaldırmıyor; darboğazı başka bir yere taşıyor: metin üretiminden doğrulamaya, bilgiye erişimden epistemik denetime.
Bu tespit artık yalnızca bir sezgi değil. Google DeepMind (2026), yapay zekâ ajanlarını “varsayım makineleri” olarak tanımlıyor: hipotez üretimini ucuzlatıp bollaştırırken, bu hipotezlerin fiziksel ve kurumsal olarak sınanması hâlâ yavaş ve pahalı kalıyor. Thrall (2026), aynı eğilimi “doğrulama borcu” kavramıyla adlandırıyor — kısa vadeli üretkenlik kazançlarının, dikkatli değerlendirme kapasitesini geride bıraktığı bir durum. Ding ve arkadaşlarının (2026) yapay zekâ araştırma ajanları üzerine yaptığı taramada da benzer bir bulgu öne çıkıyor: kod paylaşımı artık yaygınlaşmış olsa da, iddiaların bağımsız olarak doğrulanabilmesini sağlayacak materyal çok daha geride kalıyor. Üç kaynak da, alandan bağımsız olarak, aynı noktaya işaret ediyor: mesele artık bir ajanın görevi bitirip bitiremediği değil, ürettiği iddiaları kimin, nasıl doğrulayabileceğidir.
Bu “ikna edicilik” meselesi rastgele değil; insanlığın tarihsel gücünün tam kalbine dokunuyor. Harari ve Tracey’nin (2026) WEF söyleşisinde hatırlattığı gibi, insan türü dünyayı fiziksel güçle değil, binlerce yabancıyı ortak bir anlatı etrafında işbirliğine ikna edebilme kapasitesiyle fethetti — dil, ideoloji ve din aracılığıyla kurulan bu ikna gücü, Harari’nin (2026a) deyişiyle “bizim süper gücümüzdü.” Bilim de, özünde, bu süper gücün disiplinli bir biçimidir: bir iddiayı kanıtla, yöntemle ve akranların sınamasıyla ikna edici kılma sanatı. Ama artık kelimeleri insandan daha iyi kullanabilen bir sistemle karşı karşıyayız. Sorun şu ki ikna edicilik ile doğruluk aynı şey değildir — ve tam da bu ayrım, AI’nin en güçlü olduğu yerde en kolay bulanıklaşan ayrımdır. Bunun soyut bir endişe olmadığını, hakemsiz bir ön baskı olsa da, güncel bir tahmin de gösteriyor: PubMed Central’daki biyomedikal makalelerin 2025’in sonunda yaklaşık onda dokuzunda yapay zekâ destekli yazım izine rastlanmış (Naddaf, 2026) — metnin ikna ediciliği ile içeriğin doğruluğu arasındaki mesafe artık ölçülebilir bir olgu haline geliyor.
Bu yüzden mesele artık “Yapay zekâ kullandın mı?” sorusu değildir. Asıl soru şudur: “Yapay zekânın ürettiğini sorgulayabilecek, sınayabilecek ve gerektiğinde reddedebilecek kadar bilim biliyor musun?” Ve hemen ardından daha zor bir soru gelir: bu sorgulama kapasitesi yalnızca bireysel bir yetenek olarak mı bırakılacak, yoksa kurumlar tarafından da desteklenecek mi?
Bireysel muhakeme boşlukta oluşmaz. Bir araştırmacının neyi sorguladığı, neyi doğru kabul ettiği ve hangi kanıtı yeterli gördüğü; eğitim aldığı kurumdan, hakemlik kültüründen, yayın baskısından ve akademik teşviklerden bağımsız değildir. Mesele yalnızca “iyi araştırmacı” yetiştirmek değil — iyi araştırmacının iyi bilim yapabileceği bir sistem kurmaktır.
Spektrum
AI kullanan araştırmacıları iki kesin kategoriye ayırmak yanıltıcıdır. Gerçekte bir spektrum vardır.
Bir uçta, yapay zekâyı kuvvet çarpanı olarak kullanan araştırmacı bulunur: literatürü daha geniş tarar, kaynakları doğrular, önerileri sınar, çelişkileri sorgular, metodolojiyi değerlendirir ve son kararı kendi muhakemesiyle verir. Diğer uçta AI’yi otomatik metin fabrikası gibi kullanan kişi vardır: prompt verir, çıkanı kopyalar, kaynakları kontrol etmez, kavramları sınamaz ve ortaya çıkan metni “bilimsel çalışma” zanneder.
