AI如何改变科学研究：效率提升、模型分工与验证瓶颈

—— AI in Science: Early Insights 详细解读

Codreanu, M., Imas, A., Mateos-Garcia, J., Emmens, J., Muiruri, E., Turrell, A., Jacobs, J., Kasirzadeh, A., Trišović, A., Chen, Y., Rodchenko, T., Pollard, C., Strand, S., Rock, D., Iscenko, Z., Curto Millet, F., Thompson, N., & Manyika, J. (2026). AI in science: Early insights. Google. https://ai.google/static/documents/AI-in-Science.pdf

如果一位科学家每周可以借助人工智能节省近七个小时，科学发现是否也会相应加速？当模型能够更快地生成假设、预测分子结构、编写分析代码，实验室是否就能更快地创造可靠的新知识？AI in Science: Early Insights（《科学中的人工智能：早期观察》）围绕这些问题，提供了一幅既令人振奋、又需要谨慎解释的科研图景：AI已经进入许多研究者的日常工作，但局部任务的提速，仍然受到实验能力、结果核查和研究组织方式的制约。

这篇发表于2026年9月的最新论文，由Mihai Codreanu、Alex Imas、Juan Mateos-Garcia等研究者共同完成，介绍了Google、Google DeepMind与MIT FutureTech合作开展的一项研究计划。它将大模型交互记录、专门用于科研的AI模型资料和科学家问卷结合起来，尝试回答三个相互关联的问题：科研人员究竟怎样使用AI，不同AI工具分别承担什么工作，以及这些变化如何影响整个科学研究流程。

研究设计：三类数据观察科研现场

科学研究可以拆分为一系列相互依赖的活动：阅读文献，形成问题并提出假设，设计方法，获取数据并开展实验，分析结果、复核证据以及撰写论文。AI对这些环节的影响并不均匀。即使代码生成和数据分析大幅提速，样本收集、临床验证或复杂实验仍然可能耗时很长。作者因此把观察单位进一步细化到“科研任务”，希望理解效率究竟提升在哪里，又被什么环节限制。

为此，研究整合了三类核心数据。它们观察科研活动的角度不同，能够回答的问题也不同。

第一类数据来自Google ATLAS 1.0，覆盖Gemini App、Google AI Mode及API交互。研究先排除休闲、个人事务和教育作业等非工作内容，再限定科研较为集中的职业类别，最后根据对话内容判断其是否涉及新知识的产生，由此得到约36万次科研相关交互。这里的“科研”包含学术机构和企业中的相关活动，也包含政府和非营利组织中的相关活动，还涵盖社会科学。

这类记录的优势，是能够接近日常工作过程，而论文发表和引用通常存在滞后。但研究者无法直接确认用户身份，某段代码请求究竟来自科学实验还是一般软件开发，只能依赖上下文推断。样本也不包含企业协议下的使用和付费API流量，因此可能漏掉部分企业研发和对数据保密要求较高的科研活动。

第二类数据试图补足聊天式AI之外的科研工具。作者从网络和论文，以及代码仓库和Epoch数据库中汇集模型，经过筛选形成2690个模型的分析样本。清单覆盖蛋白质结构预测与材料设计，也涉及医学影像处理和天气预测等应用，也纳入可支持科学研究的深度学习模型与架构；传统的随机森林、聚类等统计机器学习方法，以及PyTorch一类通用框架，不在这一清单的范围内。作者从模型论文摘要中提取出4475项任务描述，再追踪相关论文的引用。

第三类数据用于回答日志和引用无法直接揭示的问题：使用AI后，研究者感觉节省了多少时间？省下的时间用在哪里？研究瓶颈是否发生变化？637名受访者中，美国研究者379人，英国研究者258人；样本包含物理科学与工程、生命科学、健康与临床科学和社会科学。调查覆盖不同职业阶段，但其中356人担任资深职位，包括课题负责人和教授，也包括实验室主任或企业研发管理者，早期研究人员只有47人。这一构成意味着，调查并不是对全球科研群体的等比例缩影。

用统一的任务分类连接不同证据

要让三类资料能够相互参照，论文还需要一套共同的科研任务分类。MIT FutureTech利用约380万条科研招聘广告，提取超过6400万条任务表述，归并为约21万项代表性任务，最终组织成12个一级类别、114个二级类别和2433个三级任务组。类别从宽泛的“分析和建模定量研究数据”，逐步细化到具体的实验数据分析或研究操作。作者使用OCTO工具，把交互记录与专用模型能力映射到这套分类，并以OpenAlex的学科体系进行比较。OCTO结合了文本向量、聚类和大语言模型。

