Når vitenskapen fortsatt trenger mennesket

Kunstig intelligens, praktisk klokskap og forskningens menneskelige ansvar

I mai 2026 stilte tidsskriftet Nature et spørsmål som ved første øyekast kan virke overraskende: Kan kunstig intelligens drive god vitenskap uten mennesker? Bak spørsmålet ligger utviklingen av såkalte «AI scientists» – systemer av samarbeidende kunstig-intelligens-agenter som kan lese forskningslitteratur, formulere hypoteser, analysere data, diskutere mulige forklaringer og foreslå nye eksperimenter. Det er ikke lenger bare snakk om programmer som hjelper forskeren med beregninger eller litteratursøk. Systemene beveger seg inn i deler av forskningsprosessen som tidligere ble forstått som uttrykk for menneskelig intellektuell virksomhet.

Resultatene er imponerende. AI-systemet Robin ble brukt til å undersøke mulige behandlinger for tørr aldersrelatert makuladegenerasjon. Systemet gjennomgikk forskningslitteraturen, utviklet en terapeutisk strategi, identifiserte aktuelle molekyler og foreslo eksperimenter. Et annet system, Co-Scientist, undersøkte blant annet om eksisterende legemidler kunne brukes mot leukemi og leverfibrose. I tillegg formulerte det i løpet av få dager en hypotese om antibiotikaresistens som en gruppe forskere hadde arbeidet med i nærmere ti år.

Men bak fortellingen om de kunstige forskerne finnes en mindre dramatisk og samtidig mer filosofisk interessant virkelighet. Systemene arbeidet ikke alene. Mennesker formulerte problemene, valgte ut relevante mål, utførte eksperimentene, vurderte resultatene og korrigerte systemenes feil. Det som presenteres som kunstig-intelligens-drevet forskning, var i realiteten en ny form for samarbeid mellom mennesker og maskiner.

Dette er ikke en svakhet ved teknologien. Det er selve betingelsen for at teknologien kan inngå i ansvarlig vitenskapelig praksis.

Spørsmålet er derfor ikke bare hva kunstig intelligens kan gjøre. Det avgjørende spørsmålet er hva slags virksomhet vitenskap egentlig er. Er vitenskap først og fremst en effektiv metode for å produsere kunnskap? Eller er vitenskap også en menneskelig praksis som krever erfaring, dømmekraft, ansvar, nysgjerrighet, mot og forståelse?

Sett i lys av praktisk filosofi handler debatten om mer enn teknologi. Den handler om forholdet mellom kunnskap og klokskap, mellom effektivitet og innsikt, mellom beregning og forståelse – og til sist mellom det vi kan gjøre, og det vi bør gjøre.

Når effektivitet blir vitenskapens mål

Det mest slående utsagnet i Nature-editorialen er kanskje denne setningen: Vi vet ennå ikke om større effektivitet også innebærer større innsikt.

Kunstig intelligens kan i enkelte forskningsprosesser gjøre arbeidet betydelig raskere. Robin-systemet skal ha redusert tiden som var nødvendig for en bestemt forskningsprosess, med en faktor på omkring 200 sammenlignet med en tradisjonell arbeidsmåte. Slike tall virker nesten uimotståelige. Når forskningsmidler er begrensede, sykdommer krever behandling og vitenskapelige problemer blir stadig mer komplekse, kan det fremstå som uansvarlig ikke å ta i bruk teknologier som gjør arbeidet raskere.

Men raskere forskning er ikke nødvendigvis bedre forskning.

Her møter vi en grunnleggende spenning som allerede Aristoteles beskrev. Han skilte mellom ulike former for kunnskap. Epistēmē betegnet den teoretiske og vitenskapelige kunnskapen om det som kan være allment og nødvendig. Technē var den praktiske kunnskapen om hvordan noe kan fremstilles eller utføres. Men menneskelig handling krevde dessuten phronēsis – praktisk klokskap.

Praktisk klokskap er ikke bare evnen til å finne det mest effektive middelet til et gitt mål. Den innebærer også å kunne vurdere om målet er godt. En teknisk rasjonell aktør spør: Hvordan kan dette gjøres raskest og mest presist? Det praktisk kloke mennesket spør også: Hvorfor skal dette gjøres? Hvem vil bli berørt? Hvilke hensyn står mot hverandre? Hva vil være riktig i akkurat denne situasjonen?

