“量产”不一定意味着低质量。就像您喜爱的衣物，其面料多为批量生产，若所有面料都手工编织，您将无法拥有如此精美的服饰。
得益于人工智能（AI）的飞速发展，我们即将步入一个高质量科学研究能够以低成本“量产”的时代。这不仅限于对现有知识的总结，更包括根据需求生成全新的分析、图表和结论。当然，AI也将以前所未有的规模生产低质量科学，因此，区分高质量与低质量成果将是未来的关键挑战。 但如果我们能解决这一问题——即在海量产出中识别出可靠且重要的结果——那么科学研究的产出数量和质量都将达到前所未有的高度。
对于科学的消费者而言，包括公众、医疗患者和技术用户，AI带来的影响无疑是积极的。然而，对于科学生产者——即科学家们——其影响将是颠覆性的，正如工业化大规模生产对传统手工业者所造成的冲击。科学家们发表和交流工作的方式很可能彻底改变，他们评估、资助和提拔人类研究人员的方式也将随之调整。一些现有的工作岗位将消失，而另一些尚未命名的角色将应运而生。
为了更好地理解即将到来的变革，我们可以考察AI驱动研究进展最快的纯数学领域。2024年5月20日，OpenAI宣布其一个尚未发布的AI模型解决了一个长达80年的纯数学猜想。该AI解决方案利用了人类专家此前未曾发现的、来自不同数学子领域的方法。人类数学家们普遍认为该解决方案有效，并具备在顶级期刊发表的水平。
有充分理由相信，AI在纯数学领域的表现将持续提升：由于数学证明可以被自动验证，AI能够通过强化学习进行训练，而不受限于人类生成训练数据的制约。因此，在未来几年内，AI在纯数学方面的能力极有可能超越所有人类，就像几十年前国际象棋领域发生的那样。
那么，实验生物学，尤其是神经科学领域又将如何呢？艾伦研究所（Allen Institute）和国际脑实验室（International Brain Lab）等机构已经发布了大量高质量数据集，这些数据集所能回答的问题远超目前的使用范围。诸如国际脑实验室AI智能体（International Brain Lab AI agent）等工具，已经能让科学家在几分钟内得出此前未曾发表的结论。例如，如果我有一个事实性问题——比如特定脑区神经元是否对视觉刺激有反应——很快，与其搜索文献，不如直接让AI智能体从开放数据中计算出来更为便捷。该智能体还能帮助我理解问题中可能未曾预料到的细微之处，例如细胞类型和行为状态的影响，并能交互式地为我量身定制答案。
这些工具带来的一个重要影响，尤其对于神经科学这样多样化且分散的领域，可能是通过整合不同的数据集来生成新型结论。多年来，资助机构一直鼓励或强制要求开放数据和代码，科学家们也大体上遵守了这一要求；例如，DANDI档案库（DANDI Archive）已包含超过1000个数据集。然而，这些资源的使用率相对有限。即使数据格式已标准化，使用新的数据集仍需要研究人员投入大量的认知成本，使得整合数十甚至数百个数据集变得不切实际。如果AI智能体能够自动化这一过程，同时还能记录数据技术细节（如数据质量的注意事项），那么全新的数据整合项目将变得可行且成本低廉。
最大的挑战将是确保AI研究成果的可靠性。早期的AI模型常会“幻觉”出听起来可信但实际上错误的陈述。在数学领域，可以通过形式证明验证来确立真理。实验科学虽然没有直接的等效方法，但拥有一套强大且百年历史的工具包来限制错误推断：严格的统计方法、预注册分析和随机实验。然而，研究人员并非总能充分利用这些工具。例如，预注册在神经科学领域仍然罕见，而且科学家们常常从同一数据集中得出截然不同的结论。在AI时代运用经典统计方法可能需要新的实践。将数千个独立的AI智能体应用于一个完全开放的数据集，似乎很容易导致工业规模的P值操纵（p-hacking）。机器学习竞赛通常通过发布公共数据集供探索和训练来解决此问题；组织者随后使用私有数据集评估参与者的算法。类似的方法也可能适用于科学研究——一个公共数据集供研究人员使用AI探索和提出假设，以及一个私有数据集来验证这些假设。