这种设计使研究能够追问：两个工具即使都属于“数据分析”，是否实际上承担了不同的工作？它也带来一个重要限制：不同来源经过共同分类后，并没有因此变成同一种测量。日志记录实际发生的交互，模型摘要记录作者宣称的能力，问卷则记录人的体验与判断。三者可以相互补充，却不能直接相加为一个统一的生产率指标。

AI已进入多类科研活动

从使用广度看，论文发现AI已进入相当多的科研领域。六类科研较为集中的职业，其Gemini对话量占比约为美国就业占比的1.8倍；生命科学、物理科学与社会科学这一核心科学职业类别，则达到约2.7倍。这个指标说明相关职业在平台对话量中明显高于其就业规模所对应的基准。但它不能解释为“科学家使用AI的概率是普通人的2.7倍”，因为对话量还受到每位用户使用频率的影响。

在满足隐私保护要求的情况下，研究在217个细分学科中的195个观察到了科研相关交互。其余学科可能因为用户数量不足而无法报告，不能据此断言完全没有AI使用。按领域划分，包含计算机科学的物理科学大类占交互量的55.3%，社会科学占21.4%，健康科学占14.1%，生命科学占9.2%。计算机科学自身接近三成，工程学约占14.1%。

这些比例反映的是Gemini科研交互的构成，不能直接当作各学科的AI采用率。学科人数和工作性质，以及工具选择和企业账户使用情况，都可能影响观察结果。例如，生命科学在聊天模型日志中的份额较低，并不意味着其科研活动较少依赖AI；在专用模型清单中，生命科学与健康科学合计占比接近36%，明显高于它们在Gemini科研交互中约23%的份额。

从任务看，约42%的科研交互属于定量数据分析与建模，约14%涉及研究成果和相关信息的传播；产品、原型与工艺开发约占11.4%，实验及样本处理操作约占9.8%。教学培训、项目管理和临床研究协调也有相应使用。这里的“实验操作相关交互”，主要意味着研究者围绕实验任务获得信息和建议，不能等同于AI已经独立操作实验设备。作者还指出，缺乏科研上下文的文字润色和常规写作请求更容易被筛除，因而写作类活动可能被低估。

问卷同样显示了较高的使用强度：46.6%的受访者属于高强度使用者，AI已经进入其日常核心工作；另有30.6%报告经常使用，纳入每周工作流程。在受访者自报的AI工具使用时间中，通用聊天和文档工具约占41%，代码助手约占29%，专用模型约占30%。这提示我们，研究科研中的AI时，需要同时考虑日常辅助工具和领域模型。

通用大模型与专用模型如何分工

论文关于工具分工的分析尤其值得关注。在最粗的分类层面，通用大模型与专用模型都集中于数据分析和建模；然而，当任务分类逐渐细化，两者的分布越来越不同。通用模型更多参与代码编写与排错，以及统计分析、文献综合，也参与稿件撰写及一般工作支持；专用模型则更多提供疾病结局预测和分子构建，以及结构预测和复杂模拟等能力。

例如，在同一项生命科学研究中，研究者可能让聊天模型协助编写统计代码，再利用专用模型预测蛋白质结构。两项工作在一级分类中都可以落入数据分析，但所需的模型能力与证据标准并不相同。这是对论文分工逻辑的说明性例子，而不是研究追踪到的某个完整项目。

作者进一步比较两类模型在不同任务层级上的份额关系。在两类数据均有正份额的任务中，对数回归弹性从一级分类的略高于0.6，下降到二级分类的约0.5和三级分类的约0.2；把仅在一类数据中出现的任务也纳入时，最细层级的关系略为负向。这说明粗分类下的相似性掩盖了具体任务上的差异。作者据此提出，通用大模型与专用模型可能具有互补关系。

这里的“互补”应理解为有证据支持的工作分工假说。严格地证明经济学意义上的互补，还需要观察一种工具是否提高了另一种工具的边际收益，或联合使用是否带来额外产出。本文并未直接进行这种检验。分类越细，识别越难，分类误差也可能压低两类任务分布的统计联系。“存在不同专长”的证据因此要强于“已经证明两者具有因果互补性”的说法。

专用模型的任务覆盖也显示出相似的边界。清单中的模型能力对应了全部三级任务的17.6%；排除部分运营、教学和协调类任务后，覆盖比例升至24.3%。作者认为，接近四分之一的相关研究任务已经能够与现有专用AI能力建立联系。但“覆盖”只表示能力描述能够匹配到某项任务，既不表示整项工作已被自动化，也不表示AI达到了专家水平或能够稳定节省时间。

受访者自报每周平均净省时约6.9小时

在科研人员的直接体验中，接近四分之三的受访者表示AI使其每周净节省时间，约6%表示净损失时间；作者报告的平均节省量约为每周6.9小时。受访者对节省时间用途的回答，主要指向增加科研产出，约占30%；约21%指向实验执行和数据收集，约19%指向更困难、更有雄心的问题，约18%指向改善工作与生活平衡，其余约12%涉及教学、指导和行政事务。