En kunstig intelligens kan optimalisere en prosess når målet og kriteriene er gitt. Men selve valget av mål er ikke bare et beregningsproblem. Hvorfor skal samfunnet prioritere én sykdom fremfor en annen? Hvor stor risiko kan forsvares i et eksperiment? Når er usikkerheten så stor at forskningen bør stanses? Hvem skal få tilgang til en kostbar behandling dersom den lykkes?

Dette er ikke spørsmål som kan løses ved å behandle mer informasjon. De krever praktisk dømmekraft.

Den aristoteliske innsikten viser derfor hvorfor effektivitet aldri kan være vitenskapens eneste mål. Effektivitet forteller hvor raskt eller presist vi nærmer oss et mål. Den forteller ikke om målet er verdt å nå.

Vitenskap som menneskelig praksis

Alasdair MacIntyre videreutviklet Aristoteles’ tenkning ved å beskrive menneskelige virksomheter som praksiser. En praksis er en sosialt etablert og kompleks aktivitet som har sine egne interne goder og kvalitetsstandarder. Medisin, undervisning, kunst og vitenskap er eksempler på slike praksiser.

Vitenskapens interne goder kan ikke reduseres til antall publikasjoner, patenter, siteringer eller kommersielle produkter. De omfatter en stadig dypere forståelse av verden, metodisk redelighet, intellektuell ærlighet, åpen kritikk, kollegial prøving og evnen til å erkjenne feil. Disse godene kan bare forstås fullt ut av mennesker som deltar i praksisen over tid.

Et AI-system kan bidra til praksisen, men det er ikke uten videre en deltaker i MacIntyres betydning. Det har ingen vitenskapelig biografi. Det har ikke opplevd tvil etter et mislykket eksperiment, motstand fra kolleger eller den langsomme omformingen av egen forståelse. Det står ikke i et faglig fellesskap der det må forsvare sine påstander og ta ansvar for konsekvensene av dem.

Systemet kan produsere en hypotese, men det har ikke noe personlig eller moralsk forhold til hypotesens sannhet.

Dette betyr ikke at maskinelt frembrakte hypoteser er verdiløse. En hypotese skal ikke vurderes etter hvem eller hva som formulerte den, men etter hvor godt den kan begrunnes og prøves. Likevel er vitenskap mer enn produksjonen av testbare påstander. Den er også en praksis der mennesker lærer å være oppmerksomme, kritiske, utholdende og sannferdige.

MacIntyre advarer mot at praksisens interne goder kan fortrenges av ytre goder som penger, prestisje og makt. I dagens akademiske system kan effektivitet bli et slikt ytre gode. Når universitetene måler forskning gjennom publiseringsvolum, konkurranse om midler og internasjonale rangeringer, kan kunstig intelligens bli brukt til å forsterke et allerede instrumentelt system. Den kan gjøre forskningen raskere uten å gjøre den klokere.

Utfordringen er derfor ikke bare å integrere kunstig intelligens i eksisterende forskningspraksis. Vi må også spørre hvilken praksis teknologien blir integrert i. Dersom forskningssystemet premierer hastighet og produksjon fremfor ettertanke og kvalitet, kan kunstig intelligens akselerere nettopp de utviklingstrekkene vi burde ha vært mest bekymret for.

Gadamer og forståelsens historiske karakter

Hans-Georg Gadamer kan hjelpe oss til å forstå hvorfor vitenskapelig innsikt ikke kan reduseres til behandling av informasjon. For Gadamer er forståelse aldri en rent teknisk operasjon. Vi møter alltid verden fra et bestemt ståsted, formet av språk, historie, erfaringer og tradisjoner.

Forskerens forforståelse er derfor ikke bare en feilkilde som skal fjernes. Den er også betingelsen for at noe overhodet kan fremtre som et meningsfullt spørsmål.

Et datasett taler ikke av seg selv. Hva som registreres som et relevant mønster, avhenger av hvilke spørsmål som stilles, hvilke begreper som brukes, og hvilken faglig sammenheng dataene fortolkes innenfor. Selv svært avanserte AI-systemer arbeider med materialer, kategorier og mål som allerede er formet av menneskelig forskning og menneskelige interesser.

