2026年9月，Google同Google DeepMind發布研究報告《AI in Science: Early Insights》，由Mihai Codreanu、Arthur Turrell等主導。研究基於三組數據：約1500萬條Gemini互動記錄、超過2600個跨學科專用AI模型清單，以及對600多名活躍科學家嘅問卷調查。呢份係目前就AI點樣實際進入科研流程、帶來效率變化嘅較早系統性實證研究。

核心問題好明確：AI究竟係咪一次性嘅技術工具，定可能成為「創新方法嘅創新」（Invention of a Method of Invention）？如果係後者，佢唔單止加快單個任務，仲可能持續提高科學發現嘅速率，從而影響長期經濟增長。

科學家已經大量使用AI

數據顯示，科學家喺AI使用上明顯呈超比例。相比就業份額，科學相關職業喺Gemini使用中嘅佔比大約係預期嘅2.7倍。調查顯示，近半受訪科學家話每日都喺工作流程中用某種形式嘅AI。

使用方式呈現出清晰分工：大型語言模型（以Gemini為代表）主要用嚟做通用任務——寫程式碼、統計分析、文獻整理、論文起草、教學同行政支援；而專用模型就集中做領域預測、生成同分類，例如蛋白質結構預測（如AlphaFold系列）、材料設計、天氣預報等。兩者係互補關係，而唔係簡單替代。

喺具體任務層面，分析與建模、研究成果溝通係LLM最常被調用嘅場景。電腦科學領域嘅使用密度最高，但其他學科都喺快速跟進。

生產力提升已經可見

調查結果中最醒目嘅數字係：74%科學家報告用咗AI後淨節省時間，平均每周大約慳7小時；只有6%報告時間減少。慳返嘅時間主要回流到研究本身。約47%受訪者表示產出增加咗10%或以上。

呢個唔係單純「寫得快啲」，而係因為假設生成、程式碼實現、初步分析等環節成本顯著下降，研究者可以將精力更多投入到真正需要人類判斷嘅部分。跨學科重組概念嘅現象都有增加——AI降低咗「借用其他領域思路」嘅門檻。

新瓶頸出現緊

效率提升嘅同時，研究流程嘅瓶頸發生咗轉移。當假設生成、建模變得相對「便宜」，驗證同實驗環節嘅壓力就跟住上升。

89%慳返時間嘅科學家表示，會將超過十分一嘅慳返時間用嚟檢查AI輸出；41%報告未測試假設嘅積壓增加。換句話講，AI放大咗「提出問題」嘅能力，但冇同步放大「嚴格檢驗問題」嘅能力。同行評議、實驗驗證、可重複性檢查等環節，正成為新嘅限制。

呢點引出一個重要風險：如果生成速度遠超驗證能力，文獻中可能會出現更多表面完整但實質薄弱嘅「sci-slop」（科學泡沫內容）。部分評論者已指出，AI生成內容對同行評議制度嘅衝擊，可能係目前最現實嘅負面影響之一。

對科學方法嘅深層含義

研究嘅早期判斷係：AI具備顯著提高科學生產力嘅潛力，每周慳7小時已經相當可觀。但佢係咪真係會成為「創新方法嘅創新」，仍然取決於後續能否突破驗證瓶頸。

如果只係加速現有範式下嘅常規任務，收益主要係水平提升；如果能夠系統性幫助科學家提出更好嘅問題、設計更有信息量嘅實驗、更加高效咁排除錯誤假設，先有可能改變發現嘅速率本身。現時證據顯示，我哋仍處於由前者向後者過渡嘅早期階段。

專用模型同通用大模型嘅分工亦提示咗一條可能路徑：未來AI科研助手唔應該淨係做「更快寫完論文嘅助手」，而應該更多擔當「挑戰者」角色——主動搵反例、測試假設