MIT的Aidan Toner-Rodgers博士基于其研究成果发表论文Artificial Intelligence, Scientific Discovery and Product Innovation，该论文通过深入的实验证据，展示了AI对科学发现和产品创新的巨大潜力，同时揭示了AI在改变科学家工作方式、重构科研流程以及提高科研效率方面的深远影响。AI不仅能够提升研发效率，还能激发更为独特和突破性的创新，但同时也带来了如何在保持生产力的同时不失去创造性的问题。
以下为论文概要内容：
1. 研究背景与目标
本论文旨在探索人工智能（AI）在科学发现和产品创新过程中的作用。近年来，深度学习和人工智能技术在各个领域的应用不断发展，尤其是在需要大量数据驱动的科学发现领域，如药物开发和材料科学。然而，关于这些工具在实际研发环境中的影响，人们的认知仍然有限，特别是涉及到研发瓶颈、组织摩擦或者模型的可靠性问题。这些因素往往限制了AI工具在科研过程中的有效性。
论文重点研究AI工具对材料科学研发的影响，尤其是对材料发现、专利申请和后续产品创新的影响。研究对象为某美国大型公司材料科学实验室中的1018名科学家，涉及材料科学在医疗、光学以及工业制造中的应用。传统上，这些科学家通过反复试验来发现新材料，这一过程既昂贵又耗时。而AI工具的引入则部分自动化了这一过程，通过对已有材料的结构和特性进行学习，AI模型能够生成符合指定属性的新材料“配方”。
研究的问题不仅涉及AI工具能否加速科学发现的速度，还涉及这些工具如何影响创新的方向，以及它们是如何改变科学家的工作方式的。特别关注的是AI在创新过程中的角色：是对人类专家的替代，还是对人类知识和能力的增强？
2. 实验设置与方法
2.1 实验设计
为了评估AI技术对科学创新的影响，研究者对美国一家大型公司材料科学实验室的1018名科学家进行了随机实验。实验对象被随机分为三个波次，每个波次大约六个月引入AI工具，实验从2022年5月开始，一直到2024年6月结束。
- 实验分组：研究团队将1018名科学家随机分为三个波次，使其逐步接触AI工具。每组科学家在不同时间段使用AI工具，这种分组方式使研究人员能够通过对比受处理组与未受处理组的差异，清晰地识别出AI工具的效果。
- 研究场景：实验场景设在一个专注于材料科学的R&D实验室，该实验室在医疗、光学和工业制造领域进行材料的研究和开发。科学家们具备高级学位，涉及化学、物理和工程领域。传统的材料发现依赖于概念化潜在材料结构并测试其特性，而AI工具通过学习已有材料的数据，生成新材料的建议，科学家再对这些建议进行评估和合成。
2.2 数据收集与测量
- 材料数据：研究收集了候选化合物、合成材料以及最终材料的相关数据，包括化合物的物理结构（原子和化学键的组成与几何排列）以及材料在不同条件下的特性测试结果。通过这些数据，研究人员能够分析新材料的质量以及AI工具对材料发现过程的具体影响。
- 科学家活动数据：科学家必须详细记录其工作任务及所花时间，平均每名科学家每周记录7.8次，共有超过160万条记录。研究者利用大语言模型对这些文本数据进行分类，将科学家们的任务划分为“想法生成”、“判断”以及“实验”等类别，进而量化AI对不同阶段工作的影响。
- 问卷调查：为了了解科学家对AI工具的看法，研究者还对所有科学家进行了一项15分钟的调查，调查内容包括科学家对AI工具的看法、其对评估AI生成候选材料的技能的自我评价、以及AI对工作满意度的影响。
2.3 AI工具
- 图神经网络（GNN）：实验室的AI工具是基于图神经网络（GNN）的模型，用于生成预测特定目标特性的化合物。GNN能够将材料表示为原子和化学键的多维图，通过学习物理规律，进而推断出大规模的特性。
- 三阶段训练流程：该模型的训练分为三个阶段：首先是基于已知材料结构的预训练，其次是基于特定应用的材料特性进行微调，最后使用科学家们对AI生成化合物的实验结果进行强化学习。模型采用了一种基于扩散的方法，通过逐步去噪的方式从已知结构中生成新材料。这使得AI能够提出具备目标特性的稳定材料，但也需要科学家对其进行评估、改进和测试，以确保这些材料能够应用于实际。
3. 主要研究结果
