Het wordt steeds moeilijker om te innoveren. Bedrijven geven niet alleen steeds meer uit aan onderzoek, maar onderzoekers zijn ook steeds minder productief. Dit zijn de conclusies van een Amerikaans onderzoek dat in 2020 werd gepubliceerd. Ze gelden net zo goed voor informatietechnologie als voor landbouw of geneeskunde. Er is echter nieuwe hoop in LLM’s (Large Language Models), die een revolutie in het onderzoek beloven teweeg te brengen. De productiviteit van onderzoekers die deze LLM’s gebruiken, zou enorm kunnen toenemen.
De Wet van Moore, het perfecte voorbeeld van dalende productiviteit
De Wet van Moore is gebaseerd op de aanname dat de dichtheid van transistors om de 2 jaar verdubbelt. Dat stemt overeen met een constante jaarlijkse toename in dichtheid van 35%. Tussen 1970 en 2020 werd de Wet van Moore perfect nageleefd (zie onderstaande grafiek). Het is ongetwijfeld een doelstelling geworden voor fabrikanten, die ongekende onderzoeksinspanningen hebben geleverd om dit te bereiken (dit is op zichzelf een deugdzame toepassing van de Wet van Goodhart).
Wat de 4 auteurs van het artikel aantonen is dat het aantal onderzoekers dat nodig is om het aantal transistors te verdubbelen 18 keer hoger is dan in 1970. Om de doelstellingen van de Wet van Moore te halen, moet de transistordichtheid jaarlijks met 35% toenemen. Tussen 1970 en 2015 analyseerden de onderzoekers de uitgaven aan onderzoekspersoneel van alle bedrijven die betrokken zijn bij de ontwikkeling van elektronische chips. Hun bevindingen zijn onbetwistbaar en worden duidelijk geïllustreerd door de onderstaande grafiek uit hun artikel.
Met de woorden van de auteurs van het onderzoek:
“De onderzoeksinspanning is sinds 1971 18-voudig toegenomen. Deze toename vond plaats in een tijd waarin de groeisnelheid van de chipdichtheid min of meer stabiel bleef: de exponentiële groei die de Wet van Moore impliceert, werd alleen bereikt door een enorme toename van het aantal onderzoekers dat bezig is de grenzen van het mogelijke te verleggen.”
Deze 18-voudige toename van het aantal onderzoekers komt uiteindelijk overeen met een gemiddelde jaarlijkse daling van de productiviteit van 6,8%.
Waarom? Heel eenvoudig omdat het bereiken van de doelstellingen van de Wet van Moore betekent dat de technische en fysieke grenzen (graveerfijnheid, warmteafvoer) steeds verder verlegd worden. Onder deze “daling in productiviteit” ligt een exponentiële technologische uitdaging naarmate de jaren verstrijken. In feite denk ik dat we Gordon Moore mogen bedanken, wiens voorspelling in 1965 ongetwijfeld is veranderd in een onbewuste industriële doelstelling die de vooruitgang van computers mogelijk heeft gemaakt.
Landbouwonderzoek niet opgewassen tegen productiviteitsuitdagingen
Natuurlijk zijn de uitdagingen van onderzoek niet beperkt tot IT. Landbouw is een ander domein waar onderzoek van cruciaal belang is om de uitdagingen van onze planeet aan te gaan. Als we alle soorten gewassen samennemen, laten de auteurs zien dat de capaciteit om opbrengsten te verhogen (blauwe lijn) afneemt, terwijl tegelijkertijd de onderzoeksinspanning toeneemt (groene lijnen).
De grafiek is weliswaar minder gemakkelijk te lezen dan die over de Wet van Moore. Maar de conclusies zijn hetzelfde. Simpel gezegd zijn er meer onderzoekers nodig om minder te doen dan voorheen. Tussen 1970 en 2007 daalde de productiviteit in landbouwonderzoek met gemiddeld 3,7% per jaar.
De auteurs analyseerden de onderzoeksinspanningen meer gedetailleerd volgens het type gewas: maïs, tarwe, soja en katoen. En natuurlijk zijn de resultaten ook consistent op dit niveau (zie onderstaande afbeelding). In het geval van maïs en soja was er een 24-voudige toename van het aantal onderzoekers tussen 1970 en 2010.
De geneeskunde geeft patiënten steeds minder hoop
Als er één gebied is waar onderzoeksinspanningen zichtbaar zijn voor het grote publiek, dan is het wel medisch onderzoek. Het vinden van genezing voor de ziekten die voorkomen dat we ouder worden, is een prioriteit.
Om de productiviteit van medisch onderzoek te meten, vergelijken de auteurs van de studie:
- het aantal “geredde” levensjaren voor verschillende soorten ziekten (kanker, borstkanker, hartziekten)
- het aantal wetenschappelijke publicaties over deze verschillende ziekten als indicatie voor de onderzoeksinspanning
Ze tonen aan dat de onderzoeksinspanning lineair toeneemt, terwijl de onderzoeksresultaten afnemen. Welke ziekte er ook bestudeerd wordt, de resultaten zijn hetzelfde.
Conclusies
Het wordt steeds moeilijker om het tempo van innovatie vol te houden. Hoe u de resultaten ook meet (aantal transistors, oogstopbrengsten, geredde levensjaren), er zijn steeds meer onderzoekers aan het werk.
De “output” van onderzoek neemt voortdurend af omdat het gewoon steeds ingewikkelder wordt om te “vinden”. We verleggen de grenzen van de materie, de grenzen van het leven, om te proberen te verbeteren wat verbeterd kan worden. Maar het wordt steeds moeilijker om deze grenzen te verleggen. Dit verklaart waarom individuele onderzoekers steeds minder efficiënt zijn. Dus doen ze steeds meer om het tempo erin te houden (wet van Moore), en soms volstaat zelfs dat niet (landbouw, geneeskunde).
Dit is waar LLM’s (Large Language Models) hoop bieden. Deze baanbrekende technologie zou deze zelfde onderzoekers wel eens productiviteitswinst kunnen opleveren. De eerste proeven zijn veelbelovend. Een hackathon identificeerde verschillende productiviteitswinsten in de zoektocht naar nieuwe materialen. LLM’s kunnen ook de ontdekking van nieuwe medicijnen vergemakkelijken. Kortom, naast anekdotische toepassingen zoals het creëren van inhoud, openen LLM’s een hele reeks mogelijkheden die onderzoekers op alle gebieden waarschijnlijk een stimulans in productiviteit zullen geven.
Posted in Innovation, Onderzoek, Recherche.
