《自然》2月21日发表一篇调研报道，采访了40多位用AI搞科研的学界和业界人士。很多人提到，AI已经明显降低了对编写代码、处理基础数据人员的需求。这类工作以前多是研究生、博士后或非科班出身者承担；计算机建模等领域的初级岗位也受到冲击；科学论文翻译等周边工作的空间也在缩小。
岗位变化只是表面。AI对科研界的影响，更深的是改变了实验室里谁说了算，学什么有用，怎么算成绩。
一、不同实验室，危险程度不一样
做生物信息学的和做有机合成的，处境完全不同。前者主要对着电脑跑数据，AI能写代码、做分析，对人力的需求明显下降。后者要在实验室里动手，AI能预测反应路径，但真操作时，加料顺序、温度控制、处理意外，还得靠人手上的经验。
趋势很明显：电脑工作占比高的岗位，风险更大；动手环节多的，暂时更安全。
计算机辅助药物设计和药物化学就是一对例子。前者主要对着电脑跑模拟，后者在通风橱里做实验。前者这类编码密集型工作风险更大，后者这类动手实验相对安全。不是不需要计算了，而是纯执行层面的人需求少了，能判断方向、设计实验的人还在。
但安全区也在缩小。即便实验岗位，AI和机器人也在奋起直追。自动化设备正在接管一些原本需要经验的操作，动手做的优势，深度在降低。
二、学历正在贬值
岗位少了，学历通胀就失控了。
以前是本科生做实验、硕士生跑数据、博士生设计课题，阶梯很清楚。现在AI把阶梯压扁了，本科生用AI能独立完成以前硕士的数据分析，硕士能处理以前需要博士经验的建模。结果可能导致博士下沉抢硕士的饭碗，硕士下沉抢本科生的位置。
最难受的是高校青年教师。博士扩招后，毕业生数量快速增长，但高校教职岗位增长缓慢。他们普遍面临非升即走制度。预聘期内拿不到长期教职就得离开。过去，年轻学者的优势是能熬夜写代码、处理大数据；现在AI能辅助完成这些工作，他们的传统竞争力在削弱。
博士头衔还在，但议价能力在下降。博士去企业越来越多，但很多人发现，自己学的编码、建模技能，在企业里要么被AI工具替代，要么只是流程中的一环，难以体现学历溢价。
三、实验室里的权力
传统科研中，导师掌握知识、资源和方向，学生通过劳动换取技能培养。但AI改变了技能获取方式。过去需要多年训练才能掌握的编码、数据分析能力，现在借助AI工具，入门门槛大幅降低。这意味着，实验室里的技能分布不再严格按资历排列，新手也能快速产出原本需要经验积累的工作。
这意味着，实验室里的工作分配在变化。过去需要多年训练才能做的数据分析，现在借助AI工具，学生能更快上手。导师的角色也在调整，从手把手教技术，更多转向把握方向、审核结果、申请资源。
这种调整有风险。AI工具降低了技能门槛，但也降低了犯错门槛。学生可能在没有足够经验的情况下，过度信任AI的输出；导师如果审核不严，可能让错误流入最终成果。
过去学生通过反复试错、导师纠错来积累经验；现在AI能直接给出答案，跳过了摸索过程。学生可能更快产出结果，但少了对错误路径的感知，对方法的理解停留在表面。
四、评价体系
AI能辅助写论文，但高校评职称、申请基金的指标调整滞后。论文数量、影响因子、项目经费仍是硬杠杠。这让快速产出更容易，扎实验证更难。预测类研究（计算模拟、数据分析）借助AI能更快成文，而需要长期实验验证的基础研究周期不变。考核时，前者数量占优，后者深度占优，但现行体系更认数量。
评审专家也面临新挑战。AI能生成精美的图表和看似严谨的数据分析，短时间内很难核实其真实性。这增加了评审难度。形式规范的提案更容易过关，而形式简单但内容扎实的工作，可能因为看起来不够分量而被忽视。
结语
面对AI，两种极端反应都危险：要么全盘抵制，要么完全依赖。抵制不现实，AI已经嵌入科研流程。完全依赖更危险，把判断外包给机器，人就成了工具的使用者，而非问题的提出者。科研的本质是提出好问题、验证真假设、建立新连接。这些需要人的直觉、经验和跨领域联想，AI可以辅助，但不能替代。
这些能力难以标准化教学，目前AI也难以完全掌握。实验室的工作方式在变，能在新环境里立足的人，需要既能驾驭AI工具，又能提出真问题。知道什么值得做，什么只是看起来热闹。技术会变，但好的科研始终需要人的判断。
作品声明：仅在头条发布，观点不代表平台立场
热门跟贴