生成式人工智能领域风起云涌，议论甚多。不少人会发出这样的感慨：照这样下去，自己被 AI 取代只不过是时间问题了。比如有不少青年科研工作者，有做生化环材诸“天坑”的，有做计算机科学研究的，其中也有几位，时不时调侃一句：“看样子，我这样的科学家大概也免不了被 AI 取代……”
这样的事情真的会发生嘛？这确实是一个非常有意思的问题。
首先可以肯定的是，在近 10 年里，AI 在科学领域也“成果颇丰”，并且 AI 的身影频繁出现在看似跟 AI 毫无关联的领域中。从生物化学领域的蛋白质结构预测，到气象领域的天气预测，从医学影像识别领域，到预测绘制化学分子的气味图谱，都能见到 AI 的身影。
总体来说，AI 在科学研究中的应用主要包括三个方面：第一方面是作为工具提升科学家工作效率，第二方面是参与到论文撰写和评审中，第三个方面是直接参与到科学研究中去。
要回答“ AI 是否会取代科学家？”，要先了解目前 AI 在这三方面的具体应用情况。
AI 辅助提升
科研人员工作效率
2023 年，《自然》杂志（Nature）进行了一项针对 1600 名科学家的调查研究，以了解科研工作者对生成式AI的使用状况和想法。
结果显示，有一半的参与者本身就是研究 AI 领域的研究者。如果排除这部分人群，在非 AI 领域的研究者中，也有超过一半的人会在科研工作中使用 AI。
研究人员使用 AI 情况，图片来源：参考文献
在科研人员眼中，生成式 AI 的优势可以利用在三个方向：辅助非英语母语的作者撰写论文（包括编辑和翻译）、用 AI 编写代码、用 AI 提炼论文内容以节省阅读时间。
生成式 AI（在科研领域）的优点，图片来源：参考文献
辅助非英语母语的作者撰写论文很好理解，生成式 AI 的英语内容生成能力，确实会比不少母语不是英语的人更“地道”。并且 AI 可以根据需求，将文章的表述调整得更接近科研论文风格。
而 AI 编写代码也可以大大减少研究者的时间，只要给出清晰的要求，诸如 GPT 之类的大模型就可以按照要求生成代码，并且可以对每一段代码的功能进行说明。
AI 编写代码不仅能帮助计算机专业的研究者，非计算机专业的研究者同样有编程需求（比如做生物信息分析），AI 编写代码确实可以大大提高工作效率，让研究者把智力和时间花费在自己更擅长更重要的事情上。
而今天，生成式 AI 提取摘要关键信息的能力已经非常优秀，并且可以根据要求，对论文的特定模块，比如“研究方法”“结果与讨论”等部分做更精确的信息提取。因此，用 AI 来“过滤”论文，确实可以节约时间。
但在这些应用中，AI 并没有直接参与科学研究，它更像是一本方便查询的字典或者称手的螺丝刀，能够帮助科研人员提高工作效率，而科学研究的核心工作还是由科学家来完成的。
AI 参与论文撰写和评审
1 AI 写论文
自 2022 年末 GPT 3.0 发布以来，生成式 AI 的内容撰写能力得到了人们广泛的认可。并且在一些中学和大学中，学生使用生成式 AI 来写作业、写小论文早已不再是什么新鲜话题。
但没有学校会鼓励这样的行为，毕竟，这样的“偷懒”行径不利于学生的思考和成长。
不过，在《自然》杂志的调查中，有些研究者也提到，可以使用 AI 来撰写论文稿件以节约时间，这就涉及到“用 AI 写论文”这件事了。
实际上，对于年轻科学家来说，写论文算是一个“基本功”性质的工作。而对于一些不需要做实验的研究领域，查资料写论文几乎占据了科学研究的绝大部分内容。如果 AI 可以写论文，那这些领域科学家工作会不会受到影响？
需要强调的是，科学界并不认可直接使用 AI 撰写论文。
首先，我们要区分写论文的两种方式：“先由人类撰写论文初稿，再由 AI 调整语句和表达”和“由 AI 生成论文初稿，再由人类优化”。这两个写论文的方式看起来只是顺序颠倒了，但本质上却是两件完全不同的事情。
