夜雨聆风
论文题目：《科学中的AI》发表期刊：NBER Working Paper No. 34953, 2026年3月作者背景：Ajay K. Agrawal (多伦多大学Rotman管理学院，NBER研究员)；John McHale (爱尔兰高威大学)；Alexander Oettl (佐治亚理工学院Scheller商学院，NBER研究员)
AI会不会让科学发现突然加速？这篇论文把科学活动拆成问题生成、想法生成、设计生成和测试几个环节，讨论 AI 在每个环节究竟能做什么、不能做什么。
作者的核心判断是：AI 更像一种增强工具，而不是完整自动化机器。它能显著扩展科学家在组合空间中的搜索能力，但这种增益并不均匀，而是取决于数据是否丰富、目标函数是否清晰、人类判断是否仍然关键，以及科学家是否具备使用 AI 的互补技能。
· AI如何改变科学的知识生产函数，并进一步影响科学生产率？
· AI在问题生成、想法生成、设计生成和测试等科学流程阶段中的作用是否相同？
· 当 AI 能够增强搜索和预测能力时，人类判断、AI技能培训和组织设计还会在哪些环节决定最终效果？
模型设定：
作者以知识生产函数为基础，将 AI 视为帮助科学家在组合空间中搜索的增强工具，而不是替代科学家的完全自动化工具。
关键机制：
文章把科学过程拆分为多个阶段，并强调 AI 的回报存在“锯齿状前沿”：在数据丰富、目标明确、可计算搜索空间较清晰的任务中，AI 更容易产生高回报；在数据稀疏、需要溯因推理和情境判断的任务中，人类判断仍然关键。
研究设计：
作者进一步引入任务模型，区分“普通科学家”和“AI专家科学家”。AI 的外生改进并不会自动转化为全体科学家的同等生产率提升，增益会受到 AI 专家科学家占比、技能培训和组织设计等互补性投资的放大或限制。
1.AI在科学中的影响呈现“锯齿状前沿”。
· 在蛋白质结构预测、分子设计等数据丰富且目标较清晰的任务中，AI 可以显著提升设计和搜索效率。
· 在问题生成、理论构建和异常解释等任务中，AI 能辅助模式发现，但难以替代科学家对“什么值得追问”的判断。
2.人类判断仍是 AI 科学应用的核心互补品。
· 论文强调，在涉及溯因推理、情境细微差别和权衡取舍的科学任务中，判断不是简单预测，而是对实际与可能世界状态的实践意义作出辨别。
· 这意味着 AI 的作用不是把科学家从流程中移除，而是让科学家在更大的搜索空间里更有效地提出、筛选和验证想法。
3.AI带来的生产率增益取决于互补性投资。
· 任务模型表明，AI 技术进步对科学生产率的影响具有非线性特征，并会被 AI 专家科学家的比例放大。
· 因此，技能培训、组织流程重组和科研机构对 AI 工具的吸收能力，会共同决定 AI 是否真正转化为科学发现速度的提升。
这篇论文的贡献在于，它把“AI会不会改变科学”拆解为更可分析的问题：AI在哪些科学环节更像高效搜索工具，在哪些环节仍依赖人类判断。对科研机构和政策制定者而言，真正重要的不是简单购买 AI 工具，而是围绕技能、流程和组织结构进行互补性投资。
文献原文可后台回复关键词 “资料分享” 进入交流群自取~
