0
最近,MIT的一名博士生Aidan Toner-Rodgers历经四年,在AI + 科研领域挖掘出一个惊人的结论——AI的参与让科学发现和创新迈上了新台阶,却也意外拉大了科研人员之间的“能力鸿沟”。
在这项实验里,AI的加持让专利申请量像火箭一样蹿升了39%,产品创新数量也提升了17%。
但这项技术的助力却并非人人受益,反倒在科研圈引发了不小的焦虑。
在这场别开生面的实验中,AI似乎对某些人特别“偏心”,特别青睐那些站在科研金字塔尖的研究人员。
数据显示,前10%的科研精英在AI的辅助下,研究产出飙升了81%。然而,在团队中垫底的三分之一成员却几乎没从AI那里得到一丁点儿好处。
AI“偏心”的原因很简单。
顶尖研究人员拥有深厚的专业功底和敏锐的判断力,自然能够快速筛选出AI生成的高潜力候选材料,而那些经验相对较少的研究者,在面对AI产生的海量数据时,却往往感到手足无措,浪费了大量的时间在无效的摸索上。
从本质上来说,这种差距并非源于学识的深浅,而在于评估AI建议的能力——这是一个无形却又无法回避的“新门槛”,让科研领域的“马太效应”愈发明显。
换句话说,AI工具让强的人被迫卷得更强,弱的人被迫卷得更弱。
另一方面,AI的加入让科研效率迎来了一次“量变”,但它对科研工作者的工作体验来说,却未必是一场“质”的变革。
颇为值得注意的是,发起本次研究的Aidan并非AI研究者,而是一名经济系的学生。
经济学对决策问题的探讨与人工智能所研究的问题有很多不谋而合之处,这决定了两门学科在研究上存在着很多交叉之处。
人工智能经济活动带来的影响是广泛和深远的。现在,在分析经济增长、收入分配、市场竞争、创新问题、就业问题等经济学关注的内容时,都难回避人工智能所造成的影响。
尤其是本次研究中涉及的“效率与公平”,更是发展经济学的传统话题。
至于AI“去人类化”的趋势也带来了职业上的不确定性、许多人开始担心自己的工作未来会逐渐被AI所替代,也成为经济学家们研究的新课题。
AI已经拿下了诺贝尔物理奖和化学奖,未来是否可能在经济学上有所突破?
以下是本次研究的部分核心发现:
在AI的辅助下,创意生成的时间大幅缩水,从原来的39%锐减到16%。相反,判断任务的时间却几乎翻了一番,达到40%。科研人员在材料评估上的时间更是增加了74%,这意味着他们需要投入更多的精力去甄别和判断AI生成的结果。
在这种情况下,有高达82%的科研人员工作满意度大幅下降。他们普遍认为AI工具不仅没有让工作变得更轻松,反而加重了对AI生成内容的评估负担。
在这些不满的声音中,73%的人觉得AI没有充分利用他们的技能,而53%的人则认为工作变得越来越机械化、缺乏创造性。甚至有些科研人员悲哀地感到,自己多年积累的科研训练在AI的协助下似乎变得毫无用处。
这篇论文在推特上收获了大量转发和点赞,很多网友都产生了共鸣。
AI把创造性的工作都做完了,人类该怎么办?人类会不会因此逐渐丧失创造力?
不过,再强大的AI也只是工具,什么样的人去使用它就会得到什么样的结果。只有天才才能把AI的效率发挥到极致。
这项实验依托一家大型公司的研发实验室进行,目标是测试AI在新材料发现上的实际作用,实验跨越了从2020年5月至2024年6月整整四年。
通过随机分配,实验室内符合研究要求的1,018名研究人员被分成三波,逐步接触一种基于AI的新材料发现技术。
研究团队的工作流程包括四个步骤:首先生成新材料的候选化合物,然后对其进行初步评估,再测试最有潜力的化合物。最终,成功的研发成果会被申请专利并纳入产品原型,推动产品创新。
在此次实验中,AI工具被设计成一个基于图神经网络(GNNs)的“逆向材料设计”系统,通过分析大量已知材料的结构与特性,预测和生成具有特定目标属性的新化合物。
AI首先被预训练,然后通过实验结果不断调整,以更精确地匹配研究人员的需求。最终,这种智能模型可以根据输入的属性需求,迅速生成可能具有这些属性的材料候选清单。
研究结果表明,AI让研发效率提高了13-15%,AI辅助研究人员发现了44%以上的材料,导致专利申请增加39%,产品原型创新增加17%。
这些新发现的材料具有更优越的物理结构,显著提高了下游产品创新的数量和质量,也推动了更多新产品线的出现。
人们往往以为AI的横空出世会让所有科研人员都受益匪浅。但事实却并非如此。AI带来的优势并未雨露均沾,反而让科研领域的“贫富差距”愈发明显。
AI对高能力研究人员的影响更大,前10%研究人员的产出增加了81%,加剧了90:10的研究绩效不平等现象。
这种现象说明,AI在一定程度上扩大了科研领域的“马太效应”,让强者更强,弱者进一步被边缘化。
