北京
“AI究竟会不会加速科学发现？”这是过去几年AI讨论中最重要、也最缺乏真实数据支撑的问题之一。
日前， Google、Google DeepMind与MIT FutureTech最新发布的《AI in Science: Early Insights》，试图给出一个阶段性的答案。
该项目结合了约1500万次Gemini匿名交互、2600多个专业科学AI模型，以及对637名美国和英国科研人员的调查，试图从“AI被使用了多少”，进一步追踪到“AI究竟改变了科学家的什么工作”。
结果首先显示，科学家可能是目前最积极使用AI的人群之一。
Google对Gemini使用数据进行筛选后发现，美国生命、物理和社会科学等科研相关职业使用AI的概率，约为整体就业基准的2.7倍。
调查中，接近一半科学家表示每天都会在工作流程中使用AI。
与此同时，研究团队整理出了2600多个与科学研究相关的专业AI模型，覆盖蛋白质结构预测、材料发现、化学、天气预报等领域，其中近一半推出这些模型的论文，进入所在领域引用量前1%。
一个值得注意的结论是，通用大模型和专业科学模型目前并不是简单的替代关系，而更像是在形成一种“分工”。
Gemini这样的通用LLM主要承担文献检索、统计分析、研究代码调试、写作和研究材料整理等工作；AlphaFold、材料模型等专业模型，则负责蛋白质结构预测、分子设计、疾病预测和复杂模拟等更加垂直的任务。
研究人员将两类模型放到更细的科研任务层面进行比较后发现，两者的任务重叠程度实际上非常有限。
这意味着未来的科学AI可能不是一个“大模型包打天下”的超级聊天机器人，而更可能是一套由大模型负责组织和调度、专业模型负责执行具体科学任务的系统——AI先提出问题和实验方案，再调用不同的专业模型，最后解释结果并决定下一步实验。
更有意思的是，AI带来的效率提升已经开始可以被科研人员感知。
约四分之三的受访科学家表示，AI帮助他们节省时间，平均每周接近7小时，而且这些时间大部分重新投入了研究。
约80%的受访者认为，过去三年实验室产出有所提高，89%预计未来还会继续提高；68%的科学家表示，AI让他们更容易获得其他学科的知识和研究洞察。
也就是说， AI的价值可能不只是“让一个科学家干活更快”，还可能降低跨学科研究的知识门槛。
但论文真正有突破性的地方，还不是这些积极数据，而是它发现，AI正在制造新的科学瓶颈。
当数据分析、代码、文献阅读和假设生成越来越快，科学研究最慢的环节开始向下游移动。
超过四成受访科学家表示，过去两年自己的主要限制已经转向实验执行、临床验证和现场数据收集。41%的科学家表示，未经测试的研究假设正在形成越来越大的积压。
也就是说，AI可能已经能够“一口气”提出几十个甚至几百个值得研究的问题，但现实世界的实验室没有办法同步完成验证。
验证本身，也成为新的时间黑洞。89%的节省时间者表示，他们会把超过10%的AI节省时间用于检查AI输出，其中46%的人会花掉超过四分之一的节省时间进行验证。AI让产生答案变得更便宜，却没有让判断答案是否正确同样变得便宜。
更值得警惕的是，AI未必天然会把科学推向更大胆的方向。
调查中，49%的科学家认为，AI让他们更倾向于选择安全、渐进、已有成熟评价标准的问题，而只有28%认为，AI让他们能够承担更高风险的问题。
如果这样，那么未来我们可能得到更多论文、更多实验方案和更多研究输出，却不一定得到同比例增加的重大科学突破。
可见，尽管 AI for Science正在从“AI帮助科学家”，逐渐走向“AI参与科学发现流程”，但距离真正意义上的自动化科学发现，仍有很长距离。
研究团队特别强调，这只是一次早期快照。Gemini数据来自约1500万次匿名交互，最终筛选出约36万次被判断为科学研究相关的交互；专业模型分析集中于有论文和代码仓库记录的模型；637名科学家的调查也仅覆盖美国和英国。
由此，研究者明确提醒，调查结果不能被视为全球科学家的代表性样本。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
