最近，MIT的一名博士生Aidan Toner-Rodgers歷經(jīng)四年，在AI + 科研領(lǐng)域挖掘出一個(gè)驚人的結(jié)論——AI的參與讓科學(xué)發(fā)現(xiàn)和創(chuàng)新邁上了新臺(tái)階，卻也意外拉大了科研人員之間的“能力鴻溝”。
在這場(chǎng)別開生面的實(shí)驗(yàn)中，AI似乎對(duì)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(shù)據(jù)顯示，前10%的科研精英在AI的輔助下，研究產(chǎn)出飆升了81%。然而，在團(tuán)隊(duì)中墊底的三分之一成員卻幾乎沒(méi)從AI那里得到一丁點(diǎn)兒好處。
頂尖研究人員擁有深厚的專業(yè)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(jīng)驗(yàn)相對(duì)較少的研究者，在面對(duì)AI產(chǎn)生的海量數(shù)據(jù)時(shí)，卻往往感到手足無(wú)措，浪費(fèi)了大量的時(shí)間在無(wú)效的摸索上。
從本質(zhì)上來(lái)說(shuō)，這種差距并非源于學(xué)識(shí)的深淺，而在于評(píng)估AI建議的能力——這是一個(gè)無(wú)形卻又無(wú)法回避的“新門檻”，讓科研領(lǐng)域的“馬太效應(yīng)”愈發(fā)明顯。
另一方面，AI的加入讓科研效率迎來(lái)了一次“量變”，但它對(duì)科研工作者的工作體驗(yàn)來(lái)說(shuō)，卻未必是一場(chǎng)“質(zhì)”的變革。
經(jīng)濟(jì)學(xué)對(duì)決策問(wèn)題的探討與人工智能所研究的問(wèn)題有很多不謀而合之處，這決定了兩門學(xué)科在研究上存在著很多交叉之處。
人工智能經(jīng)濟(jì)活動(dòng)帶來(lái)的影響是廣泛和深遠(yuǎn)的。現(xiàn)在，在分析經(jīng)濟(jì)增長(zhǎng)、收入分配、市場(chǎng)競(jìng)爭(zhēng)、創(chuàng)新問(wèn)題、就業(yè)問(wèn)題等經(jīng)濟(jì)學(xué)關(guān)注的內(nèi)容時(shí)，都難回避人工智能所造成的影響。
至于AI“去人類化”的趨勢(shì)也帶來(lái)了職業(yè)上的不確定性、許多人開始擔(dān)心自己的工作未來(lái)會(huì)逐漸被AI所替代，也成為經(jīng)濟(jì)學(xué)家們研究的新課題。
在AI的輔助下，創(chuàng)意生成的時(shí)間大幅縮水，從原來(lái)的39%銳減到16%。相反，判斷任務(wù)的時(shí)間卻幾乎翻了一番，達(dá)到40%。科研人員在材料評(píng)估上的時(shí)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(jié)果。
在這種情況下，有高達(dá)82%的科研人員工作滿意度大幅下降。他們普遍認(rèn)為AI工具不僅沒(méi)有讓工作變得更輕松，反而加重了對(duì)AI生成內(nèi)容的評(píng)估負(fù)擔(dān)。
在這些不滿的聲音中，73%的人覺(jué)得AI沒(méi)有充分利用他們的技能，而53%的人則認(rèn)為工作變得越來(lái)越機(jī)械化、缺乏創(chuàng)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(xùn)練在AI的協(xié)助下似乎變得毫無(wú)用處。
不過(guò)，再?gòu)?qiáng)大的AI也只是工具，什么樣的人去使用它就會(huì)得到什么樣的結(jié)果。只有天才才能把AI的效率發(fā)揮到極致。
這項(xiàng)實(shí)驗(yàn)依托一家大型公司的研發(fā)實(shí)驗(yàn)室進(jìn)行，目標(biāo)是測(cè)試AI在新材料發(fā)現(xiàn)上的實(shí)際作用，實(shí)驗(yàn)跨越了從2020年5月至2024年6月整整四年。