Kunstig intelligens oppstår ikke utenfor historien. Den er trent på tekster, data og bilder som mennesker har produsert. Den arver derfor både vitenskapens kunnskap og dens blinde flekker. Dersom bestemte befolkningsgrupper er svakt representert i medisinske datasett, vil ikke et mer effektivt analysesystem automatisk rette opp skjevheten. Det kan tvert imot gi skjevheten et skinn av objektivitet.

Gadamers hermeneutikk minner oss også om at forståelse innebærer å sette sin egen forforståelse på spill. I et ekte møte med en tekst, en erfaring eller et annet menneske må vi være åpne for at det vi møter, kan forandre oss.

Et AI-system kan oppdatere sine beregninger på bakgrunn av nye data. Men det er vanskeligere å si at det setter seg selv på spill. Det har ikke en identitet eller livsforståelse som risikerer å bli forandret. Det kan revidere en konklusjon, men opplever ikke den intellektuelle ydmykelsen som kan følge av å oppdage at en overbevisning man har bygget sitt arbeid på, var feil.

For forskeren kan en slik erfaring være avgjørende. Den lærer oss at kunnskap ikke bare vokser gjennom bekreftelser, men også gjennom brudd, overraskelser og nederlag.

Arendt og forskjellen mellom arbeid og handling

Hannah Arendt skilte mellom arbeid, fremstilling og handling. Arbeid er knyttet til livets nødvendigheter og gjentakelser. Fremstilling skaper varige gjenstander og tekniske produkter. Handling oppstår mellom mennesker i en felles verden. Den kan ikke fullt ut forutsies eller kontrolleres, fordi hvert menneske kan begynne noe nytt.

Vitenskapen rommer alle disse dimensjonene. Mye laboratoriearbeid er rutinepreget. Instrumenter skal kalibreres, litteratur gjennomgås og data systematiseres. På disse områdene kan kunstig intelligens avlaste forskerne og frigjøre tid.

Men vitenskap er også handling. Forskeren trer frem for andre med en påstand om verden. Påstanden blir kritisert, fortolket og plassert inn i et faglig og samfunnsmessig fellesskap. Den kan forandre hvordan mennesker forstår naturen, sykdommen eller seg selv.

Denne offentlige dimensjonen kan ikke reduseres til informasjonsbehandling. Noen må stå frem og si: Dette er hva vi har funnet. Dette er grunnene våre. Dette er usikkerheten. Dette er konsekvensene vi kan forutse. Og dette er ansvaret vi påtar oss.

Et AI-system kan generere en rapport, men det kan ikke tre frem som et ansvarlig subjekt. Det kan ikke stilles moralsk til regnskap på samme måte som en forsker, et universitet eller et selskap. Når en feilaktig konklusjon fører til skade, kan ikke systemet føle skyld, gi en oppriktig beklagelse eller forplikte seg til å handle annerledes.

Arendts filosofi synliggjør dermed et avgjørende skille mellom å frembringe et resultat og å ta ansvar for resultatets plass i en felles verden.

Kant og mennesket som formål

Immanuel Kants moralfilosofi gir et annet perspektiv på hvorfor menneskelig ansvar ikke kan erstattes av maskinell effektivitet. I formuleringen av det kategoriske imperativ hevder Kant at mennesket alltid skal behandles som et formål i seg selv og aldri bare som et middel.

Dette prinsippet er særlig viktig i medisinsk forskning. Deltakere i kliniske studier er ikke bare datapunkter. Pasienter er ikke bare bærere av biologiske mekanismer. De er personer med verdighet, erfaringer, håp og frykt.

Et AI-system kan identifisere statistisk optimale strategier. Men det kan ikke av egen kraft anerkjenne menneskets verdighet. En slik anerkjennelse forutsetter et normativt forhold mellom personer. Den innebærer at den andre ikke bare oppfattes som en kilde til informasjon eller et middel for kunnskapsproduksjon.

Det betyr ikke at kunstig intelligens nødvendigvis behandler mennesker dårligere enn forskere gjør. Historien inneholder mange eksempler på at mennesker har krenket forskningsdeltakere, ignorert sårbare grupper og latt vitenskapelige ambisjoner overskygge moralske grenser. Men slike krenkelser kan kritiseres nettopp fordi mennesker er i stand til å forstå og begrunne normative prinsipper.

