{"text":[[{"start":null,"text":"

"}],[{"start":10.46,"text":"欢迎回到《AI变革》——这是我们探讨AI如何改变工作和岗位的每周专栏。本周，基于谷歌(Google)一个研究团队牵头开展的一项非常有趣的新研究，我们将深入探讨AI工具如何改变科学家的研究方式。"}],[{"start":26.720000000000002,"text":"

约翰(John)写道

"}],[{"start":28.740000000000002,"text":"在讨论研究结果之前，我想先提一个元观点（meta-point）。大型AI实验室出炉的大量经济学研究，都严重侧重于其专有数据所揭示的信息，这意味着我们看到了海量回答以下两个问题各种变体的论文：“人们在使用AI完成哪些任务？”以及“因此哪些工作岗位最容易受到AI的影响？”这当然是有用的，但这实际上只回答了“AI如何改变岗位和工作”这个宏大问题的第一部分。使用AI完成某项任务，究竟是让整体工作变得更简单还是更复杂、更轻松还是更紧张？它到底是提升了生产力，还是仅仅暴露了死板的瓶颈？所有这些都需要更进一步，考察员工在特定任务中使用AI的方式是如何融入其整体工作的。"}],[{"start":78.62,"text":"因此，我非常欣赏这项研究的一点在于，它确确实实做到了这一点：将科学家如何使用谷歌大语言模型Gemini的数据，与对科研人员的详细调查结合起来，从而更全面地描绘出AI在如今如何、在何处以及为何正在（或未能）改变科学研究的开展方式。"}],[{"start":96.56,"text":"从最基本的层面来看，该研究发现，AI已经深深扎根于科学研究的开展方式中。接受调查的美国和英国科学家中，近半数每天都在使用AI，80%至少每周使用一次。迄今为止，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科研数据。"}],[{"start":118.86,"text":"但对我来说，这项研究最有价值的部分是额外的调查数据，这些数据显示了上述一切如何映射到构成研究人员典型工作周的广泛任务之中，以及这意味着工作某一环节中的AI生产力提升和其他优势，能在多大程度上扩展到其他环节，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中获得最大价值的领域，但他们典型的每周工作中只有大约五分之一的时间用于分析和解读数据。因此，即使这些任务实现完全的AI自动化，整体工作本质上依然原封不动，即便数据分析环节的生产力大幅跃升，对整体的实际影响也可能要微弱得多。"}],[{"start":160.72,"text":"调查结果的其余部分本质上得出了同样的结论。虽然受访科学家平均报告称多亏了AI每周节省了近7个小时，但这其中只有一部分时间被投入到启动额外研究项目中，大量时间则花在了人工审核和验证AI的工作成果上——研究人员将其称为“验证税(verification tax)”。此外，受访研究人员报告称，阻碍他们整体进展的最大瓶颈是物理实验和数据收集，而且过去两年来瓶颈已经向下游转移——例如，从开展探索性研究和分析转向进行物理实验室实验。因此，41%的受访科学家表示，他们未经验证的理论积压变多了，这表明AI让计算工作变得更加容易和快捷，从而为现实世界的研究生成了充满前景的方向，但物理世界却没能跟上步伐，削弱了整体科学发现过程中的加速效果。"}],[{"start":212.09,"text":"我需要明确指出的是，受访研究人员的总体情绪是，AI已被证明对他们的工作极具价值，并且他们看好AI对有形科学产出的影响。但我发现，关于挥之不去的低效、瓶颈以及科学家在各项任务之间分配时间的细微差别，对于我们思考（即使是令人惊叹的AI能力和广泛的应用，其对最终产出的影响如何比某些人想象的要温和得多）具有无价的参考意义。"}],[{"start":239.1,"text":"

