如果你对人工智能在科研中的理解，还停留在“帮我润色论文”“总结几十篇文献”“帮我写一段Python代码”，那么你很可能已经低估了正在发生的变化。

2026年9月21日，《Nature》发表专题文章 AI co-scientists are revolutionizing how research is done，文章讨论的重点已经不再是AI能否帮助科研人员提高效率，而是一个更深层的问题：当AI开始进入提出假说、设计研究、分析复杂数据和解释结果这些传统上被视为“科学家核心能力”的环节时，科学研究本身会发生什么变化？

这里有一个非常值得注意的词：AI co-scientist。它不是普通意义上的AI assistant，而是“AI共同科学家”。这意味着，AI在科研中的角色正在从被动工具向主动参与者转变。过去，研究人员先提出问题，再让计算机帮助处理数据；现在，一些AI系统已经能够主动阅读大量文献、生成多个假说、比较不同解释之间的优劣、寻找反例，并根据批评不断修改自己的研究方案。

这不是对未来的想象，而是已经开始发生的事情。

 

 

从一个癌症难题开始：AI提出了一个人类没有想到的方向

《Nature》的文章首先讲述了Whitehead Institute博士生Anna Pertl的故事。她研究的是癌症领域极其重要的靶点MYC。MYC是一种参与细胞生长和增殖调控的蛋白，在许多肿瘤中异常活跃，因此长期以来一直被认为是一个极具价值的抗癌靶点。然而，MYC同时也是一个出了名难以直接药物化的目标，如何有效抑制它，几十年来一直困扰着肿瘤研究人员。

Pertl所在实验室长期研究一种被称为“生物分子凝聚体”的细胞结构。简单来说，一些调控蛋白可以在细胞核中形成类似液滴的聚集体，从而集中控制某些基因的表达。研究人员发现，癌细胞可能利用这类凝聚体，持续激活包括MYC在内的关键致癌基因。传统思路因此很自然：既然这些凝聚体有助于维持MYC表达，那么能否把它们破坏掉？

Pertl把这个问题交给了Google开发的Co-Scientist系统，希望看看AI是否能给出新的研究思路。起初，系统并没有表现得多么惊艳，甚至对问题本身产生了错误理解。研究人员花了接近一个小时，不断修正它对生物学背景和实验目标的认识。（这一点非常重要，因为它提醒我们，今天的AI并不是“输入问题，直接得到真理”，它依然非常依赖人类对问题边界的准确设定。编者注）

真正有意思的部分发生在后面。问题被重新定义后，Co-Scientist在一夜之间分析了700多篇论文，生成了108种可能策略，并通过不断比较、批评和筛选逐渐压缩候选方案。最终，它提出了一种与研究人员原有直觉几乎相反的方法：不是把这些凝聚体拆散，而是把它们“粘得更紧”。

AI建议利用化学交联等方式，使参与MYC调控的蛋白结构失去原本的动态性。理论上，如果这些凝聚体被过度固定，它们反而可能无法继续有效支持基因转录，从而达到抑制MYC表达的目的。这个想法目前当然还不能被称为一种成熟疗法，它首先只是一个需要实验验证的科学假说，但它真正有价值的地方在于，这个方向不是简单复制已有论文，而是AI在跨越大量文献后重新组合出来的。

这恰恰触及了人工智能对科研最深层的潜在影响：它不只是帮助你更快地找到答案，而是开始帮助你提出过去没有想到的问题。

 

AI真正的优势，不只是“读得快”

很多人会把AI科研系统的优势理解成“能快速读很多论文”。这当然是事实，但并不是最重要的部分。真正的变化在于，AI可以同时尝试大量互相矛盾的研究路线，而人类研究者通常只能沿着其中少数几条路径推进。

一个实验室的PI可能有五名博士生、三名博士后和若干合作研究人员。无论这个团队多么优秀，每个人的注意力、时间和专业知识都有限。一个研究者很难同时完整掌握肿瘤生物学、结构生物学、有机化学、药理学、统计学和计算科学的所有最新进展，更不可能每天系统比较几十种假说。