Teknologien fritar oss derfor ikke fra moralsk ansvar. Jo større handlingskraft teknologien gir oss, desto større blir behovet for at noen kan stilles til ansvar for hvordan den brukes.

Jonas og ansvaret for fremtiden

Hans Jonas utviklet sin ansvarsetikk som svar på den moderne teknologiens voksende makt. Tradisjonell etikk hadde hovedsakelig dreid seg om handlinger mellom mennesker som levde på samme tid. Moderne teknologi gjør det mulig å påvirke mennesker, samfunn og økologiske systemer langt inn i fremtiden.

Jonas formulerte derfor et nytt imperativ: Vi må handle slik at virkningene av våre handlinger er forenlige med fortsatt ekte menneskelig liv.

Kunstig intelligens i vitenskapen aktualiserer denne tanken. Nye legemidler, genetiske inngrep og biologiske teknologier kan få konsekvenser som er vanskelige å overskue. Når forskningsprosessen akselereres, kan også avstanden mellom oppdagelse og anvendelse bli kortere. Det som teknisk kan utvikles, kan raskt fremstå som noe som også bør tas i bruk.

Men økt hastighet kan redusere tiden for etisk og samfunnsmessig refleksjon.

Jonas fremhever betydningen av forsiktighet når konsekvensene kan være omfattende og irreversible. Dette innebærer ikke at forskningen skal stanse hver gang det finnes usikkerhet. All forskning foregår under usikkerhet. Men det innebærer at usikkerheten selv må tas moralsk på alvor.

Et AI-system kan beregne sannsynligheter på grunnlag av tilgjengelige data. Det kan ikke alene avgjøre hvilken risiko mennesker har rett til å påføre andre eller kommende generasjoner. Denne vurderingen krever ansvarlige aktører som kan stå til regnskap både for det de gjorde, og for det de unnlot å gjøre.

Nysgjerrighetens omveier

Nature-editorialen fremhever noe som ofte forsvinner i forestillingen om vitenskap som en effektiv produksjonsprosess: menneskelig rot, nysgjerrighet og lekenhet har bidratt til utallige oppdagelser.

Vitenskapens historie er full av omveier. Forsøk mislykkes. Instrumenter fungerer ikke. Forskere følger spor som viser seg å være blindveier. Resultater dukker opp som ikke passer med den opprinnelige hypotesen. Samtaler i en korridor eller tilfeldige møter mellom fagområder kan åpne nye perspektiver.

Fra et rent effektivitetsperspektiv kan dette fremstå som sløsing. Men omveiene kan være kunnskapens læringsrom.

John Dewey beskrev tenkning som en undersøkende virksomhet som oppstår når mennesket møter en usikker eller problematisk situasjon. Vi handler, opplever konsekvensene og reviderer vår forståelse. Kunnskap blir til gjennom et samspill mellom mennesket og omgivelsene.

Forskning er derfor ikke bare anvendelse av en ferdig metode. Metoden selv kan måtte forandres når virkeligheten gjør motstand. En erfaren forsker kan legge merke til at noe «ikke stemmer», selv før avviket lar seg formulere presist. Denne sansen er ikke mystisk. Den er dannet gjennom langvarig deltakelse i en praksis.

Michael Polanyi kalte dette taus kunnskap. Vi kan vite mer enn vi kan uttrykke eksplisitt. Forskeren kan gjenkjenne et uvanlig mønster, forstå at et instrument oppfører seg annerledes enn vanlig, eller ane at et tilsynelatende negativt resultat likevel er interessant. Slik kunnskap er kroppslig, situert og erfaringsbasert.

AI-systemer kan utvilsomt identifisere mønstre som mennesker overser. Men menneskelig erfaring er ikke dermed overflødig. Snarere kan møtet mellom maskinell mønstergjenkjenning og menneskelig taus kunnskap bli et av de mest fruktbare områdene for fremtidens forskning.

Empatiens plass i vitenskapen

Det kan virke underlig å hevde at vitenskap trenger empati. Vitenskapens ideal er ofte forbundet med distanse og objektivitet. Resultater skal ikke avhenge av forskerens følelser.

Men empati betyr ikke at følelser skal erstatte dokumentasjon. Empati gjør det mulig å forstå hva kunnskapen betyr i menneskers liv.

