20万次科研会话揭示真相：AI重塑科研，科学发现或将迎来数倍加速

人工智能正在悄然进入科学研究的日常工作流程，但它究竟在帮助科学家做什么？哪些领域已经大量使用AI？哪些最重要的科学工作仍然难以交给机器？一份基于超过20万次科研使用会话、覆盖34个科学领域和7262项科研任务、并结合528名科研人员问卷的研究报告，给出了迄今最系统的一份观察。这份研究的价值不在于展示AI又攻克了某个难题，而是从真实使用数据出发，描绘AI在科研流程中的渗透地图，并推演它未来可能把科学发现的速度推到什么程度。

科研加速的潜力与天花板

研究结果首先呈现出一幅不均衡的图景：AI已经进入科研，但不同学科的使用程度差异巨大。按领域科研人员规模比较，计算机科学、数学、统计学等形式科学的使用比例显著更高，而医学以及依赖大量实验室操作的自然科学相对较低。科研人员最常使用AI的环节是数据分析和写作，而不是提出新假设或采集数据。更耐人寻味的是，当被问及哪类任务对形成重要科研成果最关键时，科学家把「创意构思与假设生成」排在第一位——这恰恰是AI目前使用最少的环节之一。

为什么会出现这种错位？报告构建了一套任务级的「理论AI能力评分」，通过两两比较不同科研步骤是否适合AI完成，汇总成相对评分。结果显示：理论AI能力排名前20%的任务，如数据可视化和统计检验，其AI使用程度相对于科研人员投入时间高出约2至4倍；而排名后20%、尤其是包含大量物理操作的任务，使用程度极低。进一步分析发现，强化学习适用性与理论AI能力评分的相关系数高达0.78——越容易通过可验证反馈训练AI的任务，模型能力往往越强，科研人员也越倾向于使用它。

从多年产业实践经验来看，这一发现对企业和科研机构的AI落地同样具有启发意义。第一，AI的采用深度取决于任务结构与模型能力的匹配度，而非组织投入多少预算。计算密集型、以文本和代码为载体的工作最容易接入AI，而涉及物理操作、人际互动和监管限制的环节，短期内仍需人来主导。第二，专用工具正在改变AI的角色边界。通用助手更多承担分析与写作，而能连接专业数据库与工具、把分散步骤整合成连续工作流程的专用产品，可以承接更长、更复杂、更自主的任务——报告中专用科研工具的会话里，假设生成占比达到通用产品的两倍，超过八成使用需要博士级别的专业背景。第三，落地节奏受制于技术扩散规律：组织需要围绕AI调整工作流程、职责与基础设施，生产率收益才会真正显现，这提醒决策者把变革管理放在与技术选型同等重要的位置。

在加速潜力推演方面，报告设置了三个情景：现有AI能力被广泛采用时，AI可承担一项研究所需科研人员时间的27%至52%，中位数约38%，高计算型领域的产出可能接近翻倍；当AI能自动完成75%的非物理科研步骤时，计算机科学产出可能达到原来的约8倍；而在全部非物理步骤都可自动化的高度假设情景下，统计学、计算机科学、经济学等领域的产出可达当前的约15至16倍。但化学、生物学等依赖实验室的领域，提升仍只有3至4倍——约占科研时间40%的物理步骤是无法绕开的瓶颈。科学家自身的预期也呈现分层：超过半数受访者预计2027年前AI可独立达到顶尖研究者的数据分析水平，但只有约40%认为AI能在2030年前独立完成完整科研项目，约一半认为自主做出重大科学突破要到2035年之后。这组数字共同指向一个结论：软件可以加速的部分会加速得很快，而真实世界的实验环节将成为决定科研速度的新天花板。

这份研究告诉我们，AI重塑科研的进程已经真实开始，但收益分布极不均衡：计算型领域率先受益，物理实验与「提出好问题」构成新的瓶颈。对任何组织而言，AI落地的成败不取决于模型有多强，而取决于任务结构、工作流程与基础设施能否与之协同演进。科学这艘驶向无尽前沿的船，正在换上新的引擎。