AI 正在从科研工具变成科研基础设施:医学研究者该先补哪一课?

「麦伴科研MaltSci」

AI让科研更高效

最近的变化，不只是又出现了一个更强的 AI 模型。

7 月 22 日，OpenAI 发布了一份关于国家科学的说明，提出要把前沿模型与科学家、大学、国家实验室、超级计算机和研究设施连接起来，并将 AI 从研究者使用的工具，推进到科研基础设施的一部分。

同一天，NIH 介绍了 Bio Genesis Mission。这个项目把 AI、先进计算、生物医学数据、临床转化和研究治理放在同一个框架里，目标是在未来 5 到 10 年内加快从生物医学发现到健康影响的过程。

这些内容首先是美国的国家科研计划，不等于所有研究机构已经完成了类似转型。但它至少说明，在政策和科研组织层面，AI 的位置正在发生变化：它不再只是研究者打开浏览器后使用的一个工具，而开始被放进数据、计算、实验设施、研究团队和治理体系里一起规划。

AI 进入科研基础设施，变化在哪里

如果只是把一个聊天窗口接入论文检索和写作，它仍然是单点工具。

基础设施的含义要更具体一些：研究者提出问题之后，系统能够接触什么数据，调用哪些计算资源，连接哪些实验或分析工具，产生哪些中间结果，最后由谁复核和负责，这些环节需要被组织成一条可重复的链路。

OpenAI 在这份说明中提到的内容，已经不只是模型调用，还包括 Codex 使用额度、API 支持、超级计算机上的推理模型、实验设施以及生物科学评估。NIH 的 Bio Genesis Mission 也把科学数据资源、先进计算、临床基础设施和治理能力放在同一套科研生态中讨论。

这和“AI 会不会写文章”不是一个层面的问题。

第一层变化：研究问题要先变得可执行

模型越强，越不能只给它一个模糊目标，然后期待它自己完成全部研究。

“研究某疾病的最新进展”不是一个完整任务。至少需要继续明确：

• 研究对象是谁；

• 关注哪一种疾病阶段或临床场景；

• 暴露、干预或分组是什么；

• 结局和时间范围是什么；

• 想得到综述、证据表、研究假说，还是一个可分析的数据集；

• 哪些结论必须回到原始研究确认。

如果这些内容没有被拆开，AI 可能会生成一份文字完整的报告，但研究者很难判断它到底回答了什么问题。

未来真正能接入科研基础设施的，不会只是“更会聊天”的模型，而是能够理解任务边界、调用对应数据和工具，并留下可检查中间结果的系统。

第二层变化：证据不能只停在一段总结里

医学研究最需要的不是一段听起来完整的话，而是这段话能不能回到证据。

一份可进入科研流程的材料，至少应该保留：

1）检索的主题和范围；

2）使用过的数据库或文献来源；

3）纳入和排除某项证据的理由；

4）每篇研究的对象、设计、主要结果和局限；

5）不同研究之间是否存在冲突；

6）哪些内容是原始研究支持的，哪些只是推测或研究假说。

这也是 AI 科研工具和普通问答之间的差别。问答的终点是一段回答，科研工作流的终点应该是一组能够被复核、修改和继续使用的中间材料。

如果团队中的另一个人无法根据这些材料理解“结论从哪里来”，那它还不能算是一条稳定的科研流程。

第三层变化：AI 的价值会从生成速度转向流程连接

过去评价一个 AI 工具，常常看它能不能写得快、总结得像、画图是否好看。

这些能力仍然有用，但它们只是流程中的一段。真正进入科研现场后，研究者更关心的是：

• 文献能不能从检索直接进入阅读和比较；

• 研究假说能不能继续连接到实验设计；

• 数据清理、统计分析和图表制作能不能保留分析依据；

• 论文中的每个关键结论能不能找到对应来源；

• 结果能不能进一步进入基金、汇报或投稿材料；

• 下一位团队成员能不能接着上一次的工作继续做。

这意味着，科研 AI 的竞争不只是在模型之间竞争，也是在工具、数据、文件和研究者之间建立连接。

医学研究团队最先要补的，不是提示词

1. 把研究问题写成可以检查的任务

不要从“帮我研究一下某疾病”开始，而要写清楚研究对象、时间范围、结局、比较对象和预期产出。

这一步决定了后面应该检索文献、分析数据库、生成假说，还是制作研究流程图。

2. 把证据来源组织起来

研究团队需要知道一条结论来自哪篇原始研究，原始研究使用了什么人群和方法，当前数据能不能支持同样的表述。

这比让 AI 把十篇摘要压缩成一段话更重要。

3. 把中间产物留下来

一次问答、一次文献阅读、一次数据分析，不应该只留下最终答案。检索词、筛选结果、证据表、分析设定、图表版本和修改记录，都可能成为下一次工作的起点。

只有中间产物能够留下来，团队才可能把个人使用变成可复用的研究能力。

4. 把人工复核写进流程

AI 可以帮助研究者查找、整理、比较和生成，但研究设计、数据定义、统计方法、机制解释和最终结论仍然需要由研究者确认。

特别是涉及临床数据、患者隐私、未公开结果和可能影响医疗决策的研究时，谁能查看数据、谁负责验证、出现错误后如何纠正，都不能由模型默认决定。

对普通研究团队来说，应该从哪里开始

不必一开始就追逐最复杂的模型，也不必马上改造整个实验室的系统。

可以先挑一个频率最高、边界比较清楚的任务，做一轮小规模测试：

第一步，固定输入

例如固定使用研究主题、摘要、纳入标准和时间范围，而不是每次随意输入一段描述。

第二步，固定输出

明确这次要得到的是文献清单、证据表、研究报告、机制图，还是一份可继续编辑的汇报材料。

第三步，保留过程

把检索范围、入选文献、关键判断、生成版本和人工修改记录保存下来。

第四步，设定检查点

在进入下一步之前，确认来源、研究对象、时间顺序和结论边界是否正确。

第五步，评价是否真的节省了工作

不要只看生成速度。还要看人工返工多少、错误是否容易发现、团队成员能否复用、最后的文件能否直接进入论文或汇报。

AI 不会自动替研究团队建立科研能力

把 AI 放进科研基础设施，并不意味着研究者可以把问题、判断和责任一起交出去。

相反，系统越深入地连接数据、代码、文献和实验设施，研究团队越需要知道每一步发生了什么：输入是否完整，证据是否可靠，分析是否适用，输出是否超出了研究设计能够支持的范围。

OpenAI 在相关说明中也强调，研究者仍然要定义问题、选择方法、质疑输出并验证结果。NIH 对 Bio Genesis Mission 的描述同样把数据保护、政策和治理放在基础设施建设之中，而不是把它们留到系统上线以后再补。

这可能是医学研究者面对 AI 时最应该先补的一课：不是先学会更多提示词，而是先把自己的研究任务拆清楚，把证据和中间产物留下来，再决定哪些步骤适合交给 AI 辅助。

AI 真正进入科研基础设施之后，最先改变的可能不是论文最后那几页文字，而是研究团队从提出问题、组织证据到验证结果的整个过程。

参考资料

• OpenAI：Advancing the next era of national science，2026-07-22。

• NIH：Bio Genesis Mission，页面标注更新于 2026-07-22。