En medisinsk forsker trenger ikke bare å vite om en behandling reduserer et symptom. Forskeren må også kunne spørre hvordan behandlingen påvirker pasientens hverdag, verdighet, relasjoner og opplevelse av seg selv. Det som er statistisk signifikant, er ikke alltid menneskelig betydningsfullt. Og det som betyr mest for et menneske, er ikke alltid lett å måle.

Martha Nussbaum har vist hvordan følelser kan inneholde vurderinger av hva som har verdi. Medfølelse oppstår når vi forstår at et annet menneskes lidelse er alvorlig, ufortjent og knyttet til en sårbarhet vi selv deler.

Vitenskapelig empati innebærer derfor ikke sentimentalitet. Den innebærer en utvidelse av oppmerksomheten. Den hjelper forskeren til å se hvem som rammes av problemet, hvem som ikke blir hørt, og hvilke erfaringer som forsvinner når virkeligheten reduseres til målbare variabler.

Et system kan trenes til å gjenkjenne uttrykk for smerte eller preferanser i pasientdata. Men det deler ikke menneskets sårbarhet. Det vet ikke hva det betyr å vente på en diagnose, miste funksjonsevne eller frykte at behandlingen ikke vil virke.

Derfor kan kunstig intelligens bidra til forskning om lidelse, men den kan ikke alene avgjøre hva lidelsen krever av oss.

Den falske motsetningen

Debatten om kunstig intelligens blir ofte fanget mellom to ytterpunkter. På den ene siden fremstilles teknologien som en nærmest autonom intelligens som snart vil løse problemer mennesker har strevd med i århundrer. På den andre siden beskrives den som en trussel mot vitenskapens kvalitet, forskernes arbeid og menneskets plass i verden.

Begge perspektivene inneholder noe sant, men motsetningen er misvisende.

Max Perutz stilte i 1989 spørsmålet om vitenskapen var menneskesinnets edleste virksomhet eller en trollmannens kost som kunne true oss med ødeleggelse. I vår tid kan spørsmålet omformuleres: Er kunstig intelligens vitenskapens frigjøring eller dens avhumanisering?

Praktisk filosofi lærer oss å være varsomme overfor slike enten–eller-spørsmål. Teknologi har ingen entydig moralsk betydning uavhengig av praksisene og institusjonene den inngår i. Den kan avlaste eller kontrollere, frigjøre eller marginalisere, åpne nye spørsmål eller innsnevre vår oppmerksomhet.

Det avgjørende er ikke om kunstig intelligens skal brukes i forskning. Den er allerede en del av forskningen og vil få stadig større betydning. Spørsmålet er hvordan den skal brukes, hvilke oppgaver den skal overta, og hvilke oppgaver mennesker fortsatt må bære ansvaret for.

En ansvarlig arbeidsdeling kan bygge på et enkelt prinsipp: Maskinen kan bistå med beregning, søk, simulering og mønstergjenkjenning. Mennesket må fortsatt ha ansvar for problemformulering, fortolkning, begrunnelse, etisk vurdering og offentlig ansvarlighet.

Grensen vil ikke alltid være tydelig. AI-systemer kan allerede bidra til fortolkning og hypotesedannelse, mens mennesker lenge har overlatt deler av sitt skjønn til standardiserte prosedyrer. Men uklarheten gjør ikke spørsmålet mindre viktig. Den gjør kontinuerlig kritisk refleksjon nødvendig.

Den menneskelige forskeren etter kunstig intelligens

Kunstig intelligens vil også forandre hva det innebærer å utdanne en forsker. Dersom litteratursøk, dataanalyse og utkast til artikler i økende grad utføres av maskiner, kan unge forskere miste noen av de langsomme erfaringene som tidligere dannet faglig skjønn.

En doktorgradsstudent lærer ikke bare ved å komme frem til riktige svar. Læringen skjer også gjennom å lese tekster som viser seg å være mindre relevante enn forventet, formulere dårlige hypoteser, misforstå data og motta kritikk. Effektive verktøy kan fjerne unødvendig arbeid, men de kan også fjerne deler av læringsprosessen.

Dette skaper et pedagogisk paradoks. Vi vil bruke kunstig intelligens fordi den gjør forskningen raskere. Men dersom forskere ikke lenger lærer å gjøre det arbeidet systemene overtar, kan de etter hvert miste evnen til å kontrollere systemenes resultater.