由人类科学家撰写初稿的时候，对于数据的分析，对结果的讨论完全是人类科学家展开的。即便是综述型论文的撰写，对于内容的整合讨论和思考，也是科学家智慧的表达。而后续的 AI 优化，只是对语法、表述方式的优化。AI 只是工具，不是作者。
但如果先由 AI 生成稿件，人类做修改，AI 就成了作者。AI 虽然能够产出“看起来像那么回事”的文字，但 AI 在生成论文内容的时候，并不会带有“科学家的思考”，只是根据预训练的内容生成文字，得出的结论可能是偏颇的、不合理的。
而更糟糕的是，AI 在撰写的论文会存在一些“莫名其妙”的错误。比如，AI 会凭空捏造文献，遵守学术道德的科研工作者在写论文的时候不会存在这样的问题。而对于一个直接用 GPT 生成论文的人来说，很可能也不会逐篇检查文献。这样的论文投递出去，纯粹是浪费审稿人员的时间。
目前，很多期刊公司已经明确禁止把 AI 作为论文作者。比如《自然》和《科学》（Science）。爱思唯尔（Elsevier）、斯普林格（Springer）等知名的学术期刊出版公司，都发布了声明禁止出现“AI 作者”，对于论文中其他使用到 AI 的地方，必须注明使用方式以及 AI 模型版本。
同时，AI 生成的图片一般情况下也是不允许发表的（特殊情况下经过编辑允许可例外）。
因为 AI 绘图时候并不是对现实内容的精准还原。这在艺术创作领域并不是什么严重问题，但科研论文中的图片，必须真实严谨，因此，AI 生成的图片并不被允许。比如前段时间在学术界闹得沸沸扬扬的“AI 小鼠”图片，就与科学事实严重不符，因而被撤稿。
被撤稿的文献中用 Midjourney 生成的图片
当然了，学术期刊领域并不是绝对排斥 AI 技术。
比如，在爱思唯尔（Elsevier）公司的声明中就提到，AI 技术是可以用于提升论文的可读性和优化语言表达的。而且使用检查拼写、语法和参考文献的基础性 AI 工具的时候，不需要做特别说明。
所以，在撰写科学论文方面，AI 并不会替代人类科学家，但可以提高科学家写论文的效率。
2 AI 参与论文评审
在科学论文领域，还有一项令科研人员头疼的问题——同行评审。
科研人员在自己的研究工作之外，还需要评审同行的科研论文。随着科研论文的增加，科研人员需要投入在同行评审上的时间也越来越多。
而现在，AI 工具也开始出现在这一领域，帮科学家减轻负担。比如，Penelope.ai 工具，可以检查稿件结构和参考文献格式；StatReviewer 可以用于检验数据和统计方法的可靠性。
另外，一种叫 UNSILO 的工具，可以提取论文的概要，方便人类科学家评审。还有一些研究人员直接使用 Chat-GPT 之类的 AI 生成同行评审内容。
在 AI 参与同行评审问题上，AI 可以参与多少，以及以何种方式参与还有待商榷。但可以确定的是，目前，绝大部分期刊的论文评审工作依然需要人类科学家完成。
美国国立卫生研究院（NIH）和澳大利亚研究委员会（ARC）都发表声明，禁止科研人员使用 AI 生成同行评审内容。因为科研论文的评审会涉及专业的知识，而且论文中可能涉及敏感数据，上传到 Chat-GPT 可能存在数据泄露的风险。
AI 直接介入科学研究相关工作
前面说到的都是 AI 作为辅助工具参与科学研究的情况。而在某些领域，AI 起到的作用可能真的不亚于人类科学家。实际上，早在生成式 AI 兴起之前，AI 就已经在这些领域大放异彩了。
1 作为预测模型
DeepMind 公司开发的蛋白质三维结构预测程序 AlphaFold 就是一个典型的例子。
