生成式人工智能領域風起雲涌，議論甚多。不少人會發出這樣的感慨：照這樣下去，自己被AI取代隻不過是時間問題了。比如有不少青年科研工作者，有做生化環材的，有做計算機科學研究的，其中也有幾位，時不時調侃一句：“看樣子，我這樣的科學家大概也免不了被AI取代……”

這樣的事情真的會發生嗎？這確實是一個非常有意思的問題。

首先可以肯定的是，在近10年裡，AI在科學領域也“成果頗豐”，並且AI的身影頻繁出現在看似跟AI毫無關聯的領域中。從生物化學領域的蛋白質結構預測，到氣象領域的天氣預測，從醫學影像識別領域，到預測繪制化學分子的氣味圖譜，都能見到AI的身影。

總體來說，AI在科學研究中的應用主要包括三個方面：第一方面是作為工具提升科學家工作效率，第二方面是參與到論文撰寫和評審中，第三個方面是直接參與到科學研究中去。

要回答“ AI是否會取代科學家？”，要先了解目前AI在這三方面的具體應用情況。

AI輔助提升科研人員工作效率

2023年，《自然》雜志（Nature）進行了一項針對1600名科學家的調查研究，以了解科研工作者對生成式AI的使用狀況和想法。

結果顯示，有一半的參與者本身就是研究AI領域的研究者。如果排除這部分人群，在非AI領域的研究者中，也有超過一半的人會在科研工作中使用AI。

在科研人員眼中，生成式AI的優勢可以利用在三個方向：輔助非英語母語的作者撰寫論文（包括編輯和翻譯）、用AI編寫代碼、用AI提煉論文內容以節省閱讀時間。

輔助非英語母語的作者撰寫論文很好理解，生成式AI的英語內容生成能力，確實會比不少母語不是英語的人更“地道”。並且AI可以根據需求，將文章的表述調整得更接近科研論文風格。

而AI編寫代碼也可以大大減少研究者的時間，隻要給出清晰的要求，就可以按照要求生成代碼，並且可以對每一段代碼的功能進行說明。

AI編寫代碼不僅能幫助計算機專業的研究者，非計算機專業的研究者同樣有編程需求（比如做生物信息分析），AI編寫代碼確實可以大大提高工作效率，讓研究者把智力和時間花費在自己更擅長更重要的事情上。

而今天，生成式AI提取摘要關鍵信息的能力已經非常優秀，並且可以根據要求，對論文的特定模塊，比如“研究方法”“結果與討論”等部分做更精確的信息提取。因此，用AI來“過濾”論文，確實可以節約時間。

但在這些應用中，AI並沒有直接參與科學研究，它更像是一本方便查詢的字典或者稱手的螺絲刀，能夠幫助科研人員提高工作效率，而科學研究的核心工作還是由科學家來完成的。

AI參與論文撰寫和評審

1、AI寫論文

自2022年末GPT3.0發布以來，生成式AI的內容撰寫能力得到了人們廣泛認可。並且在一些中學和大學中，學生使用生成式AI來寫作業、寫小論文早已不再是什麼新鮮話題。

但沒有學校會鼓勵這樣的行為，畢竟，這樣的“偷懶”行徑不利於學生的思考和成長。

不過，在《自然》雜志的調查中，有些研究者也提到，可以使用AI來撰寫論文稿件以節約時間，這就涉及到“用AI寫論文”這件事了。

實際上，對於年輕科學家來說，寫論文算是一個“基本功”性質的工作。而對於一些不需要做實驗的研究領域，查資料寫論文幾乎佔據了科學研究的絕大部分內容。如果AI可以寫論文，那這些領域科學家工作會不會受到影響？

需要強調的是，科學界並不認可直接使用AI撰寫論文。

首先，我們要區分寫論文的兩種方式：“先由人類撰寫論文初稿，再由AI調整語句和表達”和“由AI生成論文初稿，再由人類優化”。這兩個寫論文的方式看起來只是順序顛倒了，但本質上卻是兩件完全不同的事情。

