Naukowcy nauczyli modele języka przewidywać, które projekty badawcze będą sukcesem, ucząc je porównywać idee i oceniać ich potencjał. Zamiast analizować pojedyncze koncepcje, sieci neuronowe otrzymywały pary pomysłów badawczych i uczyły się identyfikować cechy towarzyszące przełomowym odkryciom. Takie podejście opiera się na naturalnej zdolności dużych modeli jezykowych do porównywania i kontrastowania tekstów - umiejętności, którą można wykorzystać do przeglądania złożonych propozycji naukowych.
Metoda ma praktyczne znaczenie dla samej nauki. Naukowcy dysponują zawsze ograniczonymi budżetami i czasem, więc możliwość wskazania projektów o największych szansach na odkrycie mogłaby zmienić sposób, w jaki badacze i instytucje decydują się finansować pracę. System byłby szczególnie użyteczny na wczesnym etapie planowania, kiedy trzeba wybrać spośród wielu konkurujących pomysłów. Takie narzędzie mogłoby zmniejszyć ryzyko inwestycji w projekty skazane na porażkę, jednocześnie wyławiając obiecujące inicjatywy, które mogłyby zmienić status quo w danej dziedzinie.
Rozwiązanie to pokazuje szerszy trend w nauce - wykorzystywanie sztucznej inteligencji nie do zastępowania badaczy, ale wspierania ich decyzji. Choć modele LLM nigdy nie zastąpią ludzkiej intuicji i doświadczenia naukowca, mogą stanowić cenną drugą opinię przy ocenie potencjału koncepcji. Pytanie pozostaje jednak otwarte: na ile uczenie się na wzorcach historycznych sukcesu może przewidzieć przełomowe odkrycia, które z definicji są trudne do przewidzenia?