长期以来，研究蛋白质的结构是一项重要但又困难的事情。因为蛋白质的三维结构决定了蛋白质的功能。但在过去 60 年的时间里，人类总共观察了 17 万种蛋白质的结构，这还不到自然界中蛋白质总数的 1%。
蛋白质是由氨基酸序列折叠形成的，科学家们也试图找到氨基酸序列和蛋白质结构之间的关系。可这并不容易，因为氨基酸链在折叠的可能性太多了，如果用计算机遍历所有可能的结构，寻找其中最稳定的，需要的时间会是一个天文数字。
这个难题与 AI 下围棋时候要解决的问题很类似。于是，制作大名鼎鼎的围棋机器人 AlphaGo、AlphaZero 的 DeepMind 公司就利用 17 万种已知的蛋白质数据制作了 AlphaFold 模型。
在 2018 年，AlphaFold 在蛋白质结构预测上的准确度就超过了顶尖的人类科研团队。在新冠疫情期间，AlphaFold 2 也参与了新冠病毒突刺蛋白的结构预测，并且共享了结果。
当然了，AI 同样可以用在其他预测模型上。
比如 2023 年，谷歌利用 AI 绘制了 50 万种化学分子的气味图谱，帮助人类理解化学分子和嗅觉之间的关联。并且根据这样的图谱，科学家们可以按照目标气味合成对应的化学物质。
在天气预测领域，AI 模型也有不错的表现。比如天气预测模型 GraphCast 可以在 1 分钟之内预测未来 10 天的全球天气，并且预测准确度比传统的模型准确度更高，成本也更低。
2 作为重要处理工具
另外，AI 对于数据的分析处理能力，同样可以帮人类科学家更好地进行研究。通过训练，AI 可以在大量的数据中去除噪声数据，让科研人员获得更可靠的信息。
以天文学研究为例，地面上的天文望远镜在拍摄星空照片时，会受到大气层的干扰。过去为了排除大气层的干扰，人们需要把望远镜发射到太空中去，比如哈勃望远镜、韦布望远镜。
而利用 AI 工具，科学家可以优化地面望远镜拍摄到的图像，消除大气层的干扰。而且应用深度学习的 AI 模型优化效果比传统的方法更高。
地面望远镜拍摄到的照片逐渐去噪（左上为原始图像，右下为处理之后图片），图片来源：参考文献
另外，2019 年科学家发布了一张黑洞照片，引起了全世界的关注。当时，大家看到的是下图中左边的样子。2023 年，在 AI 模型 PRIMO 的帮助下，科学家优化了这幅图像，成了下图中右边图像的样子。
2019 年发布的黑洞照片（左）和经过 PRIMO 处理后（右）。图片来源，参考文献
这样更高分辨率的图像，对于科学家更准确地估算黑洞的质量、大小以及物质消耗速率能起到帮助。
当然，除了对图像去噪，AI 的数据处理能力同样可以应用在其他类型的数据中。可以说，在 AI 工具的帮助下，科学家们确实能拿到更多更好的结果，这对于科研人员来说是非常有价值的。
讨论
从前面的应用中我们可以看出，在科学研究领域，人类科学家依然有着不可替代的作用。从科研思路的提出，到实验方法的设计，再到进行实验、分析数据，都需要人类科学家的智慧。
在生成式 AI 出现之后，人们虽然可以用它辅助优化文字、语法、表述，但论文的撰写以及同行评审依然依赖人类科学家。
而即便是在 AI 预测蛋白质模型这样的案例中，最终的观察验证还是要由人类科学家完成。且在这些模型中，AI 虽然能够做出预测，但 AI 的预测过程是一个“黑箱”，AI 并不能够解释为什么做出这样的预测。对于蛋白质折叠的机理的探索，依然需要人类科学家完成。
但无可否认的是，在 AI 的帮助下，科学家解决问题的效率确实提高了。科学家们可以把注意力和时间更多地集中到更高维度的思考上。
目前，依然有不少科研领域还没有 AI 参与，但正如哈佛商业学院教授卡里姆·拉卡尼说到的，AI 并不会取代人类，但使用 AI 的人类会取代不使用 AI 的人类。
科学研究工作，当然也是如此。