由人類科學家撰寫初稿的時候，對於數據的分析，對結果的討論完全是人類科學家展開的。即便是綜述型論文的撰寫，對於內容的整合討論和思考，也是科學家智慧的表達。而后續的AI優化，只是對語法、表述方式的優化。AI只是工具，不是作者。

但如果先由AI生成稿件，人類做修改，AI就成了作者。AI雖然能夠產出“看起來像那麼回事”的文字，但AI在生成論文內容的時候，並不會帶有“科學家的思考”，只是根據預訓練的內容生成文字，得出的結論可能是偏頗的、不合理的。

而更糟糕的是，AI在撰寫的論文會存在一些“莫名其妙”的錯誤。比如，AI會憑空捏造文獻，遵守學術道德的科研工作者在寫論文的時候不會存在這樣的問題。而對於一個直接用GPT生成論文的人來說，很可能也不會逐篇檢查文獻。這樣的論文投遞出去，純粹是浪費審稿人員的時間。

目前，很多期刊公司已經明確禁止把AI作為論文作者。比如《自然》和《科學》（Science）。愛思唯爾（Elsevier）、斯普林格（Springer）等知名的學術期刊出版公司，都發布了聲明禁止出現“AI作者”，對於論文中其他使用到AI的地方，必須注明使用方式以及AI模型版本。

同時，AI生成的圖片一般情況下也是不允許發表的（特殊情況下經過編輯允許可例外）。

因為 AI繪圖時候並不是對現實內容的精准還原。這在藝術創作領域並不是什麼嚴重問題，但科研論文中的圖片，必須真實嚴謹，因此，AI生成的圖片並不被允許。比如前段時間在學術界鬧得沸沸揚揚的“AI小鼠”圖片，就與科學事實嚴重不符，因而被撤稿。

當然了，學術期刊領域並不是絕對排斥AI技術。

比如，在愛思唯爾（Elsevier）公司的聲明中就提到，AI技術是可以用於提升論文的可讀性和優化語言表達的。而且使用檢查拼寫、語法和參考文獻的基礎性AI工具的時候，不需要做特別說明。

所以，在撰寫科學論文方面，AI並不會替代人類科學家，但可以提高科學家寫論文的效率。

2、AI參與論文評審

在科學論文領域，還有一項令科研人員頭疼的問題——同行評審。

科研人員在自己的研究工作之外，還需要評審同行的科研論文。隨著科研論文的增加，科研人員需要投入在同行評審上的時間也越來越多。

而現在，AI工具也開始出現在這一領域，幫科學家減輕負擔。比如，Penelope.ai工具，可以檢查稿件結構和參考文獻格式﹔StatReviewer可以用於檢驗數據和統計方法的可靠性。

另外，一種叫UNSILO的工具，可以提取論文的概要，方便人類科學家評審。

在AI參與同行評審問題上，AI可以參與多少，以及以何種方式參與還有待商榷。但可以確定的是，目前，絕大部分期刊的論文評審工作依然需要人類科學家完成。

美國國立衛生研究院（NIH）和澳大利亞研究委員會（ARC）都發表聲明，禁止科研人員使用AI生成同行評審內容。因為科研論文的評審會涉及專業的知識，而且論文中可能涉及敏感數據，上傳后可能存在數據泄露的風險。

AI直接介入科學研究相關工作

前面說到的都是AI作為輔助工具參與科學研究的情況。而在某些領域，AI起到的作用可能真的不亞於人類科學家。實際上，早在生成式AI興起之前，AI就已經在這些領域大放異彩了。

1、作為預測模型

DeepMind公司開發的蛋白質三維結構預測程序AlphaFold就是一個典型的例子。

長期以來，研究蛋白質的結構是一項重要但又困難的事情。因為蛋白質的三維結構決定了蛋白質的功能。但在過去60年的時間裡，人類總共觀察了17萬種蛋白質的結構，這還不到自然界中蛋白質總數的1%。