首先是方向的指引。至少在近期，人类仍将在AI加速研究的方向上发挥主导作用：决定哪些问题值得探索，以及如何分配资源。这种局面将持续到AI在理解人类希望回答哪些科学问题方面超越人类为止。
其次是概念的提炼。科学家们通常从一个不完全定义、直观的问题开始项目，只有在接触数据后，问题才变得精确。将最初不精确的直观想法转化为可以科学回答的精确概念，哲学上称之为“阐明（explication）”。在神经科学中，即使是编码、相关性和活动等简单概念也存在多种定义，选择不同的定义可能会改变问题的答案。当前的AI模型可以提供帮助，但尚未达到人类的水平。在AI超越人类的这种推理能力之前，人类将继续在概念提炼过程中发挥作用。
第三是实验的执行。“闭环”AI驱动的实验工作已在化学领域通过机器人实现，并在神经科学领域基于计算机设计的感官刺激展开。然而，涉及动物行为的完全自主实验似乎仍遥远：即使AI设计了实验，在机器人技术进步到超越人类进行物理实验的能力之前（这目前看来还需要很多年），仍需要人类亲自动手。
第四是结果的验证。适当的统计方法，例如对预留数据进行预注册的验证性分析，可以确保拒绝零假设的可靠性。然而，大多数科学消费者阅读的是文字结论，而非精确的零假设陈述。目前，统计分析是否真正支持结论的确认工作由作者和同行评审员共同完成，其中作者有动机做出最大化的主张。在读者信任AI超越信任人类来区分真相与炒作之前，人类在验证科学成果方面的作用将持续存在。事实上，鉴于AI智能体有时间检查所有主张背后的数据和代码，它可能会比人类同行评审更加严谨。
第五是信息的筛选。科学论文的发表速度早已超过任何个体阅读的速度。科学重要性是主观的，但期刊编辑、同行评审员和引用次数在帮助读者辨别哪些论文值得花时间阅读方面发挥着重要作用。随着AI加速研究产出，这一过程正面临越来越大的压力；事实上，这可能是我们当前体系中第一个“崩溃”的部分。同行评审员越来越多地使用AI，即使这违反了期刊指南。在读者信任AI超越信任人类来指导他们阅读感兴趣的内容之前，人类在判断科学研究质量和重要性方面的作用将持续存在。此外，AI最终或许能够为每位读者提供个性化的同行评审，考虑到他们的偏好以及对何为优秀研究的看法。
最有可能的是，在科学量产时代，人类的主要角色将是那些我们目前尚无法用语言描述的工作。例如，量产科学可能使治疗此前因罕见而不值得大量研究投入的疾病成为可能。理解受影响患者和家庭最需要什么，可能永远需要人类的触及。 如果加速的科学产出淹没了我们当前的评审和筛选系统，那么人类可能会在为期刊读者、技术人员、政策制定者和公众辨别好坏研究方面，产生新的角色。
对于织物生产商而言，前景则不那么乐观。一些职业表现更好，另一些则更糟，其方式难以预料。纺纱业在18世纪60年代实现工业化，比织布业早了几十年。纺纱工的命运开始衰落，但手工织布工却迎来了“黄金时代”，高需求和廉价原材料吸引了新的从业者。然而，手工织布的繁荣是短暂的，在19世纪初随着动力织机的安装而告终。这一转型对许多人来说是艰难的，引发了一段社会、政治和经济动荡时期；一些人试图通过破坏新机器来逆转潮流，但技术带来的经济变革无法阻挡。相反，全新的职业应运而生，例如土木工程师、铁路工人以及数量不断增长的白领办公室职员。
今天的科学家们正面临类似的转型时期。纯粹的数学家可能很快就会步纺纱工的后尘，无法与能在极短时间内完成所有工作的机器竞争。生物学家和其他实验科学家可能会经历一个类似于织布工的短期繁荣。AI科学的效率可能导致科学投资激增，例如，随着此前无法治疗的疾病变得可治愈。这不仅会给患者带来益处，还可能导致对生物学劳动的需求增加，至少在这些角色也被自动化之前。预测这将需要多长时间，就像1790年一样困难。 可能是30年，30个月，甚至30周。