最近，MIT的一名博士生Aidan Toner-Rodgers歷經四年，在AI + 科研領域挖掘出一個驚人的結論——AI的參與讓科學發現和創新邁上了新臺階，卻也意外拉大了科研人員之間的“能力鴻溝”。

在這項實驗里，AI的加持讓專利申請量像火箭一樣躥升了39%，產品創新數量也提升了17%。

但這項技術的助力卻并非人人受益，反倒在科研圈引發了不小的焦慮。

在這場別開生面的實驗中，AI似乎對某些人特別“偏心”，特別青睞那些站在科研金字塔尖的研究人員。

數據顯示，前10%的科研精英在AI的輔助下，研究產出飆升了81%。然而，在團隊中墊底的三分之一成員卻幾乎沒從AI那里得到一丁點兒好處。

AI“偏心”的原因很簡單。

頂尖研究人員擁有深厚的專業功底和敏銳的判斷力，自然能夠快速篩選出AI生成的高潛力候選材料，而那些經驗相對較少的研究者，在面對AI產生的海量數據時，卻往往感到手足無措，浪費了大量的時間在無效的摸索上。

從本質上來說，這種差距并非源于學識的深淺，而在于評估AI建議的能力——這是一個無形卻又無法回避的“新門檻”，讓科研領域的“馬太效應”愈發明顯。

換句話說，AI工具讓強的人被迫卷得更強，弱的人被迫卷得更弱。

另一方面，AI的加入讓科研效率迎來了一次“量變”，但它對科研工作者的工作體驗來說，卻未必是一場“質”的變革。

頗為值得注意的是，發起本次研究的Aidan并非AI研究者，而是一名經濟系的學生。

經濟學對決策問題的探討與人工智能所研究的問題有很多不謀而合之處，這決定了兩門學科在研究上存在著很多交叉之處。

人工智能經濟活動帶來的影響是廣泛和深遠的。現在，在分析經濟增長、收入分配、市場競爭、創新問題、就業問題等經濟學關注的內容時，都難回避人工智能所造成的影響。

尤其是本次研究中涉及的“效率與公平”，更是發展經濟學的傳統話題。

至于AI“去人類化”的趨勢也帶來了職業上的不確定性、許多人開始擔心自己的工作未來會逐漸被AI所替代，也成為經濟學家們研究的新課題。

AI已經拿下了諾貝爾物理獎和化學獎，未來是否可能在經濟學上有所突破？

以下是本次研究的部分核心發現：

• 在AI的輔助下，創意生成的時間大幅縮水，從原來的39%銳減到16%。相反，判斷任務的時間卻幾乎翻了一番，達到40%。科研人員在材料評估上的時間更是增加了74%，這意味著他們需要投入更多的精力去甄別和判斷AI生成的結果。

• 在這種情況下，有高達82%的科研人員工作滿意度大幅下降。他們普遍認為AI工具不僅沒有讓工作變得更輕松，反而加重了對AI生成內容的評估負擔。

• 在這些不滿的聲音中，73%的人覺得AI沒有充分利用他們的技能，而53%的人則認為工作變得越來越機械化、缺乏創造性。甚至有些科研人員悲哀地感到，自己多年積累的科研訓練在AI的協助下似乎變得毫無用處。

這篇論文在推特上收獲了大量轉發和點贊，很多網友都產生了共鳴。

AI把創造性的工作都做完了，人類該怎么辦？人類會不會因此逐漸喪失創造力？

不過，再強大的AI也只是工具，什么樣的人去使用它就會得到什么樣的結果。只有天才才能把AI的效率發揮到極致。

實驗解讀

這項實驗依托一家大型公司的研發實驗室進行，目標是測試AI在新材料發現上的實際作用，實驗跨越了從2020年5月至2024年6月整整四年。

通過隨機分配，實驗室內符合研究要求的1,018名研究人員被分成三波，逐步接觸一種基于AI的新材料發現技術。

研究團隊的工作流程包括四個步驟：首先生成新材料的候選化合物，然后對其進行初步評估，再測試最有潛力的化合物。最終，成功的研發成果會被申請專利并納入產品原型，推動產品創新。

在此次實驗中，AI工具被設計成一個基于圖神經網絡（GNNs）的“逆向材料設計”系統，通過分析大量已知材料的結構與特性，預測和生成具有特定目標屬性的新化合物。

AI首先被預訓練，然后通過實驗結果不斷調整，以更精確地匹配研究人員的需求。最終，這種智能模型可以根據輸入的屬性需求，迅速生成可能具有這些屬性的材料候選清單。

研究結果表明，AI讓研發效率提高了13-15%，AI輔助研究人員發現了44%以上的材料，導致專利申請增加39%，產品原型創新增加17%。

這些新發現的材料具有更優越的物理結構，顯著提高了下游產品創新的數量和質量，也推動了更多新產品線的出現。

AI催生的科研焦慮

人們往往以為AI的橫空出世會讓所有科研人員都受益匪淺。但事實卻并非如此。AI帶來的優勢并未雨露均沾，反而讓科研領域的“貧富差距”愈發明顯。

AI對高能力研究人員的影響更大，前10%研究人員的產出增加了81%，加劇了90:10的研究績效不平等現象。

這種現象說明，AI在一定程度上擴大了科研領域的“馬太效應”，讓強者更強，弱者進一步被邊緣化。

這一切的關鍵在于，AI自動化了高達57%的“創意生成”任務！這使得科研人員的注意力不得不從新材料的初步篩選轉向了對AI生成的候選材料進行評估。

頂尖研究人員往往更善于識別具有潛力的候選材料，他們憑借深厚的專業背景和經驗，更快地篩選出優質材料；而對于缺乏判斷力的研究人員，他們在評估AI生成的材料時往往難以有效篩選，從而浪費了大量時間在無效的嘗試上。