Çoğu araştırmacı bu iki uç arasında hareket eder. Kimi zaman AI’yi gerçek bir düşünme ortağı olarak kullanır, kimi zaman kendi düşünme yükünü fark etmeden ona devreder. Tehlike, insanın muhakeme sorumluluğunu AI’ye sessizce devretmeye başladığı noktada büyür.
Teşvikler ve ölçeklenme
Akademik teşvik sistemleri uzun zamandır nicelik üzerinden işliyor — yayın sayısı, atıf endeksi, “publish or perish” baskısı. AI öncesinde bu baskı, bir araştırmacının üretebileceği makale sayısını fiziksel ve bilişsel bir sınırla dengeliyordu: yazmak, literatür taramak, veri toplamak zaman alıyordu, bu da doğal bir kalite filtresi işlevi görüyordu — kusurlu ama var olan bir filtre.
Yapay zekâ bu fiziksel sınırı ortadan kaldırdı. Artık bir araştırmacı, aynı zaman diliminde kat kat fazla metin üretebiliyor. Sorun şu ki, teşvik sistemi hâlâ niceliği ödüllendiriyor ve niteliği ölçmekte hâlâ yetersiz. Sonuç: aynı kalıba uyan, birbirine benzeyen, “doğru formatta ama sığ” makalelerin sayısında bir artış riski. Hakem havuzu bu hacmi karşılayamadığı için inceleme yüzeyselleşiyor; yüzeysel inceleme, sığ makalenin geçme ihtimalini artırıyor; bu da daha fazla sığ makaleyi teşvik ediyor. Bu, kendi kendini besleyen bir döngüdür — teknolojik değil, kurumsaldır.
Yani “vasatlığın demokratikleşmesi” AI’nin doğrudan bir sonucu değil; AI’nin, zaten bozuk olan bir teşvik sistemiyle etkileşiminin sonucudur.
AI bilimin kalitesini otomatik olarak yükseltmez.
AI, kullanan kişinin ve içinde bulunduğu kurumsal ortamın epistemik kapasitesini büyütür.
İyi bir bilim insanının ve sağlam bir hakemlik-editöryal sistemin elinde büyüteçtir.
Zayıf bir araştırmacının ve teşvikleri bozulmuş bir akademik kültürün elinde ise büyütülmüş bir yanılgı makinesine dönüşebilir.
“AI kullanmadım” bir erdem değildir…
Bu nedenle:
“Ben AI kullanmadan yazdım.”
cümlesi tek başına bir bilimsel üstünlük göstergesi değildir.
Nasıl ki bir araştırmacının bilgisayar kullanmadan hesap yaptığını söylemesi onu daha iyi matematikçi yapmıyorsa, yapay zekâ kullanmamak da tek başına daha iyi bilim insanı olduğunun kanıtı değildir.
Bilimde araç kullanmamak erdem değildir.
Aracı doğru kullanmak; onun ürettiğini denetlemek, gerektiğinde reddetmek ve bütün bunları şeffaflık içinde yapmak erdemdir.
Üstelik “AI kullanmadım” diyen araştırmacının gerçekten ne kadar “AI’sız” olduğunu da sormak gerekir.
Arama motorları, öneri sistemleri, akademik keşif araçları, otomatik sınıflandırmalar, atıf ağları ve benzerlik algoritmaları…
Bilimsel bilgi üretim süreci zaten uzun zamandır algoritmik araçlarla iç içedir.Yapay zekâ yalnızca bilgiyi demokratikleştirmedi; mevcut teşvik bozukluklarının ölçeklenmesini de mümkün kıldı. Akademik sistemlerin önemli bir bölümü uzun zamandır niceliksel göstergelerle çalışıyor: yayın sayısı, atıf sayısı, h-endeksi, dergi sıralamaları, “publish or perish.” AI öncesinde bu sistem zaten sorunluydu, ama üretimin önünde en azından zaman ve emek gibi doğal darboğazlar vardı. Literatür taramak, yazmak ve veriyi işlemek belli bir bilişsel maliyet gerektiriyordu — kusursuz olmayan ama yine de var olan bir filtre.
