近期，麻省理工学院（MIT）的一项研究揭示了人工智能（AI）在科研领域的双刃剑效应。该研究的主导者，经济学博士生Aidan Toner-Rodgers，经过四年的深入探索，发现AI的介入虽极大地推动了科学发现与创新的步伐，但同时也加剧了科研人员之间的能力差异。
在这项实验中，AI的助力使得专利申请量激增39%，产品创新数量也提升了17%。然而，这一显著的增长并未惠及所有科研人员。相反，它引发了科研界内部的广泛焦虑。数据显示，只有前10%的顶尖科研人员能够充分利用AI，其研究产出增加了高达81%。而团队中表现较差的三分之一成员，则几乎没有从AI中受益。
AI之所以表现出这种“偏心”，原因在于顶尖研究人员凭借深厚的专业知识和敏锐的洞察力，能够迅速识别出AI生成的高潜力候选材料。相比之下，经验较少的研究者面对AI产生的大量数据时，往往感到无所适从，导致大量时间被浪费在无效的摸索上。
这种差距不仅源于学识的深浅，更在于评估AI建议的能力。这一无形的新门槛，使得科研领域的“马太效应”愈发显著。AI工具让强者变得更强，弱者则更加边缘化。
AI的加入虽然带来了科研效率的“量变”，但并未给科研工作者的工作体验带来“质”的变革。实验中，AI显著缩短了创意生成的时间，从原来的39%减少到16%，但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%。这导致高达82%的科研人员工作满意度大幅下降，他们认为AI工具加重了评估负担，而没有使工作变得更轻松。
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，53%的人则认为工作变得越来越机械化、缺乏创造性。部分科研人员甚至悲哀地感到，自己多年的科研训练在AI的协助下变得无用武之地。
值得注意的是，这项研究的发起者Aidan并非AI研究者，而是一名经济学学生。经济学与人工智能在研究上存在诸多交叉，尤其是在分析经济增长、收入分配、市场竞争、创新问题和就业问题时，都无法回避人工智能的影响。
实验依托一家大型公司的研发实验室进行，为期四年，旨在测试AI在新材料发现上的实际作用。通过随机分配，1018名研究人员被分成三组，逐步接触基于AI的新材料发现技术。研究团队的工作流程包括生成候选化合物、初步评估、测试最有潜力的化合物，以及申请专利和推动产品创新。
实验结果显示，AI提高了13-15%的研发效率，辅助研究人员发现了44%以上的新材料，导致专利申请增加39%，产品原型创新增加17%。然而，AI并未显著减少科研工作量，反而改变了任务结构，使得判断任务占比激增。
AI的广泛应用还引发了科研界的焦虑。原本以为AI会让所有科研人员受益，但事实却并非如此。AI带来的优势加剧了科研领域的“贫富差距”，使得强者更强，弱者更弱。顶尖研究人员凭借更强的判断力，能够更快地筛选出优质材料，而缺乏判断力的研究人员则难以有效筛选AI生成的候选材料。
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。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，还需要跨学科的技能。实验室也重新调整了人员结构，解雇了部分判断能力较弱的研究人员，并通过增加招聘来弥补这一偏差。
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”的趋势令研究人员面临前所未有的职业焦虑，担心他们的技能无法适应AI的“改造”。未来，研究人员与AI之间的关系应为共生关系，而非替代关系。AI可以专注于基础性预测与筛选任务，而研究人员则保留在“终端评估”的角色，以确保科研成果的创造性和实用性。
