发布时间
2026/03/25 04:5812 分钟前源站更新
2026/03/25 04:5812 分钟前首次抓取
2026/03/25 04:5812 分钟前发布时间
12 分钟前源站更新
12 分钟前首次抓取
12 分钟前用于追踪这条内容的来源与记录标识。
Source
原始链接
发布时间
2026/03/25 04:5812 分钟前源站更新
2026/03/25 04:5812 分钟前首次抓取
2026/03/25 04:5812 分钟前发布时间
12 分钟前源站更新
12 分钟前首次抓取
12 分钟前用于追踪这条内容的来源与记录标识。
Source
原始链接
Is AI supercharging science?
本文是《AI 转向》通讯的现场版。高级订阅用户可以在这里注册，以便每周四收到通讯。标准订阅用户可以在这里升级为高级订阅，或浏览《金融时报》的所有通讯
欢迎回到《AI 转向》，这是我们每周探讨 AI 如何改变工作和就业的栏目。本周，我们将深入了解 AI 工具如何改变科学家开展研究的方式，契机是一项由谷歌研究人员团队主导的、非常有意思的新研究。
在进入研究结果之前，我想先提出一个元问题。大型 AI 实验室发表的许多经济研究，都非常重视其专有数据所显示的信息。这意味着，我们看到大量论文在回答以下问题的不同变体：“人们在用 AI 完成哪些任务？”以及“因此哪些工作最容易受到 AI 影响？”这当然很有用，但它实际上只回答了一个更大问题的第一部分：AI 正在如何改变工作和就业。使用 AI 完成某项任务，会让整份工作变得更复杂还是更简单、更紧张还是更轻松，会提高生产率，还是只会暴露出僵化的瓶颈——所有这些问题，都需要更进一步地考察：员工对特定任务的 AI 使用，如何融入他们的整体工作之中。
因此，我非常欣赏这项研究的一点是，它确实做到了这一点：将科学家如何使用谷歌大语言模型 Gemini 的数据，与对科研人员进行的详细调查结合起来，从而更完整地描绘出如今 AI 如何、在哪里以及为何正在或没有改变科学研究的开展方式。
从基本情况来看，这项研究发现，AI 已经深度嵌入科学研究的开展过程。在接受调查的美国和英国科学家中，近一半每天使用 AI，80% 至少每周使用一次。而无论是大语言模型还是专业模型，最常见的用途都是分析或建模研究数据。
但对我来说，这项研究最有价值的部分，是额外的调查数据揭示了这些使用方式如何对应研究人员典型工作周中构成其工作的广泛任务；以及这意味着，一项工作中的 AI 生产率提升和其他收益，在多大程度上能够扩展到其他任务，并更广泛地影响科学产出的数量和质量。显然，数据分析是科学家从 AI 中获得价值最多的领域，但他们通常一周只有约五分之一的时间用于分析和解读数据。因此，即使这些任务完全实现 AI 自动化，整体工作仍基本不会改变；即便数据分析环节的生产率大幅提升，对整体工作的影响也可能小得多。
调查结果的其余部分基本印证了这一点。接受调查的科学家平均表示，AI 每周为他们节省了近七小时，但其中只有一部分时间被投入到启动更多研究项目上，而相当一部分时间则用于手动审查和核实 AI 完成的工作结果——研究人员将其称为“核验税”。此外，接受调查的研究人员表示，制约整体进展的最大瓶颈是实体实验和数据收集；过去两年，瓶颈还向下游转移了——例如从开展探索性研究和分析，转向进行实体实验室实验。因此，41% 的受访科学家表示，他们未经检验的理论积压增加了。这表明，AI 让生成现实研究方向的计算工作变得更容易、更快，但现实世界没有跟上步伐，从而削弱了整个科学发现过程的加速幅度。
我需要明确的是，受访研究人员的总体看法是，AI 正被证明对他们的工作非常有价值，而且他们对 AI 对具体科学产出的影响持乐观态度。但在我看来，关于持续存在的低效、瓶颈以及科学家在各项任务之间如何分配时间的细节，对于思考这样一个问题非常有价值：即便 AI 能力极其出色、使用范围极其广泛，其对最终产出的影响也可能比一些人想象的 modest 得多。
谢谢约翰，非常有意思。其中一些要素——比如 AI 的“核验税”——与我们从其他职业听到的情况相呼应。我想通过与年轻科学家交流，补充你对数据的深入分析，了解这在一线实际是什么样、感受如何（或者说，在实验台前是什么样）。
一个反复出现的主题是：AI 让人更容易探索那些过去可能需要数月、甚至数年科学“苦工”才能涉足的方向，这既是福也是祸。在牛津大学完成机器学习与化学交叉领域博士学位、即将加入一家专注于真菌生成分子的 AI 科学初创公司的阿列克谢·克维亚特科夫斯基告诉我，注意区分“提高生产率和感觉自己更有生产率”已经变得很重要。他说，如今你触手可及的信息太多，因此必须能够“统筹这些信息，并理解什么对你最有用”。
正在牛津大学完成计算药物发现博士学位的沃伊泰克·特雷德说，科学家通常把这种能力称为“品味”——这无疑是一个“非常模糊的概念”，大致意味着“选择正确的科学问题去研究”。（几周前读过我们关于数学家通讯的读者，会记得类似的主题。）
对职业生涯早期的科学家来说，对“品味”的更高要求带来了某种挑战，因为他们还没有多年的经验可以借鉴。但特雷德认为，年轻科学家也有自己的优势：勇气。“我认为你同时也需要大胆和勇敢，对吧？”