Yapay zekâ bu darboğazın önemli bir bölümünü gevşetti. Üretim kapasitesi arttı; kaliteyi ayırt etme kapasitesi aynı kalırsa, kendi kendini besleyen bir döngü ortaya çıkar: daha fazla üretim → daha fazla hakem yükü → daha yüzeysel değerlendirme → daha kolay kabul → daha fazla üretim baskısı. Sonuç, doğru formatta ve düzgün kaynakçalı ama epistemik olarak sığ çalışmaların çoğalmasıdır.
Bu döngü artık bir dergide somut olarak gözlemlenmiş durumda. Gartenberg ve arkadaşlarının (2026) Organization Science dergisinde yürüttükleri görev gücü çalışması, ChatGPT’nin piyasaya çıkışından bu yana başvuru hacminin yüzde 42 arttığını, buna karşılık yazım kalitesinin gerilediğini ve bu eğilimin büyük ölçüde yapay zekâ tarafından üretilmiş metinlerden kaynaklandığını gösteriyor — yazarların yanı sıra hakemlerin de değerlendirmelerinde benzer bir kalite düşüşü tespit edilmiş.
Burada suçlu teknoloji değildir. Ama teknolojinin içine yerleştirildiği kurumlar da masum değildir.
“AI kullanmadım” bir erdem değildir
“Ben AI kullanmadan yazdım” cümlesi tek başına bilimsel üstünlük göstergesi değildir. Bilgisayar kullanmadan hesap yapmak birini daha iyi matematikçi yapmadığı gibi, AI kullanmamak da tek başına daha iyi bilim insanı olduğunun kanıtı değildir. Bilimde araç kullanmamak erdem değildir. Aracı doğru kullanmak — onun ürettiğini denetlemek, gerektiğinde reddetmek ve bunu şeffaflık içinde yapmak — erdemdir.
Üstelik “AI kullanmadım” diyen araştırmacının gerçekten ne kadar “AI’sız” olduğunu da sormak gerekir. Arama motorları, öneri sistemleri, akademik keşif araçları, atıf ağları ve benzerlik algoritmaları… Bilimsel bilgi üretimi zaten uzun zamandır algoritmik araçlarla iç içedir. Mesele ahlaki bir “kullanmak / kullanmamak” ayrımı değil; AI karşısında bilimsel özerkliği koruyabilmektir.
Kurumsal boyut
Bugün tartışmamız gereken şey “AI kullanalım mı, kullanmayalım mı?” değildir. Daha zor soru şudur: “AI ile üretilen bilgi üzerinde kim hüküm verecek?” Bu hüküm yalnızca bireysel muhakemeye mi bırakılacak, yoksa kolektif mekanizmalarla mı desteklenecek?
Doğrulama tarafını güçlendirmeden yalnızca “iyi bilim insanı olun” demek, bozuk bir sistemin yükünü bireylerin omuzlarına bırakmak olur. Ama her önerinin karşısında onu frenleyen somut bir çıkar da duruyor:
Şeffaf kullanım beyanı — AI’nin literatür taramasında, veri analizinde veya yazımda nasıl kullanıldığının açıkça belirtilmesi. Bunun önünde duran engel: hiçbir dergi, yazarlarını caydıracak bir beyan yükümlülüğünü rakiplerinden önce getirmek istemez — bu bir tür ortak eylem sorunudur.
Nicelikten niteliğe geçiş — yayın sayısı yerine metodolojik sağlamlık ve yeniden üretilebilirliği önceleyen teşvikler. Bunun önünde duran engel: üniversite sıralama sistemleri (QS, THE, YÖK performans göstergeleri) hâlâ ham yayın ve atıf sayılarına dayanıyor; bir üniversite tek başına bu ölçütü değiştiremez.
Hakemlik kapasitesinin büyütülmesi — AI’nin yalnızca yazarların üretim hızını değil, hakemlerin kaynak doğrulama ve hata tespiti kapasitesini de artırması. Bunun önünde duran engel: dergi endüstrisinin iş modeli hakem emeğini ücretsiz tutmak üzerine kurulu; hakemlik altyapısına yatırım, dergilerin kısa vadeli kârlılık mantığıyla çelişiyor. Research on Research Institute’ün (2026) hakemlik sisteminin geleceğine dair kapsamlı raporu da aynı sonuca varıyor: hakemlik, hiper-rekabet ve AI’nin birlikte yarattığı baskı altında kırılma noktasına yaklaşıyor ve parça parça iyileştirmelerin ötesinde sistemsel bir yeniden tasarım gerekiyor.
