智能社会观察|AI 正在重塑科研劳动力市场

过去几年，科研人员最常问的问题是：

“AI 会不会取代我的工作？”

Nature 最新文章“What employers are looking for in the age of AI — and four ways to provide it”给出的答案更复杂，也更现实： 

AI 并没有直接替代科研岗位，而是重写了科研岗位的技能结构。

Indeed 的数据清晰显示： 

美国科学类岗位整体下降，但标注“AI”为必备技能的职位却在快速上升 。

这意味着什么？ 

意味着科研劳动力市场正在从“专业技能市场”转向“学习能力市场”。

更典型的例子来自英国 Quadram Institute： 这是一个专注食品科学和肠道生物学的机构，按理说与 AI 没有直接关系，但他们现在要求候选人必须具备机器学习与 AI 的基础理解，否则就是“红旗” 。

这不是个别现象，而是趋势。 

AI 正在成为科研岗位的“入场券”。

AI 时代的竞争力不是技能，而是“可验证的好奇心”

Nature 采访了多位科研招聘者，他们给出的最重要判断是：

未来科研人员最重要的能力不是掌握某个 AI 工具，而是愿意主动学习，并能在简历中证明这一点。

Mayo Clinic 的研究院长 Vijay Shah 说得很直接： 雇主最看重的是愿意“卷起袖子去学”，而不是某个具体技能，因为工具更新太快 。

如果你把招聘门槛设在某个具体工具（如 OpenClaw 或 AlphaGenome），这个门槛会很快过时 。

TileBio 的 CEO Christopher Walsh 也强调： 用大模型自学新知识非常容易，但关键是要验证来源 。

MIT 的 Regina Barzilay 则给出了一个非常形象的比喻： AI 就像厨房，你不需要学所有菜谱，但必须具备基础理解，就像你不需要成为计算机科学家才能用电脑 。

这背后反映的是一个深刻变化：

科研人员的竞争力正在从“掌握工具”转向“掌握学习方法”。

这对科研人员意味着： 你不需要成为 AI 专家，但你必须成为一个能快速学习 AI 的人。

这对科研机构意味着： 你不需要每个人都写模型，但你需要每个人都能理解模型。

这对科研服务行业意味着： AI 教育将从“课程”变成“基础设施”。

AI 是“取悦型系统”：科研人员必须理解 AI 的思维方式

AI 在科研中的最大风险不是“错误”，而是“看似正确”。

TileBio 的 Walsh 给出了一个非常关键的提醒： AI 会给你“它认为你想看到的结果”，它是一个“people pleaser” 。

这句话非常重要。 因为科研人员往往会被 AI 的“自信”所迷惑。

更严重的是，AI 给出的概率常常未经校准。 Barzilay 提醒：如果 AI 说“80%概率是癌症”，你必须问一句：“我能相信这个 80% 吗？”

MIT 的团队甚至发现 MIRAI 模型在乳腺癌风险分类上出现严重偏差，可能导致高风险人群被漏筛 。

Moderna 的工程师 Sydney Pham 的经验也很典型： AI 能解释异常实验结果，但她永远会用其他方法交叉验证 。

Oxford 的 AI 顾问 Dominik Lukeš 则指出： 真正能用好 AI 的科研人员往往花了数百小时理解模型的能力边界 。

这意味着：

科研人员必须理解 AI 的生成逻辑，而不是把 AI 当成“答案机器”。

未来科研人员的核心能力之一将是：判断 AI 的输出是否可信。

这将催生新的科研基础设施：

• AI 校准服务

• AI 风险管理咨询

• AI 结果验证工具

• AI 赋能型 CRO（合同研究组织）

科研团队的结构性变化：从“领域专家”到“AI-enhanced 专家”

Nature 指出： 现在几乎所有科研提案都写着“我们会用 AI”，但评审者并不相信，因为团队往往缺乏真正的 AI 经验 。

Cancer Research UK 的评审标准非常明确： 你必须能解释算法、限制、数据流程，并展示团队的 AI 能力，否则不会给钱 。

最有力的证明方式是：

• 在 AI 领域发表论文 

• 团队中包含具备 AI 专长的成员，但所有成员都需具备基础理解 

Ke Yuan 的团队是一个典型案例： 团队成员 Walsh 负责把病理学和细胞生物学知识翻译成代码，这种跨界能力成为团队的核心竞争力 。

CRUK 的评审者 Talisia Quallo 还强调： 科研人员必须掌握 prompting、验证 AI 输出、理解算法基础，这些都是未来科研人员的“硬技能” 。

这意味着：

科研团队正在形成新的结构：AI 专家 × 领域专家 × 混合型人才。

未来的科研人员不再是“领域专家”，而是“AI-enhanced 专家”。

Python 成为科研界的“第二英语”

Nature 的文章最后给出了一个非常现实的判断：

Python 已成为科学研究的默认语言。

Imperial College 的 Nick Jones 指出： Python 是 AI 的“胶水语言”，能让科研人员用简单代码触发复杂 AI 操作 。

Walsh 也强调： Python 的 glue libraries 能让科研人员快速迭代复杂实验流程 。

更有趣的是，I-X Centre 的生物学家 Laura Helleckes 给出了一个非常实用的学习方法： 让 AI 写一个简单程序（如 Pong 游戏），然后逐行拆解它 。

她说： “你不需要成为程序员，现在的 Python 很容易理解。” 

这意味着：

Python 将成为科研人员的基础设施语言，就像英语一样。

未来科研人员的最低技术要求将是：

• 会读 Python

• 会改 Python

• 会用 Python 调用 AI 工具

结语

未来的科研竞争力是“学习速度”

Nature 的文章给出的最重要启示是：

AI 时代的科研竞争力不是技能，而是学习速度。

你不需要成为 AI 专家，但你必须成为一个能快速学习 AI 的人。 你不需要掌握所有工具，但你必须具备理解工具的能力。 你不需要写模型，但你必须能判断模型是否可信。

未来的科研人员不是被 AI 替代，而是被 AI 放大。 未来的科研团队不是被 AI 重构，而是被 AI 增强。

AI 不是科研的终点，而是科研的新起点。

🧠「智能社会观察」该栏目可聚焦社会公众对AI的感知、偏见与文化反应，以洞见的方式探讨AI时代的人类心态与社会伦理。

✨ 智研前沿（Human-AI Inquiry）聚焦人工智能与人类社会的交汇地带。关注我们，一起洞察AI背后的社会逻辑。