在科研领域，AI 似乎将成为一支不可忽视的力量，去年年末，AI 甚至开始和真人平起平坐，荣获 Nature 大奖。

2023 年 12 月 13 日，《Nature》公布了 2023 年度十大人物，其中第 11 位是「非人类」成员 ChatGPT。Nature 观察到，ChatGPT 以及其他生成型人工智能程序正在深刻地塑造科学家的工作模式，这一新闻标志着 AI 不再仅仅是一项技术工具，而是已经深刻地影响了科学研究课题设计、研究操作、数据分析、论文撰写等各个层面。

图片来源：Nature 官网

异军突起

一个 30 分钟的午休时间内，你能读多少篇论文？

相信大部分科研人只能通读 1 至 2 篇。但是就在上个月，谷歌 DeepMind 宣布推出全新多模态 AI 模型 Gemini，它能够根据提示，在一个午休的时间内阅读 20 万篇论文。

甚至还能从中筛选出 250 篇与一个特定生物学数据库有关的论文、提取出更新数据，进而将其绘制成表格或图片提供给使用者。不禁让人感叹，AI 或许能成为科研人的一把节省时间的「利器」！

就在同一天，斯坦福大学的 Tony Wyss-Coray 团队，也在 Nature  期刊发表了研究论文，该研究开发出一种基于血浆蛋白质组的衡量人体器官衰老的人工智能算法 ——LASSO，可以更好地预测衰老相关的疾病和死亡风险 ^[1]。

图片来源：Nature 官网

这一研究结果有助于大众对衰老相关疾病的预防，例如，大脑和血管的加速老化可能有助于预测阿尔茨海默病的进展，从而为临床医生提供更多预防治疗的干预措施。

以上种种似乎都在提示，AI 似乎在让基础科研、临床研究越来越简单。但随着类似的 AI 科研案例，如雨后春笋般萌生。一类 AI 开始「生长出」自己做实验、自己分析数据、自己完成论文的能力，科研人不得不为自己的前途捏一把汗 ……

「进化」出双手做实验，半个月走完科研人的「一生」

前不久，《Nature》连发两篇论文揭示了一项引领科研变革的突破性成果，再次点燃科研圈。由谷歌人工智能实验室 DeepMind 开发的深度学习工具「材料探索图形网络」GNoME，成功预测了近 40 万种无机化合物的结构和特性 ^[2、3]，堪称「AI 材料专家」。

而在 GNoME 刚刚诞生之际，大家曾认为这个工具似乎能成为科研人的利器、工具可以让研究更顺畅。然而，事情的转向开始发生了变化， GNoME 可不仅仅是一种「算法」，它还能在硬件设备完善的情况下亲自「下海」做实验、拿结果。

经过 17 天的连续工作，A-Lab 进行了 355 次实验，合成了 41 个拟定化合物，平均算下来每天产出的新化合物数量在 2 个以上。

AI 创造出了材料项目预测的 40 多种新材料 图片来源：文献

要知道，成就一个博士生需要 30 年，而该研究相当于做完了一名博士研究生几十年的工作量。说 GNoME 做到了一个科研人毕生的成就也不为过。

为了让 AI 发挥更大潜能，施普林格 · 自然也于 10 月 17 日，推出了内部研发的人工智能写作助手 Curie，Curie 通过对学术文献进行精心训练，涵盖了超过 447 个研究领域和 2000 多个特定领域的课题。其训练还以已发表论文为基础，进行了一百多万次编辑，「企图」通过 AI ，提升科研人的科技写作的效率与质量。

不过，对于 AI 是否能真正成为科研主力，科研人有着不同看法（笑哭表情包）。

慌张 OR 欣慰？科研人 reaction 大赏

比如，面对无所不能的 AI，一些人认为可以将它工具化：AI 可以帮助人类避免重复单一的工作，甚至避开接触有毒物质；帮科研人节省大量时间用在思考问题上，岂不是美滋滋。

图片来源：生物学霸

也有一部分悲观派，认为「科研人的饭碗不保」。

图片来源：生物学霸

甚至开始玩起热门梗！「不是 AI 用不起，而是研究生更有性价比」，毕竟百万资金供起来的 AI，怎么算也没有月薪 600 的研究生听起来更「便宜」（拳头硬了）。

图片来源：生物学霸

不过，好在目前各大实验室还尚未普及 AI，这也给科研人一些「掌握」「应用」「驾驭」AI 的时间成本。毕竟 AI 也是人类发明的。

当下正是驾驭 AI，提升效率的好时机

先别急着吐槽。不得不承认，AI 技术的不断进步加速了科学研究的进程，从材料科学到医学领域，研究者们能够更快速、更准确地分析大量数据，发现模式和规律。让科研人员摆脱「预测 — 分析 — 改进 — 再实验」繁琐劳动。

比如我们可能会从以往的 WB、PCR 不停地提蛋白-跑胶-曝光-没条带、一次又一次提 RNA-跑 Q-趋势不显著，这类繁琐操作中「解脱」。若有 AI 提前预测、执行实际操作、分析数据，最终给到我们科研 idea 的结果，会节省大量时间。

可能平时花 10 小时再跑实验，无法思考的科研民工日常，在不久的将来会变成 2 小时跑 AI，直接拿数据，使我们将更多时间和精力投入到深入思考科学问题上。

不过也有学者在「唱反调」，认为 AI 的高效处理能力可能使科研人员过于依赖算法，而忽略了通过亲身实验和观察发现未知奥秘的机会。重要的突破性发现有时隐藏在实验细节和非显而易见的数据中，而 AI 可能无法捕捉到这些潜在的信息，missing 主要的科学创新点！

不管如何，就目前而言，AI 在科研中的应用还处于前沿探索阶段；在实验过程中，AI 尚未具备主动思考和创新的能力，仍需依赖人类来担负引领方向的责任，完成科研中最为关键的分析与思考任务。

当下我们要做的就是利用好各类读文献、翻译、写论文的 AI 平台，如 chatGPT、DEEPL 等工具，让我们的科研更顺畅，并花时间培养思考能力。不过别担心，在未来，「独立思考」始终是科研人无法被 AI 取代的核心能力。

引用文献：

[1]https://www.nature.com/articles/s41586-023-06802-1

[2]https://www.nature.com/articles/s41586-023-06734-w

[3]https://www.nature.com/articles/s41586-023-06735-9

文章来自于微信公众号 “科研论文时间”