通過(guò)隨機(jī)分配，實(shí)驗(yàn)室內(nèi)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(fā)現(xiàn)技術(shù)。
研究團(tuán)隊(duì)的工作流程包括四個(gè)步驟：首先生成新材料的候選化合物，然后對(duì)其進(jìn)行初步評(píng)估，再測(cè)試最有潛力的化合物。最終，成功的研發(fā)成果會(huì)被申請(qǐng)專利并納入產(chǎn)品原型，推動(dòng)產(chǎn)品創(chuàng)新。
在此次實(shí)驗(yàn)中，AI工具被設(shè)計(jì)成一個(gè)基于圖神經(jīng)網(wǎng)絡(luò)（GNNs）的“逆向材料設(shè)計(jì)”系統(tǒng)，通過(guò)分析大量已知材料的結(jié)構(gòu)與特性，預(yù)測(cè)和生成具有特定目標(biāo)屬性的新化合物。
AI首先被預(yù)訓(xùn)練，然后通過(guò)實(shí)驗(yàn)結(jié)果不斷調(diào)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(jù)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(jié)果表明，AI讓研發(fā)效率提高了13-15%，AI輔助研究人員發(fā)現(xiàn)了44%以上的材料，導(dǎo)致專利申請(qǐng)?jiān)黾?9%，產(chǎn)品原型創(chuàng)新增加17%。
這些新發(fā)現(xiàn)的材料具有更優(yōu)越的物理結(jié)構(gòu)，顯著提高了下游產(chǎn)品創(chuàng)新的數(shù)量和質(zhì)量，也推動(dòng)了更多新產(chǎn)品線的出現(xiàn)。
人們往往以為AI的橫空出世會(huì)讓所有科研人員都受益匪淺。但事實(shí)卻并非如此。AI帶來(lái)的優(yōu)勢(shì)并未雨露均沾，反而讓科研領(lǐng)域的“貧富差距”愈發(fā)明顯。
AI對(duì)高能力研究人員的影響更大，前10%研究人員的產(chǎn)出增加了81%，加劇了90:10的研究績(jī)效不平等現(xiàn)象。
這種現(xiàn)象說(shuō)明，AI在一定程度上擴(kuò)大了科研領(lǐng)域的“馬太效應(yīng)”，讓強(qiáng)者更強(qiáng)，弱者進(jìn)一步被邊緣化。
這一切的關(guān)鍵在于，AI自動(dòng)化了高達(dá)57%的“創(chuàng)意生成”任務(wù)！這使得科研人員的注意力不得不從新材料的初步篩選轉(zhuǎn)向了對(duì)AI生成的候選材料進(jìn)行評(píng)估。
頂尖研究人員往往更善于識(shí)別具有潛力的候選材料，他們憑借深厚的專業(yè)背景和經(jīng)驗(yàn)，更快地篩選出優(yōu)質(zhì)材料；而對(duì)于缺乏判斷力的研究人員，他們?cè)谠u(píng)估AI生成的材料時(shí)往往難以有效篩選，從而浪費(fèi)了大量時(shí)間在無(wú)效的嘗試上。
在AI的“幫助”下，創(chuàng)意生成任務(wù)所占時(shí)間從39%銳減至16%；而判斷任務(wù)占比卻從23%激增至40%，實(shí)驗(yàn)時(shí)間比例也有所上升。
與直覺(jué)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(rèn)為總體滿意度下降。
隨著AI逐步接手創(chuàng)意生成等基礎(chǔ)性工作，部分科研人員感到他們的技能正被邊緣化，計(jì)劃重新培訓(xùn)的研究人員的數(shù)量增加了71%。
一位科研人員抱怨，AI工具的表現(xiàn)雖有效，卻讓他“多年接受的科研訓(xùn)練幾乎派不上用場(chǎng)”。不少人擔(dān)心在AI重塑的科研環(huán)境中，傳統(tǒng)學(xué)科知識(shí)的作用在減弱。
為了適應(yīng)新的AI科研模式，研究人員不僅需要傳統(tǒng)的學(xué)科知識(shí)，更需要跨學(xué)科的技能，以便在AI生成的龐大數(shù)據(jù)中篩選出高價(jià)值的科研成果。