这些结果意味着，AI的时间收益可能再次投入科研。一个研究者更快完成编码或整理文献后，可能开展更多分析、追加实验或推进其他项目。不过，上述用途比例不能被当作精确测量的工时分配；它们来自调查回答，而非对整个工作周的连续追踪。

对研究产出的判断同样乐观。约84%的受访者认为，在过去三年里，AI提高了所在实验室或自身的专业产出；其中接近47%报告增幅达到10%或以上。这里的产出包括论文和专利，也包括发现和完成的项目。对未来三年，约89%的受访者预期还会增加。

这些数字应保留“受访者认为”的限定。论文没有将回答与逐项核验的论文、专利和发现记录匹配，也没有设置可识别AI影响的对照组。它们因此表明研究者感受到显著收益，但不足以确定真实平均增幅，更不能把不同性质的科研产出都等同于高质量的新知识。

任务提速之后，瓶颈向哪里移动？

论文最有解释力的部分，来自效率收益与研究瓶颈之间的联系。受访者每周用于数据分析和解释的时间约为7小时，而实验与数据收集接近8小时；写作传播、方法设计和知识获取分别约为5小时，另有时间用于研究构思、经费和行政工作。也就是说，AI应用最集中的数据分析，只是整个科研过程的一部分。

当被问及当前最主要的限制环节时，约24%的受访者选择实验和数据收集，约21%选择数据分析与解释，约14%选择写作和传播。回顾过去两年，43.5%表示主要瓶颈已经向下游移动，例如进入实验执行或论文撰写阶段；13.8%表示向上游移动，42.4%表示基本未变。同时，40.5%表示相较三年前，未经检验的假设积压增加，24.8%表示减少。

这些结果支持一种可能的机制：AI使候选假设和计算预测产生得更快，但实验设施和样本，以及研究人员和验证周期未能同步扩张。假设生成提速之后，等待检验的队列随之变长。例如，模型可以更快筛选出值得测试的候选分子，但合成、检测和后续验证仍需要实际资源。这个例子说明了作者提出的机制，并不构成对该机制的独立因果证明。

因此，评价科研AI时，需要区分单项任务速度与整个项目完成速度。某个环节节省大量时间，只有在后续任务能够承接这些成果时，才可能转化为更多经过验证的发现。问卷中AI使用强度与瓶颈下移、假设积压之间存在相关关系，但横截面、自报式的数据尚不能排除其他解释，例如任务更复杂的研究者本身就更倾向于使用AI。

核查AI结果也需要时间

验证本身也在消耗时间收益。论文将这种负担称为“验证税”：研究者需要复核AI提供的文献，调试生成的代码并检查分析假设，还要判断预测是否具有科学意义。在报告AI节省时间的研究者中，约89%表示核查工作占所节省时间的十分之一以上，约46%表示超过四分之一；生命科学中的负担尤为明显。

这使科学家的部分工作重心可能转向审查、排错和质量判断。生成一个看似合理的结果可以很快，确定它是否可信则可能需要更多专业知识。需要注意的是，论文把每周6.9小时表述为自报的净时间收益，验证时间来自另一道比例题，不能再机械地从6.9小时中减去某个统一比例。两组结果共同说明：受访者感到有所节省，同时仍承担明显的验证成本。

跨学科机会与稳妥选题并存

除了研究速度，AI还可能影响研究者选择什么问题。调查中，68.1%的受访者认为AI帮助其获得其他学科的知识与洞见，67.3%认为所在领域研究问题的雄心有所提高，65.0%认为研究议程变得更宽。这与作者提出的一种潜力相吻合：AI可能降低跨学科理解的成本，帮助研究者接触原本较难进入的知识领域。

但对自身项目选择的回答呈现另一面，48.8%的受访者表示，AI促使自己更多选择安全、渐进式问题，这些问题的数据和技术能力较成熟；27.5%表示更愿意追求高风险、非标准或更有雄心的研究。作者将这一倾向与“路灯效应”联系起来，研究者可能更多探索数据充足、工具成熟且结果容易评估的区域，而那些训练资料稀缺、验证昂贵的问题，仍然很难推进。

“问题更有雄心”和“项目选择更安全”并不必然矛盾。前一组问题主要询问研究者对所在领域变化的判断，后一问聚焦自身项目的风险取向；同时，项目规模或分析范围可以扩大，核心科学路线却仍然较为稳妥。论文由此提出的担忧，是AI可能改变不同研究方向的相对成本，使渐进式工作扩张得更快。它尚未证明AI降低了科学原创性，而且渐进研究本身也可以积累重要证据。