萨拉(Sarah)写道

"}],[{"start":241.12,"text":"谢谢你，约翰。非常有意思，而且某些部分——比如AI“验证税”——与我们从其他职业群体中听到的情况产生了共鸣。我想用我与一些年轻科学家的对话来补充你对数据的深入剖析，谈谈这些情况在一线（或者更准确地说，在实验台前）究竟看起来和感觉起来是什么样的。"}],[{"start":262.9,"text":"对话中出现的一个主题是：AI让人更容易去探索过去可能需要数月甚至数年科学“苦力活(grunt work)”才能推进的方向，但这实则是喜忧参半的。阿列克西·克维亚特科夫斯基(Aleksy Kwiatkowski)刚刚在牛津大学(University of Oxford)完成了机器学习与化学交叉领域的博士学位，即将在一家专注于真菌生成分子的AI科学初创公司工作。他告诉我，如今留意“具有更高生产力”与“感觉具有更高生产力”之间的差异已变得非常重要。他说，现在你指尖的信息如此之多，所以能够“统筹这些信息并弄清什么对你真正最有用”十分关键。"}],[{"start":301.90999999999997,"text":"正在（同样在牛津大学）完成计算药物发现博士学位的沃伊特克·特雷德(Wojtek Treyde)表示，科学家通常将这种能力称为“品味(taste)”——不可否认这是一个“非常不透明的概念”，大致意为“选择正确的科学问题去研究”。（那些阅读过几周前我们关于数学家的那期新闻通讯的读者，应该会想起一个类似的主题。）"}],[{"start":323.68999999999994,"text":"对于处于职业生涯早期的科学家来说，对“品味”要求的提高某种程度上构成了挑战，因为他们还没有多年的经验可供借鉴，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？”"}],[{"start":339.7099999999999,"text":"与此同时，与我交谈的科学家们表示，谷歌研究中标注的对现实世界实验的需求，有助于解释为何AI尚未实现硅谷那些令人屏息的狂言——即AI将“解决”所有疾病。物理世界中的一个瓶颈是什么？小鼠。“你无法让小鼠把事情做得更快，”名为“Encode：AI for Science”组织的执行董事利亚·莫里斯(Leah Morris)说。“你无法让它们长得更快。你无法让病毒复制得更快……另一部分则是监管——在如何通过审批并确保药物对人类安全方面，我们仍然需要进行药物试验。已经有人在研究如何更高效地完成这些……但就目前情况而言，还有很多事情是AI无法触及的。”"}],[{"start":384.06999999999994,"text":"不过，AI仍可能具有变革性。正在伦敦帝国理工学院(Imperial College London)攻读博士学位最后一年的默里·考克斯(Murray Cox)致力于癌症免疫疗法研究。他告诉我，必须区分通用大语言模型和专用模型（可能根本不是大语言模型），后者可以被构建来发展一种“我们作为科学家所不具备、或此前从未有过的对数据的潜在理解”。考克斯说，以这种方式应用，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”。但这通常需要AI工程师进入科学实验室工作，在那里“他们能够编写全新的模型以发展新的理解层”。"}],[{"start":424.78999999999996,"text":"这又引发了另一个人的问题：把合适的人聚在一起。考克斯也参与其中的Encode：AI for Science组织，将AI专家派驻到英国的科学实验室中（由英国政府资金支持）。他们还创建了一个开放获取的平台，收集学者们提出的需要AI专业知识解决的研究问题，试图解决这种“匹配”瓶颈。“有这么多科学家向我们要AI人才，[并且]AI人才也在说，‘嘿，我想做些比聊天机器人更酷的事情。我想做些比下一个帮你孩子在作业上作弊的工具更有趣的事情’，”莫里斯解释道。"}],[{"start":462.96,"text":"与此同时，克维亚特科夫斯基和特雷德均隶属于一个名为CompMotifs的青年计算科学家团体，该团体负责召集关于如何为科学研究构建更好工具的研讨会和黑客松(hackathon)。"}],[{"start":476.10999999999996,"text":"总而言之，瓶颈是真实存在的，但人们也在忙着解决它们。在当下我们听到许多关于AI破坏性潜力的声音时，能记起还有很多聪明人正在深思熟虑且通力合作地努力去充分利用这项技术，这令人感到振奋。正如特雷德所言：“假装AI没有任何风险是愚蠢的……但我认为，同时这项技术拥有巨大潜力，对吧？我们同样不应假装这种进步没有在发生……我认为我们有责任确保它被用在正确的事情上。”"}],[{"start":508.67999999999995,"text":"

推荐阅读

"}],[{"start":510.69999999999993,"text":"安贾娜·阿胡贾(Anjana Ahuja)撰写了一篇精彩文章，探讨了科学家们对于落入AI公司“窥探并抢先发布(snoop-and-scoop)”陷阱的担忧。（萨拉）"}],[{"start":520.77,"text":"斯坦福大学(Stanford University)金融学教授汉诺·卢斯蒂格(Hanno Lustig)撰写了一篇明快易读的文章，探讨了美国数据中心所有者在未来几年内需要创造多么巨大的收入，才能从其投资中获得正回报。（约翰）"}],[{"start":null,"text":" "}]],"url":"https://audio.ftcn.net.cn/album/a_1790860581_4184.mp3"}