这一切的关键在于,AI自动化了高达57%的“创意生成”任务!这使得科研人员的注意力不得不从新材料的初步筛选转向了对AI生成的候选材料进行评估。
顶尖研究人员往往更善于识别具有潜力的候选材料,他们凭借深厚的专业背景和经验,更快地筛选出优质材料;而对于缺乏判断力的研究人员,他们在评估AI生成的材料时往往难以有效筛选,从而浪费了大量时间在无效的尝试上。
更让人惊讶的是,AI并没有显著减少科研工作量,反而改变了任务的结构。
在AI的“帮助”下,创意生成任务所占时间从39%锐减至16%;而判断任务占比却从23%激增至40%,实验时间比例也有所上升。
这种任务重构引发了科研人员的大量不满。
与直觉相悖的是,受益最多的头部研究院人员反而是最为不满的群体,82%的研究人员认为总体满意度下降。
数据显示,73%的人认为AI未能充分发挥其技能,53%的人认为工作变得重复,缺乏创造性。
随着AI逐步接手创意生成等基础性工作,部分科研人员感到他们的技能正被边缘化,计划重新培训的研究人员的数量增加了71%。
一位科研人员抱怨,AI工具的表现虽有效,却让他“多年接受的科研训练几乎派不上用场”。不少人担心在AI重塑的科研环境中,传统学科知识的作用在减弱。
随着AI的深入应用,科研人员不仅面临着效率与竞争的加剧,也感受到一种前所未有的职业危机。
为了适应新的AI科研模式,研究人员不仅需要传统的学科知识,更需要跨学科的技能,以便在AI生成的庞大数据中筛选出高价值的科研成果。
实验室也重新调整了人员结构,甚至解雇了3%的科研人员。这些被解雇的人中有83%位于判断能力的中下四分位。不过,实验室通过增加招聘来弥补这些偏差,最后呈现了研究人员人数的净增长。
根据论文的判断,前三四分位数的科学家被解雇的概率不到2%,而后四分位数的科学家的被解雇概率几乎达到了10%。
AI虽然能显著加速科研进程,但这种进步往往伴随着部分科研岗位的消失。
这种“去人类化”的趋势令研究人员们面临前所未有的职业焦虑,使得部分研究人员担心他们的技能无法适应AI的“改造”。
这种情况也和Anthropic的首席执行官Dario Amodei的观点相契合。他认为AI会将科学的发现速度提升10倍,同时人类的工作岗位会因为AI的替代而减少,但与此同时与AI紧密联系的其他岗位的需求量也会大量增长。
如果AI在90%的工作上都能表现得很好,剩下的10%也能创造一堆新的人类工作,扩大到能够雇佣所有人的程度。
未来,研究人员与AI之间的关系应该为共生关系,而非替代关系。
比如,AI可以专注于基础性预测与筛选任务,而研究人员们则保留在“终端评估”的角色,以确保最终的科研成果具有更高的创造性和实用性。
AI技术的广泛应用似乎给科研界带来了一股“清流”,但同时也引发了一系列棘手的“科研责任”问题。
想象一下,当科学发现越来越依赖AI算法和大数据时,万一AI在推荐材料或设计实验时出了偏差,这个锅到底该由谁来背?
尤其是在AI应用越来越广泛、人类监督逐渐弱化的情况下,AI在科研中的责任机制仍然有待进一步明确和完善。
其次,随着AI在科研领域的广泛应用,“科研伦理”也需要得到更新和重新定义。
科学发现的核心价值在于探索真理、解决社会问题和推动技术进步。然而,当AI成为科学研究的主要推动力,科研伦理是否应当与时俱进?
特别是在科学研究对AI的依赖越来越深的背景下,究竟是以效率为先,“前进,前进,不择手段的前进”,还是强调“以人为本”,兼顾更多靠后的科研人员的吃饭问题,已经成为需要整个科学界共同攻克的重要课题。
在这样的过程中会有很多需要解决的问题,但正如王尔德所言:我们都在阴沟里,但仍有人仰望星空。
在1970年,NASA给赞比亚修女Mary Jucunda的一封回信中,也有着类似的讨论。
Mary Jucunda 修女在给NASA的信中问道:目前地球上还有这么多小孩子吃不上饭,他们怎么能舍得为远在火星的项目花费数十亿美元。
NASA Marshall 太空航行中心的科学副总监 Ernst Stuhlinger在回信中列举了显微镜的发明对消除传染性疾病的贡献,并进一步解释:
事情并不是仅靠把去往火星航行的计划取消就能轻易实现的。相对的,我甚至认为可以通过太空项目,来为缓解乃至最终解决地球上的贫穷和饥饿问题作出贡献。
同样,在现在的科研界,事情可能并不是仅靠保住那些无法适应AI“改造”的科研人员的饭碗,喊几句“避免人成为技术的奴隶”就能轻易实现的。如果AI在科研发现上突破的速度足够快,所衍生出的新的科研问题,同样需要更多的研究者来解决。雷峰网雷峰网(公众号:雷峰网)
雷峰网版权文章,未经授权禁止转载。详情见转载须知。