Naukowcy zajmujący się sztuczną inteligencją coraz częściej publikują wyniki badań bez rzetelnego naukowego uzasadnienia i metodologii. Ten poważny problem dotyka samego serca pracy naukowej - artykuły pojawiają się na platformach takich jak arXiv CS.AI z wynikami eksperymentów, których nie wspiera odpowiednie wyjaśnienie mechanizmów czy procedur badawczych. To oznacza, że czytelnikach otrzymują same liczby i wykresy, ale bez odpowiedzi na pytanie "dlaczego to zadziałało" albo "jak to dokładnie zostało zrobione".
Krytyka naukowego środowiska AI dotyczy braku rygorystycznych procedur walidacji i weryfikacji. Kiedy badacze pomijają szczegółowe opisy metodologii, uniemożliwiają innym naukowcom replikację badań - a to fundamentalna zasada nauki. W konsekwencji trudno oddzielić rzeczywiste przełomy od przypadkowych wyników lub błędów w analizie. Problem jest szczególnie widoczny w szybko rozwijającym się polu AI, gdzie presja na publikowanie nowości uprzedza staranność.
Tego rodzaju praktyki mogą podważić wiarygodność całego pola badań nad sztuczną inteligencją i utrudnić dalszy postęp naukowy. Jeśli wyniki nie są w pełni zrozumiałe i powtarzalne, inni naukowcy nie mogą budować na nich swoich prac czy wdrażać rozwiązań z pewnością, że będą działać. Postulat czołowych naukowców jest wyraźny: trzeba powrócić do bardziej konserwatywnych standardów nauki, gdzie każdy wniosek musi być szczegółowo uzasadniony i dostępny do sprawdzenia przez niezależnych ekspertów.