Menneskelig kontroll kan ikke bare bety at et menneske trykker på en godkjenningsknapp. Reell kontroll forutsetter forståelse. Forskeren må ha nok faglig kunnskap til å oppdage når systemet bygger på uriktige premisser, misbruker data eller formulerer en overbevisende, men falsk forklaring.

Derfor må fremtidens forskerutdanning ikke bare lære studentene å bruke kunstig intelligens. Den må også lære dem når de ikke bør stole på den.

Vitenskapens behov for menneskelighet

Kan kunstig intelligens gjøre god vitenskap uten mennesker?

Svaret avhenger av hva vi mener med vitenskap. Dersom vitenskap forstås som produksjon av hypoteser, analyse av data og identifikasjon av mønstre, kan kunstig intelligens allerede utføre betydelige deler av arbeidet. På enkelte områder kan den gjøre det raskere og mer omfattende enn noe menneske.

Men dersom vitenskap også er en praksis der mennesker forsøker å forstå verden, begrunne sine påstander, erkjenne usikkerhet og ta ansvar for kunnskapens konsekvenser, er mennesket fortsatt uunnværlig.

Aristoteles minner oss om at teknisk dyktighet ikke er det samme som praktisk klokskap. Kant minner oss om at mennesket aldri bare kan behandles som et middel. Gadamer viser at forståelse alltid er historisk og fortolkende. Arendt synliggjør forskjellen mellom å produsere et resultat og å handle ansvarlig i en felles verden. Jonas lærer oss at teknologisk makt krever ansvar for fremtidige konsekvenser. MacIntyre minner oss om at vitenskapen er en praksis med interne goder som kan undergraves når effektivitet, prestisje og produksjon blir enerådende.

Kunstig intelligens utfordrer ikke bare menneskets plass i vitenskapen. Den tvinger oss til å formulere tydeligere hva som er verdifullt ved menneskelig forskning.

Det verdifulle er ikke at mennesker alltid tenker raskest eller beregner mest presist. Det verdifulle ligger også i vår evne til å undre oss, tvile, angre, lære av nederlag, forstå andres lidelse og stille spørsmål ved våre egne mål. Vi kan holdes ansvarlige fordi vi kan svare for det vi gjør.

Den gode vitenskapen vil derfor neppe være rent menneskelig eller rent maskinell. Den vil være et samarbeid der teknologien utvider menneskets muligheter uten å fortrenge menneskets ansvar.

Vitenskapen trenger kunstig intelligens fordi virkeligheten er kompleks og kunnskapsmengden overstiger det enkeltmennesket kan mestre. Men vitenskapen trenger fortsatt mennesker fordi kunnskap aldri bare handler om å finne et svar.

Den handler også om å forstå hva svaret betyr – og om å ta ansvar for hva vi gjør med det.

Referanser

Arendt, H. (1958). The human condition. University of Chicago Press.

Aristotle. (2009). The Nicomachean ethics (D. Ross, Trans.; L. Brown, Rev.). Oxford University Press.

Dewey, J. (1938). Logic: The theory of inquiry. Henry Holt.

Gadamer, H.-G. (2004). Truth and method (J. Weinsheimer & D. G. Marshall, Trans.; 2nd rev. ed.). Continuum. (Original work published 1960)

Ghareeb, A. E., et al. (2026). A multi-agent system for automating scientific discovery. Nature. https://doi.org/10.1038/s41586-026-10652-y

Gottweis, J., et al. (2026). Accelerating scientific discovery with Co-Scientist. Nature. https://doi.org/10.1038/s41586-026-10644-y

Jonas, H. (1984). The imperative of responsibility: In search of an ethics for the technological age. University of Chicago Press.

Kant, I. (2012). Groundwork of the metaphysics of morals (M. Gregor & J. Timmermann, Eds. & Trans.; Rev. ed.). Cambridge University Press. (Original work published 1785)

MacIntyre, A. (2007). After virtue: A study in moral theory (3rd ed.). University of Notre Dame Press.

Nature. (2026). Why AI cannot do good science without humans. Nature, 653, 650. https://doi.org/10.1038/d41586-026-01551-3

Nussbaum, M. C. (2001). Upheavals of thought: The intelligence of emotions. Cambridge University Press.

Perutz, M. F. (1989). Is science necessary? Essays on science and scientists. Oxford University Press.

Polanyi, M. (1966). The tacit dimension. Doubleday.