MIT与谷歌发布AI科研报告：假设生成加速，实验验证成新瓶颈

Google、Google DeepMind与MIT FutureTech联合研究团队发布了40页报告《AI在科学研究中的应用：初步观察》（AI in Science: Early Insights），试图系统评估AI进入真实科研场景后带来的变化。报告使用的三组数据规模少见：约1500万次匿名Gemini交互记录、覆盖不同学科的2690个专用科学AI模型，以及对美国和英国637名活跃科学家的调查，范围横跨物理、计算机、生命科学、医学和社会科学。

从结果看，AI带来的变化呈现明显的两面性。接近四分之三的受访研究人员表示AI确实为自己节省了时间，平均每周接近7小时（报告另处给出约6.9小时）。但与此同时，超过四成的科学家发现科研瓶颈正在向工作流下游移动；41%的受访者表示手中积压的待验证假设比过去更多。

这意味着，AI可以越来越快地产生候选答案，但实验、验证和现实数据采集并不会同步提速。当前端不断加速，越来越多的假设开始堆积在难以扩容的环节。

AI在科研中的渗透程度已经相当高。在637名受访科学家中，约46.6%的人每天都会使用某种形式的AI，另有约30.6%每周使用。报告发现，六类研究密集型职业贡献的Gemini使用量，是其就业人口占比所对应水平的约1.8倍；如果只看生命科学、物理科学和社会科学等核心科研岗位，这一比例进一步升至约2.7倍。研究团队还从约1500万次匿名Gemini交互中，识别出约36万次可能直接与真实科研任务有关的对话。

AI进入科学的方式早已超越“让聊天机器人润色论文”的阶段。在Gemini的科研交互中，占比最高的任务是定量数据分析与建模，约占42%，之后是科研成果沟通和写作；研究人员还会用它处理研究代码、统计分析、文献综述、实验流程乃至项目管理。

另一套更专精的科学AI体系也在迅速壮大。报告整理的2690个科学模型，覆盖了开放学术数据库OpenAlex全部26个科学大类以及83%的细分学科，从预测蛋白质结构的AlphaFold，到基因组分析、材料发现、医学影像诊断以及天气预测模型，承担高精度的预测、分类、模拟与生成任务。通用大模型与专用模型并未出现彼此替代的局面：从粗粒度任务标签看两者似乎都在做“数据分析”，但把科研流程拆开后，功能重叠迅速减少。它们更像一种互补分工——大语言模型逐渐成为串联科研流程的通用操作界面，各类专业模型则深入学科内部承担垂直任务。