AI读文献30分钟顶数月,但这些事它永远做不了
实验室里,AI正在成为科研人员的"超级助手"——它能在30分钟读完551篇文献,能同时筛选数亿个分子候选,将药物研发周期从数年压缩到几天。但与此同时,关于"AI能不能独立做科研"的争论从未停止:一方面,Nature同天发表两篇AI科研系统论文,被媒体称为"AI要取代科学家";另一方面,真实评测数据泼了冷水——主流模型在Ph.D.级别的物理研究任务上,没有一个超过50分,AI做科研的边界到底在哪?1
AI在科研流程里具体能干什么?
先把科研流程拆开看。AI能高效介入的环节有三个:文献综述、假设生成、数据分析。以文献综述为例,Robin系统在30分钟内分析了551篇相关文献,整合出具有内在一致性的研究框架;传统方式完成同等工作量需要数月。AI处理这一环节的本质,是用统计关联在海量信息中建立联系——它能识别跨文献的逻辑连接,生成带溯源的结构化综述,将"大海捞针"变成"精准定位"。文献调研的时间成本因此压缩了50%以上。1
AI做不到什么?这些环节必须人来
原创科研思路和价值判断,是AI无法突破的硬边界。上交团队在PRL-Bench评测中发现:主流模型在需要"自主规划、长程探索、工具协同"的真实物理研究任务上,没有一个超过50分。问题不在"算不出来",而在于约45%-55%的失败集中在理论、公式层面——模型往往选错理论框架,或者在多步推导中引入不可靠假设,最终导致整条推理链条断裂。当前模型更像会解题,但不会做研究——它可以完成既定路径下的任务,但一旦需要自己选方法、走完整个长程研究流程,就容易偏航。4
更深层的限制在于:AI无法独立完成"提出新问题、开拓新领域、定义新科学"的核心科研动作。它只能在人类划定的知识框架内优化迭代,无法自主"创建新学问体系"。高能物理研究者出身的姚顺宇在访谈中指出,AI可以完成编程、跑实验、数据分析、参数调优等机械化科研流程,却无法诞生人类独有的科研直觉、原创猜想与价值思辨。这些能力的缺失,划定了AI科研能力的清晰上限。7
干湿闭环怎么跑通,效率差多少?
说到效率,必须先搞清楚两个概念:干实验是在计算机上完成的模拟计算、文献分析;湿实验是必须在实验室操作真实样品的生物化学操作。传统科研里,这两个世界几乎是割裂的——干实验建完模型写篇论文说"预测是X",湿实验的人要么复现不出来,要么花大量时间摸索最优条件。干湿闭环要解决的,就是让计算模拟和实验操作形成双向反馈的自动化流水线。8
选对工具、用对场景,科研人员怎么办?
综合已有信息,AI工具的能力可以分成三个层次:高效执行层(数据清洗、文档生成等标准化工作)、受限协作层(需要人类盯着做的风险评估、创意辅助)、禁止介入层(道德判断、艺术评价等主观领域)。科研场景落在前两个层次,但关键在于:AI适合处理重复性、结构化、可检查的工作;涉及理论判断、方法选择和结论责任的任务,应由研究者主导。12
真正值得关注的,是人机协作的效率差。AI完成单个任务平均用时4.9-25分钟、花0.92-4.58美元,而人类完成同样任务通常需要数小时甚至数十小时。这个差距意味着:如果科研人员能把重复性工作交给AI,自己聚焦于假设生成和价值判断,整体效率会大幅提升。但前提是——科研人员得知道什么时候该用AI,什么时候该亲自上手。这才是AI时代科研能力的新分水岭。13
当前文章无评论,是时候发表评论了