2026年9月，Google与Google DeepMind发布研究报告《AI in Science: Early Insights》，由Mihai Codreanu、Arthur Turrell等领衔。研究基于三组数据：约1500万条Gemini交互记录、超过2600个跨学科专用AI模型清单，以及对600余名活跃科学家的调查。这是目前关于AI实际如何进入科研流程、带来何种效率变化的较早系统实证尝试。

核心问题很明确：AI究竟只是一次性的技术工具，还是可能成为“创新方法的创新”（Invention of a Method of Invention）？如果是后者，它将不仅加速单个任务，还能持续提高科学发现的速率，从而影响长期经济增长。

科学家已在大量使用AI

数据显示，科学家在AI使用上明显超比例。与就业份额相比，科学相关职业在Gemini使用中的占比约为预期的2.7倍。调查中，近半数受访科学家表示每天都在工作流中使用某种形式的AI。

使用方式呈现清晰分工：大语言模型（以Gemini为代表）主要用于通用任务——写代码、统计分析、文献梳理、论文起草、教学与行政支持；而专用模型则聚焦领域预测、生成与分类，例如蛋白质结构预测（如AlphaFold系列）、材料设计、天气预报等。两者形成互补，而非简单替代。

在具体任务层面，分析与建模、研究成果沟通是LLM最常被调用的场景。计算机科学领域使用密度最高，但其他学科也在快速跟进。

生产力提升已经可见

调查结果中最引人注目的数字是：74%的科学家报告使用AI后净节省时间，平均每周约节省7小时；仅6%报告时间损失。节省下来的时间主要回流到研究本身。约47%的受访者表示产出增加了10%或以上。

这并非单纯“写得更快”，而是假设生成、代码实现、初步分析等环节成本显著下降后，研究者把精力更多地投入到真正需要人类判断的部分。跨学科重组想法的现象也有所增加——AI降低了“借用其他领域思路”的门槛。

新瓶颈正在出现

效率提升的同时，研究流程的瓶颈发生了转移。当假设生成、建模变得相对“便宜”，验证与实验环节的压力随之上升。

89%节省了时间的科学家表示，会把超过十分之一的节省时间用于检查AI输出；41%报告未测试假设的积压在增加。换句话说，AI放大了“提出问题”的能力，却没有同步放大“严格检验问题”的能力。同行评议、实验验证、可重复性检查等环节，正成为新的约束。

这引出一个重要风险：如果生成速度远超验证能力，文献中可能出现更多表面完整、实质薄弱的“sci-slop”（科学泡沫内容）。部分评论者已指出，AI生成内容对同行评议体系的冲击，可能是当前最现实的负面影响之一。

对科学方法的深层含义

研究的早期判断是：AI具备显著提高科学生产力的潜力，每周7小时的节省已经相当可观。但它是否真正成为“创新方法的创新”，仍取决于后续能否突破验证瓶颈。

如果只是加速已有范式下的常规任务，收益更多是水平提升；如果能系统性帮助科学家提出更好的问题、设计更有信息量的实验、更高效地排除错误假设，才可能改变发现的速率本身。当前证据显示，我们仍处于前者向后者过渡的早期阶段。

专用模型与通用大模型的分工也提示了一种可能路径：未来AI科研助手不应只是“更快写完论文的助手”，而应更多承担“挑战者”角色——主动寻找反例、测试假设边界、指出证据缺口，从而提升整个研究过程