蛋白質是由氨基酸序列折疊形成的，科學家們也試圖找到氨基酸序列和蛋白質結構之間的關系。可這並不容易，因為氨基酸鏈在折疊的可能性太多了，如果用計算機遍歷所有可能的結構，尋找其中最穩定的，需要的時間會是一個天文數字。

這個難題與AI下圍棋時候要解決的問題很類似。於是，制作圍棋機器人AlphaGo、AlphaZero的DeepMind公司就利用17萬種已知的蛋白質數據制作了AlphaFold模型。

在2018年，AlphaFold在蛋白質結構預測上的准確度就超過了頂尖的人類科研團隊。在新冠疫情期間，AlphaFold2也參與了新冠病毒突刺蛋白的結構預測，並且共享了結果。

當然了，AI同樣可以用在其他預測模型上。

比如2023 年，谷歌利用AI繪制了50萬種化學分子的氣味圖譜，幫助人類理解化學分子和嗅覺之間的關聯。並且根據這樣的圖譜，科學家們可以按照目標氣味合成對應的化學物質。

在天氣預測領域，AI模型也有不錯的表現。比如天氣預測模型GraphCast可以在1分鐘之內預測未來10天的全球天氣，並且預測准確度比傳統的模型准確度更高，成本也更低。

2、作為重要處理工具

另外，AI對於數據的分析處理能力，同樣可以幫人類科學家更好地進行研究。通過訓練，AI可以在大量的數據中去除噪聲數據，讓科研人員獲得更可靠的信息。

以天文學研究為例，地面上的天文望遠鏡在拍攝星空照片時，會受到大氣層的干擾。過去為了排除大氣層的干擾，人們需要把望遠鏡發射到太空中去，比如哈勃望遠鏡、韋布望遠鏡。

而利用AI工具，科學家可以優化地面望遠鏡拍攝到的圖像，消除大氣層的干擾。而且應用深度學習的AI模型優化效果比傳統的方法更高。

另外，2019年科學家發布了一張黑洞照片，引起了全世界的關注。2023年，在AI模型PRIMO的幫助下，科學家優化了圖像。這樣更高分辨率的圖像，對於科學家更准確地估算黑洞的質量、大小以及物質消耗速率能起到幫助。

當然，除了對圖像去噪，AI的數據處理能力同樣可以應用在其他類型的數據中。可以說，在AI工具的幫助下，科學家們確實能拿到更多更好的結果，這對於科研人員來說是非常有價值的。

討論

從前面的應用中我們可以看出，在科學研究領域，人類科學家依然有著不可替代的作用。從科研思路的提出，到實驗方法的設計，再到進行實驗、分析數據，都需要人類科學家的智慧。

在生成式AI出現之后，人們雖然可以用它輔助優化文字、語法、表述，但論文的撰寫以及同行評審依然依賴人類科學家。

而即便是在AI預測蛋白質模型這樣的案例中，最終的觀察驗証還是要由人類科學家完成。且在這些模型中，AI雖然能夠做出預測，但AI的預測過程是一個“黑箱”，AI並不能夠解釋為什麼做出這樣的預測。對於蛋白質折疊的機理的探索，依然需要人類科學家完成。

但無可否認的是，在AI的幫助下，科學家解決問題的效率確實提高了。科學家們可以把注意力和時間更多地集中到更高維度的思考上。

目前，依然有不少科研領域還沒有AI參與，但正如哈佛商業學院教授卡裡姆·拉卡尼說到的，AI並不會取代人類，但使用AI的人類會取代不使用AI的人類。

科學研究工作，當然也是如此。

作者：中科院海洋所碩士田達瑋

審核：騰訊玄武實驗室負責人於旸

分享讓更多人看到