Yeniden üretilebilirlik — bir sonucun güvenilirliğinin ikna ediciliğinden değil, bağımsız sınanabilirliğinden gelmesi. Bunun önünde duran engel: fon rekabeti ve kariyer yapıları, “ilk ve özgün” olmayı ödüllendirir, başkasının sonucunu doğrulamayı değil — replikasyon çalışmaları CV’de neredeyse hiç ağırlık taşımaz.
Teşhis burada nettir: dört önerinin dördü de teknik olarak basit, uygulaması ise kurumsal çıkar çatışmaları yüzünden zordur. Bu, bilme sorunu değil irade ve yapı sorunudur — ve tam da bu yüzden çözüm tek bir dergiden, tek bir üniversiteden ya da tek bir araştırmacıdan gelmeyecektir. AI, mevcut teşvik bozukluklarını hızlandırdığı kadar, bu bozuklukları da görünür kılıyor olabilir; belki de asıl fırsat buradadır.
Direksiyonda kim var — ve bunu gerçekten biliyor muyuz?
Geleceğin akademik ayrımı büyük olasılıkla AI kullananlar ile kullanmayanlar arasında olmayacak. Asıl ayrım, AI’yi bilinçli ve denetimli kullananlar ile AI’nin kendilerini kullandığını fark etmeyenler arasında olacak.
İkinci grup daha sinsi bir risk taşır. Bir araştırmacı kendini hâlâ direksiyonda sanabilir; oysa farkında olmadan AI’nin önerdiği kavramsal çerçeveyi, seçtiği literatürü, öne çıkardığı değişkenleri ve görünmez biçimde çizdiği problem sınırlarını kabul ediyor olabilir. Burada sorun yalnızca “AI yanlış cevap verdi” değildir. Belki de soruyu kimin sorduğunu fark etmiyoruz. İnsan hâlâ yazıyor ve karar veriyor olabilir; ama düşüncenin başlangıç noktası çoktan makine tarafından belirlenmiş olabilir.
Bu yüzden “direksiyonda bilim insanı oturmalı” cümlesi tek başına yeterli değildir. Kişinin direksiyonda olduğunu hissetmesi ile gerçekten olması aynı şey değildir. Bu farkı kapatacak olan yalnızca bireysel öz-farkındalık değil; akran değerlendirmesi, açık veri, bağımsız doğrulama ve editöryal denetim gibi kurumsal mekanizmalardır. Bilim, bireysel muhakeme ile kolektif denetimin birlikte ürettiği bir güven sistemidir.
Harari (2026b) bu riski çarpıcı bir benzetmeyle anlatır: yapay zekâ, insan zekâsının kavrayamayacağı yeni finansal araçlar üretmeye başladığında, insanlık bir pazardaki atlara benzeyebilir — at, paranın el değiştirdiğini ve yeni bir sahibin onu evine götürdüğünü görür, ama olan biteni anlamlandıramaz. Aynı riziko bilim için de geçerlidir: araştırmacı hâlâ makaleyi imzalıyor, hâlâ kararı veriyor gibi görünebilir, ama eğer AI’nin ürettiği çerçeveyi, seçtiği değişkenleri ve çizdiği sınırları sınama kapasitesini yitirmişse, imzasını attığı şeyin gerçekte ne olduğunu da tam olarak kavrayamıyor demektir. Harari ve Tracey’nin (2026) Davos’taki söyleşisinde vurguladığı gibi, mesele AI’nin insan zekâsını “yenmesi” değil, insan kavrayışının dışına çıkan sistemler karşısında insanın hangi kontrol mekanizmalarını elde tutacağıdır.
Son soru
Direksiyonda kim var?
İyi bir sürücü için güçlü motor bir imkândır. Kötü bir sürücü içinse yalnızca daha hızlı bir kazadır. Bilimde de durum farklı değildir. Yapay zekâ bilimin direksiyonu değildir; motorudur — üstelik giderek daha güçlü bir motor. Ama güçlü motor yetmez. Direksiyonda bilim insanı olmalı ve o insanın gerçekten direksiyonda olup olmadığını denetleyecek bir sistem de bulunmalıdır.
Çünkü teknoloji ne kadar akıllanırsa akıllansın, bilimin sorumluluğu hâlâ insandadır. Ancak bu sorumluluğu taşıyabilmenin güvencesi yalnızca insanın kendisi değil; onu yetiştiren, doğru teşvik eden ve gerektiğinde denetleyen kurumlardır.
