論文の概要: Beyond the Desk: Barriers and Future Opportunities for AI to Assist Scientists in Embodied Physical Tasks
- arxiv url: http://arxiv.org/abs/2603.19504v1
- Date: Thu, 19 Mar 2026 22:18:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 19:48:38.907554
- Title: Beyond the Desk: Barriers and Future Opportunities for AI to Assist Scientists in Embodied Physical Tasks
- Title（参考訳）: デスクを超えて: 身体の物理的タスクで科学者を補助するAIの障壁と将来の可能性
- Authors: Irene Hou, Alexander Qin, Lauren Cheng, Philip J. Guo,
- Abstract要約: 核融合、霊長類認知、生化学といった領域で、実験とフィールドワークを実践する12人の科学者にインタビューした。
1)実験的なセットアップはAIのエラーを危険にさらすには高すぎる、2)制約された環境はAIの使用を難しくし、3)AIは人間の知識に合わない、という3つの障壁を発見した。
我々の発見は、人間の専門知識を置き換えるのではなく、物理的な作業を支援するための背景インフラとしてAIを向けている。
- 参考スコア（独自算出の注目度）: 39.82095575370667
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: More scientists are now using AI, but prior studies have examined only how they use it 'at the desk' for computer-based work. However, given that scientific work often happens 'beyond the desk' at lab and field sites, we conducted the first study of how scientific practitioners use AI for embodied physical tasks. We interviewed 12 scientific practitioners doing hands-on lab and fieldwork in domains like nuclear fusion, primate cognition, and biochemistry, and found three barriers to AI adoption in these settings: 1) experimental setups are too high-stakes to risk AI errors, 2) constrained environments make it hard to use AI, and 3) AI cannot match the tacit knowledge of humans. Participants then developed speculative designs for future AI assistants to 1) monitor task status, 2) organize lab-wide knowledge, 3) monitor scientists' health, 4) do field scouting, 5) do hands-on chores. Our findings point toward AI as background infrastructure to support physical work rather than replacing human expertise.
- Abstract（参考訳）: より多くの科学者がAIを使用しているが、以前の研究では、コンピュータベースの作業にどのように「机」で使用するかしか検討されていない。
しかし、実験室や現場でしばしば「机の向こう」で科学的な作業が行われることを考えると、我々は科学実践者がどのようにAIを使って身体的なタスクを具体化するかを初めて研究した。
核融合、霊長類認知、生化学といった領域で実験とフィールドワークを実践する12人の科学専門家にインタビューし、これらの環境でAIの採用に3つの障壁を見つけました。
1) 実験的なセットアップはAIエラーを危険にさらすには高すぎる。
2)制約のある環境は、AIの使用を難しくし、
3)AIは人間の暗黙の知識と一致しない。
その後、参加者は将来のAIアシスタントのための投機的デザインを開発した。
1)タスクステータスの監視。
2)実験室全体の知識を整理する。
3)科学者の健康をモニターする。
4) フィールドスカウト。
5)手持ちの雑用。
我々の発見は、人間の専門知識を置き換えるのではなく、物理的な作業を支援するための背景インフラとしてAIを向けている。
関連論文リスト
- AI4X Roadmap: Artificial Intelligence for the advancement of scientific pursuit and its future directions [65.44445343399126]
我々は、生物学、化学、気候科学、数学、材料科学、物理学、自動運転研究所、非伝統的コンピューティングにまたがるAI可能な科学を考察する。
多様な信頼性のあるデータの必要性、伝達可能な電子構造と原子間モデル、AIシステムがエンドツーエンドの科学合成に統合される。