AI agent系统改变的恰恰是这一点。一个AI可以负责检索文献，另一个专门提出假说，第三个负责寻找反例，第四个负责检查某个机制是否与已有实验冲突，第五个再根据前面的批评修改方案。整个过程更像一个不会疲劳、可以无限复制的虚拟研究团队。

因此，未来一个实验室的基本结构可能会发生变化。今天我们习惯的是“1名PI加若干博士生和博士后”，而未来可能变成“1名PI、几名核心科研人员，再加上几十个甚至几百个AI research agents”。这些AI分别负责文献检索、数据挖掘、机制推演、统计分析和方案反驳，最后再由人类科学家决定什么值得继续推进。

如果这种模式真正成熟，它改变的就不只是科研效率，而是科研的组织方式。

 

AI两天走完了科学家几年走过的路

《Nature》文章中还有一个非常值得关注的案例。Imperial College London的研究人员长期研究细菌遗传物质如何跨物种传播。这个问题涉及复杂的微生物遗传机制，研究团队经过多年实验，逐渐提出了一套机制解释。

随后，他们做了一个很有意思的测试：不把自己的实验结果告诉AI，只让Google Co-Scientist利用公开发表的数据和文献，从零开始分析同一个科学问题。结果，AI大约用了两天时间，得出了一个与研究团队经过多年研究形成的机制高度相似的解释。

这并不意味着AI在两天内“完成了几年实验”。两者并不能简单等同，因为实验验证依然需要时间、资源和真正的实验操作。但是，它说明AI可以极大压缩科研最前端的假说搜索过程。过去一个团队可能要花数年时间逐步排除错误方向，AI未来可能帮助研究者更快进入最值得验证的那几条路径。

一位研究人员因此用了一个非常形象的比喻：如果科学发现是一场100米赛跑，那么AI未必替你把整场比赛跑完，但它可能让你直接从30米处起跑。这个比喻非常准确，因为它指出了AI当前真正强大的地方——不是完成最后的证明，而是减少大量早期摸索。

对于许多科研领域来说，这种“少走弯路”的价值可能非常巨大。

 

当数据大到人类无法完整阅读时，AI的优势更加明显

AI在科研中的另一个天然优势，是它几乎不怕数据太多。现代生命科学、天文学、材料学和气候科学都产生了海量数据，很多数据库已经大到没有任何一个研究人员能够真正逐行检查。

Stanford和FutureHouse的研究人员曾经把一个包含约3000万行数据的分子相互作用数据库交给AI系统Kosmos，让它寻找人类可能忽略的规律。系统最初同样犯了错误，对某些数据标签理解不准确，甚至忽视了一个关键变量。研究人员发现后进行了纠正，AI随后继续分析，并找到了一种此前未被充分注意的癌细胞相关模式，研究人员又在独立数据中进行了验证。

这个案例很有代表性，因为它同时展现了AI科研的两个面向。第一，它能够处理人类几乎不可能完整浏览的数据规模；第二，它仍然会犯非常基础的错误。两者并不矛盾。

因此，今天最可靠的模式不是“把科研完全交给AI”，而是建立一种新的合作结构：人类科学家负责问题定义、关键假设、结果判断和实验验证，AI负责大规模搜索、模式发现和方案生成。谁把这种分工做得更好，谁可能就更有优势。

 

AI正在改变科研，但改变得最快的可能是科研人员的价值结构

过去，我们判断一名科研人员是否优秀，常常看他会不会查文献、会不会做统计、会不会写代码、会不会画图、会不会写论文。这些技能当然仍然重要，但其中越来越多的环节正在被AI快速压缩。

2026年发表在《Nature》的一项大规模研究分析了超过4000万篇自然科学论文。研究显示，使用AI辅助科研的科学家在论文产出、引用和职业进展等方面出现了明显的统计关联。需要强调的是，这类研究不能简单理解为“用了AI就能多发三倍论文”，因为使用AI的科研人员本身可能就具有不同的研究条件、资源和能力，但这些数据至少说明，AI已经开始真实影响科研生产率，而不是停留在概念层面。