对论文质量和发表负担，受访者的看法也存在分歧。约60%认为所在领域高质量论文增加，约40%同时认为低质量论文增加；约45%认为每篇论文所需投入上升，约31%认为下降。这提醒我们，论文数量与论文质量，以及研究风险与研究者负担需要分别考察，不能用单一的“产出增加”概括全部变化。

专用模型如何跨学科、跨地区传播

从知识扩散看，这一模型清单中的相关论文有49%进入所在领域标准化引用的前1%，83%进入前10%。研究还收集了2020年以来约46万条独特引用记录，发现超过四分之一的引用联系跨越了科学大类边界。部分领域工具可能进入其他学科，也可能反过来启发计算机科学中的方法开发。

但高引用不能直接视为高使用率，更不能视为高生产率收益。论文可能因为比较方法、介绍背景或使用数据而引用模型，而未实际部署它。清单的收集方式又偏向较知名、较容易检索到的模型，因此“近半进入引用前1%”不应推广为全部科研AI模型的共同特征。

地理分布进一步显示，开发模型与使用模型是两种不同的能力。样本中，排名前十的国家或地区贡献了约84%的专用模型，研发集中于美国、中国和英国，也集中于欧盟国家、韩国和加拿大等地；部分中低收入国家虽然较少开发模型，却在引用中更活跃。这提示开放可获得的工具可能支持跨地区传播，但算力和数据，以及专业人才和验证设施仍会影响各地能够获得的实际收益。Gemini交互的地理图并未包含中国，不能据此比较中国与其他国家的整体科研AI采用水平。

分类误差与样本偏差限制了哪些结论

阅读这篇论文时，分类误差值得给予特别关注。附录报告，科研交互的任务映射准确率从一级分类约65%，下降到三级分类约30%；专用模型任务映射在相应层级约为62%和28%。这些数值来自各自的验证设置，不能简单当作所有真实样本的统一错误率，但足以说明细粒度结果仍有较大不确定性。邻近任务概念重叠、科研上下文不足，以及把一次复杂活动归入单一类别，都会影响分类。

这对论文的解释有直接影响。较宽泛的结论，例如AI已经进入多类科研活动、通用工具与领域模型各有侧重，能够得到多种资料的支持；而某个三级任务究竟占多大比例、两类模型在最细层级上有多大差异，则应更谨慎。共同使用一套分类体系，并不能自动消除不同资料来源中的测量偏差。

另外，三类数据并未追踪同一批研究者或同一批项目：日志来自4月，问卷来自7月至8月，模型与引用资料则覆盖更长时期。因而，这项研究能够形成相互参照的整体观察，却不能逐一说明某次AI交互如何节省时间、又如何最终产生一项发现。单一平台的覆盖限制和专用模型的知名度偏差，以及问卷的非概率抽样及回忆误差，也都限制了结果的推广范围。

这些局限与论文的研究定位是一致的。作者建立了一套理解科研AI采用情况的测量框架，并提出若干值得继续检验的机制。要更严格地评估效果，后续研究还需要长期追踪真实项目，将工具使用与时间投入，以及验证过程与研究质量相连接，并利用实验或其他可信的研究设计区分相关与因果。

科研组织、工具开发与研究评价的启示

对于科研组织，这项研究带来的启示，是把AI工具建设与研究流程中的实际约束联系起来。如果候选结构预测已经显著提速，下一步投入可能更需要改善实验筛选和验证能力；如果代码与文字生成变得便宜，可靠的数据来源、复现工具和专业审查就更有价值。这些是由论文结果引出的组织启示，并非本文已经验证了效果的干预措施。

对于工具开发，作者提出一种未来方向：让通用大模型承担任务协调，调用不同的专用模型，规划分析或实验步骤，再将结果交给研究者判断。这样的系统需要解决工具衔接、结果核查和证据管理等问题。论文将其作为有待发展的可能性，并没有声称现有系统已经能够稳定完成自主科学发现。

对于研究评价与资助，值得进一步关注的是AI带来的成果究竟有什么性质：研究是否更可靠，假设是否获得检验，跨学科联系是否产生实质贡献，以及高风险探索是否仍有空间。只有把这些问题与时间和数量指标一起观察，才能判断AI是否真正提高了科学生产知识的能力。

AI in Science: Early Insights 描绘的，是一个正在重新分配科研时间和任务的过程。通用大模型与专用模型为不同环节提供支持，研究者报告了可观的时间收益，同时也面对更多待验证的假设和持续的核查负担。AI对科学的长期贡献，将取决于这些局部收益能否与实验能力、证据标准和研究组织共同发展，让更多有价值的想法最终成为可靠的知识。