【AI 正在重塑科学：从“效率红利”到“验证税”的深层博弈】这份由 Google DeepMind 与 MIT 合作的深度报告，通过 1500 万条 Gemini 交互日志、2600 个专用 AI 模型及 600 余位科学家的实证调研，揭示了一个冷峻的现实：AI 并非简单地加速发现，而是在重构科研的权力结构与瓶颈。数据显示，科学家使用 AI 的频率远超其他职业，近半数受访者将其嵌入每日工作流。LLM（大语言模型）与专用模型（如 AlphaFold）已形成明确的“分工互补”：前者处理代码、撰写与文献综述，后者则在蛋白质结构预测、材料发现等垂直领域提供确定性预测。这种分工让科学家平均每周节省约 7 小时，科研产出呈现爆发式增长的预期。然而，效率红利的背后隐藏着显著的“产出税”与认知偏差。报告指出，科研瓶颈正从“假设生成”向下游的“物理验证”剧烈位移——AI 能量产无数高质量假设，但实验室的试管和临床资源却无法同步扩容，导致 41% 的科学家面临“未测试假设堆积”。更值得警惕的是，89% 的受益者必须支付沉重的“验证税”，将大量节省的时间用于核查 AI 的幻觉或错误。最深层的忧虑在于，AI 正在诱导科研的“路灯效应”：近半数科学家承认，为了适配 AI 的能力边界，他们倾向于选择更安全、增量式的课题，而非高风险、颠覆性的前沿探索。AI 降低了平庸研究的门槛，却未必缩短了通往诺贝尔奖的路径。ai.google /static/documents/AI-in-Science.pdf