實(shí)驗(yàn)室也重新調(diào)整了人員結(jié)構(gòu)，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(guò)，實(shí)驗(yàn)室通過(guò)增加招聘來(lái)彌補(bǔ)這些偏差，最后呈現(xiàn)了研究人員人數(shù)的凈增長(zhǎng)。
根據(jù)論文的判斷，前三四分位數(shù)的科學(xué)家被解雇的概率不到2%，而后四分位數(shù)的科學(xué)家的被解雇概率幾乎達(dá)到了10%。
這種“去人類化”的趨勢(shì)令研究人員們面臨前所未有的職業(yè)焦慮，使得部分研究人員擔(dān)心他們的技能無(wú)法適應(yīng)AI的“改造”。
這種情況也和Anthropic的首席執(zhí)行官Dario Amodei的觀點(diǎn)相契合。他認(rèn)為AI會(huì)將科學(xué)的發(fā)現(xiàn)速度提升10倍，同時(shí)人類的工作崗位會(huì)因?yàn)锳I的替代而減少，但與此同時(shí)與AI緊密聯(lián)系的其他崗位的需求量也會(huì)大量增長(zhǎng)。
如果AI在90%的工作上都能表現(xiàn)得很好，剩下的10%也能創(chuàng)造一堆新的人類工作，擴(kuò)大到能夠雇傭所有人的程度。
比如，AI可以專注于基礎(chǔ)性預(yù)測(cè)與篩選任務(wù)，而研究人員們則保留在“終端評(píng)估”的角色，以確保最終的科研成果具有更高的創(chuàng)造性和實(shí)用性。
AI技術(shù)的廣泛應(yīng)用似乎給科研界帶來(lái)了一股“清流”，但同時(shí)也引發(fā)了一系列棘手的“科研責(zé)任”問(wèn)題。
想象一下，當(dāng)科學(xué)發(fā)現(xiàn)越來(lái)越依賴AI算法和大數(shù)據(jù)時(shí)，萬(wàn)一AI在推薦材料或設(shè)計(jì)實(shí)驗(yàn)時(shí)出了偏差，這個(gè)鍋到底該由誰(shuí)來(lái)背？
尤其是在AI應(yīng)用越來(lái)越廣泛、人類監(jiān)督逐漸弱化的情況下，AI在科研中的責(zé)任機(jī)制仍然有待進(jìn)一步明確和完善。
科學(xué)發(fā)現(xiàn)的核心價(jià)值在于探索真理、解決社會(huì)問(wèn)題和推動(dòng)技術(shù)進(jìn)步。然而，當(dāng)AI成為科學(xué)研究的主要推動(dòng)力，科研倫理是否應(yīng)當(dāng)與時(shí)俱進(jìn)？
特別是在科學(xué)研究對(duì)AI的依賴越來(lái)越深的背景下，究竟是以效率為先，“前進(jìn)，前進(jìn)，不擇手段的前進(jìn)”，還是強(qiáng)調(diào)“以人為本”，兼顧更多靠后的科研人員的吃飯問(wèn)題，已經(jīng)成為需要整個(gè)科學(xué)界共同攻克的重要課題。
Mary Jucunda 修女在給NASA的信中問(wèn)道：目前地球上還有這么多小孩子吃不上飯，他們?cè)趺茨苌岬脼檫h(yuǎn)在火星的項(xiàng)目花費(fèi)數(shù)十億美元。
NASA Marshall 太空航行中心的科學(xué)副總監(jiān) Ernst Stuhlinger在回信中列舉了顯微鏡的發(fā)明對(duì)消除傳染性疾病的貢獻(xiàn)，并進(jìn)一步解釋：
事情并不是僅靠把去往火星航行的計(jì)劃取消就能輕易實(shí)現(xiàn)的。相對(duì)的，我甚至認(rèn)為可以通過(guò)太空項(xiàng)目，來(lái)為緩解乃至最終解決地球上的貧窮和饑餓問(wèn)題作出貢獻(xiàn)。
同樣，在現(xiàn)在的科研界，事情可能并不是僅靠保住那些無(wú)法適應(yīng)AI“改造”的科研人員的飯碗，喊幾句“避免人成為技術(shù)的奴隸”就能輕易實(shí)現(xiàn)的。如果AI在科研發(fā)現(xiàn)上突破的速度足夠快，所衍生出的新的科研問(wèn)題，同樣需要更多的研究者來(lái)解決。雷峰網(wǎng)雷峰網(wǎng)(公眾號(hào)：雷峰網(wǎng))