Belki de AI çağının gerçek sorusu artık “Yapay zekâ ne kadar akıllı?” değildir. Asıl soru şudur: İnsan, kendi muhakemesini üretimin hızına kaptırmadan, doğrulama kapasitesini o hıza ne kadar yetiştirebilecek?
Mesele teknoloji ile insan arasındaki bir yarış değildir. Mesele, insanın kendi düşünme ve sınama sorumluluğunu teknolojiye sessizce devredip devretmeyeceğidir. Ve direksiyonda kim varsa, geleceğin bilimini de büyük ölçüde o belirleyecektir.
Yoksa gerisi gerçekten… laf-ı güzaf.
Yapay Zekâ Kullanım Beyanı
Bu çalışmanın hazırlanması sürecinde üretken yapay zekâ araçlarından metnin dilsel akıcılığının geliştirilmesi, yapılandırılması, eleştirel değerlendirilmesi ve editoryal iyileştirilmesi amacıyla yararlanılmıştır. Çalışmanın araştırma sorusu, temel kavramsal yaklaşımı, teorik çerçevesi, yorumları ve bilimsel sorumluluğu yazara aittir. Nihai metin, kaynakların ve bilimsel iddiaların doğruluğu bakımından yazar tarafından gözden geçirilmiş ve onaylanmıştır.
Kaynakça
Ding, T., Nannapaneni, A., Liu, B., & Zhang, L. (2026). Autonomous research agents: A survey of AI scientists and the verification gap (arXiv:2608.05179). arXiv. https://arxiv.org/abs/2608.05179
Elmacı, O. (2026, 3 Şubat). Akademide paradigma devrimi: Yapay zeka artık “birinci yazar”: Dijital ontoloji ve akademik çözülme: 21. yüzyılda hakikatin yeniden inşası.https://www.orhanelmaci.com/blog/yuval-noah-hararinin-2026-davos-konusmasi-dil-hakimiyeti-ve-bilimde-esik-bekciliginin-cokusu/
Gartenberg, C., Hasan, S., Murray, A., & Pierce, L. (2026). More versus better: Artificial intelligence, incentives, and the emerging crisis in peer review. Organization Science, 37(3), 795–812. https://doi.org/10.1287/orsc.2026.ed.v37.n3
Google DeepMind. (2026). Conjecture machines: AI agents and the new validation bottleneck in science. https://deepmind.google/public-policy/conjecture-machines-ai-agents-and-the-new-validation-bottleneck-in-science/
Harari, Y. N. (2026a, 31 Ocak). In conversation with Irene Tracey: On AI and humanity @wef [Video]. YouTube. https://www.youtube.com/watch?v=8KH2mIOwMfE
Harari, Y. N. [@harari_yuval]. (2026b, 31 Ağustos). Imagine AI creating new financial instruments that human intelligence is unable to understand… [Post]. X. https://x.com/harari_yuval/status/2094436624704626958
Harari, Y. N., & Tracey, I. (2026, 20 Ocak). An honest conversation on AI and humanity [Conference session]. World Economic Forum Annual Meeting 2026, Davos, İsviçre. https://www.weforum.org/meetings/world-economic-forum-annual-meeting-2026/sessions/an-honest-conversation-on-ai-and-humanity-ca19ea8c96/
Klein, E. (Host). (2026, 26 Mayıs). Yuval Noah Harari on Donald Trump’s core delusion [Audio podcast episode]. In The Ezra Klein Show. The New York Times. https://www.nytimes.com/2026/05/26/opinion/ezra-klein-podcast-yuval-noah-harari.html
Naddaf, M. (2026, 21 Ağustos). Staggering 90% of biomedical papers now show signs of AI help. Nature. https://www.nature.com/articles/d41586-026-02551-z
https://www.nature.com/articles/d41586-026-02551-z
Research on Research Institute. (2026). The future of peer review. https://researchonresearch.org/the-future-of-peer-review/
Thrall, H. (2026). AI will reorganize science. Will research remain a human enterprise? Proceedings of the National Academy of Sciences, 123(31), e2610088123. https://doi.org/10.1073/pnas.2610088123 https://www.researchgate.net/publication/410978172_AI_will_reorganize_science_Will_research_remain_a_human_enterprise
