MIT 76页深度报告：AI加速创新马太效应，科学家产出分化加剧！缺乏判断力将被淘汰

197 0 0

文章摘要

MIT的Aidan Toner-Rodgers最近发布了一份76页的深度研究报告，探讨AI对科学发现和产品创新的影响。通过对一家美国大型企业研发部门的分析，研究显示AI辅助下科学家发现新材料的数量增加了44%，专利申请数量增加了39%，下游产品的创新率上升了17%。AI的应用显著提高了研发效率，但其效果在不同能力水平的科学家之间存在巨大差异，顶尖研究人员的产出近乎翻倍，而底部三分之一的科学家受益较少。AI自动化了57%的「创意生成」任务，使研究人员能够将精力重新分配到评估AI生成的候选材料上。顶尖科学家利用他们的领域知识来优先考虑有前景的AI建议，而其他人则浪费了大量资源在测试错误的结果上。

AI技术提高了科学家的工作效率，但也带来了工作满意度下降的问题，有82%的科学家表示工作满意度降低，主要原因是技能未得到充分利用和创造力的减少。尽管如此，参与实验的科学家普遍增加了对AI技术能增强生产力的信心，并有较大比例计划提升相关技能以适应未来工作的需求。

AI在研发的全链路都提高了创新性，生成的材料具有更独特的物理结构，专利更有可能引入新的技术术语，产生更有创造性的发明，提高了代表新产品线所占的比例，促进了研发向更加创新的方向不断前进。

研究将材料发现过程分为三类任务：创意生成、判断和实验。AI的引入使得科学家在创意生成上的时间投入大幅减少，而在判断和实验任务上的时间增加。判断力强的科学家测试的候选材料数量较少，但发现的可行化合物更多，他们学会了优先选择有前景的AI建议，而其他人则在测试错误建议上浪费了大量资源。

AI的引入也影响了科学家的工作满意度和对人工智能的看法。虽然AI提高了生产力，但也使得工作变得不那么令人愉快，因为重点转移到了不那么有趣的任务上。最常见的抱怨是技能未被充分利用，其次是任务变得缺乏创造性且更为重复。这些结果对AI主要会自动化枯燥任务、让人类专注于更有价值活动的观点提出了质疑。相反，AI自动化的正是科学家们最感兴趣的任务——为新材料创造想法。

实验室通过调整雇佣和管理来应对研究过程的变化，解雇了约3%的研究人员，并在此基础上通过增加招聘进一步扩大了团队规模。实验室重新设计了其招聘和解聘标准，优先考虑具备较强判断力的科学家。这些调整体现了勒沙特利原理，即随着时间推移，实验室能够对工具产生更强烈的反应，因为它可以重新优化更多的投入。