与此同时，我采访的科学家表示，谷歌研究中提到的现实世界实验需求，有助于解释 AI 为何尚未达到硅谷关于它将“解决”所有疾病的热烈宣称。现实世界中的一个瓶颈是什么？老鼠。“你不能让老鼠更快地完成事情，”名为 Encode：AI for Science 的组织执行主任莉娅·莫里斯说。“你不能让它们长得更快。你不能让病毒复制得更快……另一个问题是监管——在如何让药物通过审批并确保对人类安全方面，我们仍然需要进行药物试验。有人正在研究如何更高效地完成这些工作……但就目前而言，有很多事情是 AI 无法触及的。”
不过，AI 仍然可能带来变革。伦敦帝国理工学院癌症免疫疗法研究人员、目前处于博士最后一年的默里·考克斯告诉我，区分通用大语言模型和专业模型非常重要，后者甚至可能根本不是大语言模型；专业模型可以被构建出来，以形成一种“我们科学家没有、或过去从未拥有过的数据潜在理解”。以这种方式使用时，AI“为不同类型的发现和不同类型的实验打开了一扇全新的大门”。但这往往需要 AI 工程师进入科学实验室工作，正如考克斯所说，在那里“他们能够编写全新的模型，发展出新一层理解”。
这又引出了另一个人的问题：把合适的人聚集在一起。考克斯也参与其中的 Encode：AI for Science，会将 AI 专家安排到英国的科学实验室中工作（得到英国政府资金支持）。他们还创建了一个开放获取的研究问题库，其中收录了学者提出的、需要 AI 专业知识的问题，试图解决这种“匹配”瓶颈。莫里斯解释说：“有这么多科学家向我们寻求 AI 人才，[同时]AI 人才也在说：‘嘿，我想做比聊天机器人更酷的事情。我想做比下一个帮助你家孩子作弊完成作业的工具更有趣的事情。’”
与此同时，克维亚特科夫斯基和特雷德都是 CompMotifs 组织的成员。该组织由职业生涯早期的计算科学家组成，举办关于如何为科学构建更好工具的研讨会和黑客马拉松。
总之，瓶颈确实存在，但人们也在积极解决这些瓶颈。在我们经常听到有关 AI 破坏性潜力的当下，令人振奋的是，仍有许多聪明人在深思熟虑、协作努力，充分发挥这项技术的价值。正如特雷德所说：“假装 AI 不存在风险是愚蠢的……但我认为与此同时，这项技术拥有巨大的潜力，对吧？我们也不应假装这种进步没有发生……我认为，确保这项技术被用于正确的事情，是我们的责任。”
安贾娜·阿胡贾撰写了一篇很棒的文章，讲述科学家担心被 AI 公司“窃取并抢先发表”成果（莎拉）
斯坦福大学金融学教授汉诺·卢斯蒂格撰写了一篇简洁有力的文章，分析未来几年美国数据中心所有者需要创造多么巨大的收入，才能从投资中获得正回报（约翰）
《Lex 通讯》——我们的投资专栏 Lex 梳理本周的关键主题，由屡获殊荣的作者进行分析。点击这里注册
《工作进行时》——每周三发送到你收件箱的一切职场进阶所需内容。点击这里注册
发布时间
7 天前
2026-10-01 11:30:06 UTC
源站更新
7 天前
2026-10-01 11:30:06 UTC
首次抓取
7 天前
2026-10-01 11:31:01 UTC
AI 已深度融入科学研究，但其整体提速受到“验证税”、物理实验、数据收集和监管等瓶颈限制。研究人员认为，AI 仍可能通过专用模型和跨学科合作开启新的发现路径。
谷歌团队的一项研究显示，AI 已广泛进入科学研究流程：近半数受访的美国和英国科学家每天使用 AI，80% 至少每周使用一次，最常见用途是分析或建模研究数据。不过，数据分析只占研究人员典型工作周的大约五分之一，因此即使这些任务完全自动化，也未必会大幅改变科研工作的整体产出。
受访科学家平均每周因 AI 节省近 7 小时，但其中一部分时间被用于启动新项目，另有相当一部分用于人工审计和核验 AI 结果，即“验证税”。研究人员称，整体进展的最大瓶颈是物理实验和数据收集，且瓶颈正从探索性研究和分析环节转向实验环节。41% 的受访者表示，未经测试的理论积压增加，说明计算工作加快了产生研究方向的速度，但现实世界的实验并未同步推进。
年轻科学家指出，AI 让过去需要数月甚至数年的探索更容易开展，但也更需要判断哪些问题值得研究，即所谓的“科学品味”。老鼠实验速度、病毒复制、药物试验和监管流程等现实限制，仍不是 AI 能够轻易加速的环节。与此同时，专用模型可能帮助科学家发现人类此前无法获得的数据理解，并开启新的实验和发现类型。
文章还强调，AI 专家与科学实验室之间的匹配是另一项瓶颈。相关组织正通过将 AI 人才引入英国科研实验室、建立开放研究问题库，以及举办研讨会和黑客松来促进合作。总体而言，科学家看好 AI 对实际科研产出的价值，但其最终影响取决于如何解决验证、实验、监管和人才协作等限制。
AI is already widely used in scientific research, but verification work, physical experiments, data collection and regulation limit its impact on overall output. Researchers still see major potential in specialised models and closer collaboration between AI experts and
用于追踪这条内容的来源与记录标识。