3.1 AI对材料发现、专利申请和产品原型的影响
- 新材料发现：AI工具的引入使得科学家新材料的发现数量增加了44%。相比传统手段，AI辅助科学家发现的材料结构更为新颖，揭示了AI工具对材料质量的提升。
- 专利申请与产品创新：AI生成的新材料直接导致专利申请数量增加了39%，同时使得后续产品原型开发增加了17%。专利中引入的新技术术语也显著增加，这表明这些发明具有更强的创造性。
- 研发效率：AI工具显著提高了R&D的效率，使每单位研发投入的产出提高了13%到15%。
3.2 科学家能力差异对AI工具影响的调节作用
- 生产力差异：AI对科学家的影响呈现显著的两极分化，尤其是对于生产力水平最高的科学家，其产出几乎翻倍，而对低生产力的科学家，AI带来的益处则有限。通过对科学家能力的分类分析，研究发现，AI工具主要在“候选材料评估”这一环节产生影响，而这一环节恰恰需要科学家的专业判断力。因此，顶尖科学家能够利用AI生成的候选材料优先选择最有前景的化合物，而生产力较低的科学家在评估和优选方面的能力有限，往往浪费了大量资源在测试不切实际的候选上。
- 技能的重要性：评估AI生成材料的能力与科学家在AI工具引入前的生产力呈显著正相关。这表明AI工具并非简单地取代了人类专家的能力，而是提升了专家在特定领域（如判断候选材料潜力）中的作用。
3.3 AI对科学家工作的重新定义
- 工作任务的自动化与再分配：AI工具自动化了57%的“想法生成”任务，使科学家更多地将时间用于评估AI生成的候选材料。AI的引入导致科学家用于想法生成的时间从接近一半减少到不到16%，而用于评估候选材料的时间则增加了74%。
- 工作满意度的下降：尽管AI显著提高了生产力，但82%的科学家报告他们对工作的满意度有所降低，主要原因是创造力的减少以及技能未得到充分发挥。科学家们普遍感到AI取代了许多原本需要人类创新的环节，尽管整体生产效率提高，但个人的创造性价值被削弱。
4. AI对创新性质的影响
- 突破性创新的增加：AI的引入使得新材料的原创性有所提升，发现的新材料在物理结构上与已知材料有显著差异，这表明AI有能力探索设计空间中以前未被探索的区域。AI生成的新材料不仅具备较高的独特性，其专利文件也显示出更多的新技术术语，这些新术语往往是突破性技术的标志。
- 对“街灯效应”的反驳：关于AI可能加剧科学发现中的“街灯效应”的担忧，即AI可能更倾向于搜索那些已有的、易于理解的区域，而忽视高价值的未知领域。然而，本研究的结果表明，AI不仅加快了创新速度，还显著增加了创新的独特性，说明AI工具在材料科学领域并未仅限于探索熟悉的领域。
5. 科学家对AI的看法
为了更好地理解科学家对AI工具的态度，研究者对他们进行了问卷调查，结果显示：
- 技能的重新定义：大多数科学家认为，AI工具改变了他们的工作方式，特别是在如何评估候选材料方面，那些在该领域有丰富经验的科学家能更好地利用AI工具。而背景经验不足的科学家在判断AI生成材料的质量时面临较大挑战。
- 工作幸福感：尽管AI带来了更高的生产力，但科学家对工作内容的满意度下降了44%。调查显示，即便是那些AI带来的“赢家”，也普遍报告因为创造力的减少和技能未能得到充分利用而感到不满意。
6. 更广泛的影响与未来展望
- 对创新过程的影响：AI的引入显著改变了创新过程中的劳动分工，传统上科学家们依赖个人经验和知识进行新材料的设计，而AI则通过自动化这一过程，显著提升了新材料的发现效率。同时，AI工具的成功应用也表明，通过组织适应和人力资源的调整，能够进一步放大AI工具带来的积极影响，例如优先招聘具备评估能力的科学家。
- 适用性与扩展性：虽然该研究集中于材料科学领域，但其结论可能适用于其他需要探索广阔技术空间的领域，如药物开发、基因组学、气候学等。这些领域的共性在于基础原理是已知的，但复杂性使得寻找具体的实现路径极为困难。通过AI对复杂数据的特征提取和模式识别，这些领域中的研究过程可能迎来重大变革。
- 对科研人员的影响：随着AI对科研的深远影响，科研人员的技能需求也在发生变化，科学判断和评估能力变得越来越重要。如何适应这一变化，并在新的科研环境中保持创造力和专业技能，是科学家们面临的重大挑战。