更讓人驚訝的是，AI并沒有顯著減少科研工作量，反而改變了任務的結構。

在AI的“幫助”下，創意生成任務所占時間從39%銳減至16%；而判斷任務占比卻從23%激增至40%，實驗時間比例也有所上升。

這種任務重構引發了科研人員的大量不滿。

與直覺相悖的是，受益最多的頭部研究院人員反而是最為不滿的群體，82%的研究人員認為總體滿意度下降。

數據顯示，73%的人認為AI未能充分發揮其技能，53%的人認為工作變得重復，缺乏創造性。

隨著AI逐步接手創意生成等基礎性工作，部分科研人員感到他們的技能正被邊緣化，計劃重新培訓的研究人員的數量增加了71%。

一位科研人員抱怨，AI工具的表現雖有效，卻讓他“多年接受的科研訓練幾乎派不上用場”。不少人擔心在AI重塑的科研環境中，傳統學科知識的作用在減弱。

隨著AI的深入應用，科研人員不僅面臨著效率與競爭的加劇，也感受到一種前所未有的職業危機。

為了適應新的AI科研模式，研究人員不僅需要傳統的學科知識，更需要跨學科的技能，以便在AI生成的龐大數據中篩選出高價值的科研成果。

實驗室也重新調整了人員結構，甚至解雇了3%的科研人員。這些被解雇的人中有83%位于判斷能力的中下四分位。不過，實驗室通過增加招聘來彌補這些偏差，最后呈現了研究人員人數的凈增長。

根據論文的判斷，前三四分位數的科學家被解雇的概率不到2%，而后四分位數的科學家的被解雇概率幾乎達到了10%。

AI雖然能顯著加速科研進程，但這種進步往往伴隨著部分科研崗位的消失。

這種“去人類化”的趨勢令研究人員們面臨前所未有的職業焦慮，使得部分研究人員擔心他們的技能無法適應AI的“改造”。

這種情況也和Anthropic的首席執行官Dario Amodei的觀點相契合。他認為AI會將科學的發現速度提升10倍，同時人類的工作崗位會因為AI的替代而減少，但與此同時與AI緊密聯系的其他崗位的需求量也會大量增長。

如果AI在90%的工作上都能表現得很好，剩下的10%也能創造一堆新的人類工作，擴大到能夠雇傭所有人的程度。

未來，研究人員與AI之間的關系應該為共生關系，而非替代關系。

比如，AI可以專注于基礎性預測與篩選任務，而研究人員們則保留在“終端評估”的角色，以確保最終的科研成果具有更高的創造性和實用性。

AI在科學研究中的邊界

AI技術的廣泛應用似乎給科研界帶來了一股“清流”，但同時也引發了一系列棘手的“科研責任”問題。

想象一下，當科學發現越來越依賴AI算法和大數據時，萬一AI在推薦材料或設計實驗時出了偏差，這個鍋到底該由誰來背？

尤其是在AI應用越來越廣泛、人類監督逐漸弱化的情況下，AI在科研中的責任機制仍然有待進一步明確和完善。

其次，隨著AI在科研領域的廣泛應用，“科研倫理”也需要得到更新和重新定義。

科學發現的核心價值在于探索真理、解決社會問題和推動技術進步。然而，當AI成為科學研究的主要推動力，科研倫理是否應當與時俱進？

特別是在科學研究對AI的依賴越來越深的背景下，究竟是以效率為先，“前進，前進，不擇手段的前進”，還是強調“以人為本”，兼顧更多靠后的科研人員的吃飯問題，已經成為需要整個科學界共同攻克的重要課題。

在這樣的過程中會有很多需要解決的問題，但正如王爾德所言：我們都在陰溝里，但仍有人仰望星空。

在1970年，NASA給贊比亞修女Mary Jucunda的一封回信中，也有著類似的討論。

Mary Jucunda 修女在給NASA的信中問道：目前地球上還有這么多小孩子吃不上飯，他們怎么能舍得為遠在火星的項目花費數十億美元。

NASA Marshall 太空航行中心的科學副總監 Ernst Stuhlinger在回信中列舉了顯微鏡的發明對消除傳染性疾病的貢獻，并進一步解釋：

事情并不是僅靠把去往火星航行的計劃取消就能輕易實現的。相對的，我甚至認為可以通過太空項目，來為緩解乃至最終解決地球上的貧窮和饑餓問題作出貢獻。

同樣，在現在的科研界，事情可能并不是僅靠保住那些無法適應AI“改造”的科研人員的飯碗，喊幾句“避免人成為技術的奴隸”就能輕易實現的。如果AI在科研發現上突破的速度足夠快，所衍生出的新的科研問題，同樣需要更多的研究者來解決。 雷峰網 (公眾號：雷峰網) 雷峰網

雷峰網版權文章，未經授權禁止轉載。詳情見 轉載須知 。