ドメイン全体にわたって、大規模な基礎モデル、アクティブラーニング、自動運転車研究所が、予測と検証の間のループを閉じる方法について強調する。
論文 参考訳（メタデータ） (2025-11-26T02:10:28Z) - LabOS: The AI-XR Co-Scientist That Sees and Works With Humans [51.025615465050635]
LabOSは、計算推論と物理実験を結びつける最初のAI共同科学者である。
マルチモデルAIエージェント、スマートグラス、人間とAIのコラボレーションを接続することで、LabOSはAIが科学者が見ているものを確認し、実験コンテキストを理解し、リアルタイム実行を支援することができる。
論文 参考訳（メタデータ） (2025-10-16T16:36:22Z) - Position: Intelligent Science Laboratory Requires the Integration of Cognitive and Embodied AI [98.19195693735487]
知的科学研究所(ISL)のパラダイムを提案する。
ISLは、認知と具体的知性を深く統合した多層クローズドループフレームワークである。
このようなシステムは、現在の科学的発見の限界を克服するために不可欠である、と我々は主張する。
論文 参考訳（メタデータ） (2025-06-24T13:31:44Z) - Scaling Laws in Scientific Discovery with AI and Robot Scientists [72.3420699173245]
自律的なジェネラリスト科学者(AGS)の概念は、エージェントAIとエンボディロボットを組み合わせて、研究ライフサイクル全体を自動化している。
AGSは科学的発見に必要な時間と資源を大幅に削減することを目指している。
これらの自律的なシステムが研究プロセスにますます統合されるにつれて、科学的な発見が新しいスケーリング法則に従うかもしれないという仮説を立てる。
論文 参考訳（メタデータ） (2025-03-28T14:00:27Z) - Generative AI Uses and Risks for Knowledge Workers in a Science Organization [4.035007094168652]
生成AIは、科学組織における知識労働者を支援することによって科学的発見を促進することができる。
我々は、Science and Operationsにまたがる米国国立研究所で、生成型AIツールの使用に関する調査を報告した。
その結果,(1)Argoの利用データは少なからぬが,Science and Operationsの従業員による利用の増加,(2)コピロや(3)ワークフローエージェントのモダリティ,(4)センシティブなデータセキュリティ,学術出版,仕事への影響などの4点が明らかになった。
論文 参考訳（メタデータ） (2025-01-27T23:41:13Z) - AI Expands Scientists' Impact but Contracts Science's Focus [15.771625061196927]
我々は、科学者によるAIの採用の加速と、AIの使用に関連する一貫したプロのアドバンテージを示す。
AIによる研究に従事している科学者は、3.02倍の論文を発行し、さらに4.84倍の引用を受け取る。
対照的に、AI研究は4.63%の科学的トピックの総量を削減する。
論文 参考訳（メタデータ） (2024-12-10T18:24:17Z) - Towards a Healthy AI Tradition: Lessons from Biology and Biomedical Science [0.0]
速く動くAI文化と生物学的・生物医学的な科学を対比することは、洞察力と有用性の両方を示唆する。
AIとバイオメディカルサイエンスの共進化は、両方の分野に多くの利益をもたらす。
この視点は、バイオメディカルサイエンスの特徴を高い、主に文化的レベルに適応させることによって、AIの利点に焦点を当てている。
論文 参考訳（メタデータ） (2024-10-15T13:25:02Z) - "It is there, and you need it, so why do you not use it?" Achieving better adoption of AI systems by domain experts, in the case study of natural science research [3.2898657562398386]
人工知能(AI)は、医学や自然科学研究などの分野で普及しつつある。
しかし、実際にAIシステムが実装されている場合、ドメインの専門家はそれを拒否することが多い。
自然科学研究において、科学者によるAI対応システムの非効果的な使用は、データを分析して研究を進めるのを妨げる可能性がある。
論文 参考訳（メタデータ） (2024-03-25T16:06:31Z) - Trustworthy AI: A Computational Perspective [54.80482955088197]
我々は,信頼に値するAIを実現する上で最も重要な6つの要素,(i)安全とロバスト性,(ii)非差別と公正,(iii)説明可能性,(iv)プライバシー,(v)説明可能性と監査性,(vi)環境ウェルビーイングに焦点をあてる。
各次元について、分類学に基づく最近の関連技術について概観し、実世界のシステムにおけるそれらの応用を概説する。
論文 参考訳（メタデータ） (2021-07-12T14:21:46Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。