于是，一个非常重要的问题出现了：当查文献越来越便宜、写代码越来越便宜、数据分析越来越便宜，甚至提出假说也越来越便宜时，什么反而会变得更加珍贵？

答案很可能是判断力。或者说，能够驾驭AI的研究者，才是真正能从AI中受益的科学家；不能驾驭AI的，正在被淘汰。而这个驾驭力，正是长期刻苦钻研和深入洞察后的结果。

AI只会让强者更强、弱者连工作都找不到。

 

未来真正稀缺的能力，首先是提出一个值得研究的问题

AI可以很容易给出十个、五十个甚至一百个研究方向，但它并不真正知道哪些问题值得一个团队投入未来五年。它也无法轻易判断，哪个问题即使解决了，也不会改变任何临床实践或科学理论；哪个问题看起来不起眼，却可能打开一个全新的研究领域。

因此，未来最重要的科研能力之一，可能不再是“把一个任务完成得多么熟练”，而是“能不能定义一个正确而重要的任务”。

过去很多年轻科研人员的训练重点，是学习如何执行成熟的科研流程：怎么做PCR、怎么跑Western blot、怎么写R代码、怎么进行统计分析。未来这些能力仍然需要，但它们可能逐渐成为“基础设施型能力”。真正拉开差距的，很可能是你是否知道应该研究什么。

这其实是一个很深的变化。AI让“答案”越来越便宜，却可能让“好问题”变得越来越昂贵。

第二种越来越重要的能力，是识别AI什么时候错了

今天的AI有一个非常危险的特点：它经常能够把错误答案写得非常像正确答案。尤其是在科研中，一个逻辑完整、引用丰富、语言专业的解释，很容易给人一种“这应该是真的”的错觉。

但科学不是语言表达能力竞赛。一个机制听起来漂亮，并不意味着它符合真实生物学过程；一个统计结果显著，也不意味着研究设计没有偏倚；一个AI引用了20篇论文，也不意味着这20篇论文真的支持它的结论。

这意味着，在AI时代，专业知识不是变得不重要，而是可能变得更加重要。如果你完全不理解一个领域，就很难知道AI什么时候在胡说八道。过去科研人员需要知识，是为了自己完成工作；未来科研人员还需要知识，是为了监督一个能力极强、但并不完全可靠的系统。

这是AI科研中一个非常重要的悖论：你可能越来越少亲自做很多技术工作，但你却越来越需要真正理解这些工作。

第三种能力，是把漂亮的AI假说变成可验证的科学

AI可以提出一个非常漂亮的理论，但真正的科学仍然必须回到验证。它是否可以被实验重复？是否有独立数据支持？是否存在更简单的解释？实验设计是否真正能够区分两个竞争假说？

这也是为什么很多研究人员反复强调“Trust, but verify”。AI可以成为非常强大的科研伙伴，但任何关键结论都不能只因为它“看起来合理”就被接受。

从这个角度看，AI不会让实验科学失去意义，反而可能让实验验证变得更加重要。因为当生成假说的成本急剧下降以后，科学界真正的瓶颈可能从“没有想法”，转移到“如何可靠地验证大量想法”。

未来一个实验室可能一天产生几十个候选机制，但真正能进入实验验证的仍然只能有少数几个。谁拥有最好的判断体系，谁就更可能从AI生成的大量可能性中找到真正重要的那一个。

 

一个值得警惕的问题：年轻科学家还会不会真正学会科研？

AI对科研最大的风险之一，可能并不是生成错误信息，而是改变科研训练本身。

很多资深科研人员真正的判断力，并不是来自教科书，而是来自长期而低效的训练过程。你读了几百篇论文以后，才慢慢知道哪些实验设计值得相信；你分析了几十个失败的数据集以后，才逐渐形成对异常结果的直觉；你亲自做坏过很多实验，才真正知道实验体系中有哪些变量是论文方法部分不会告诉你的。

这些过程很慢，甚至很痛苦，但正是在这些过程中，人类形成了科研判断力。

如果下一代博士生从第一天开始，就让AI帮助读论文、写代码、分析数据、生成假说、解释结果，那么一个新的问题就会出现：他们也许会更快地产出论文，却未必经历足够多的错误和失败，从而形成真正的科学直觉。

Nature此前曾经讨论过一种风险，叫作“理解的幻觉”。当AI给出一个极其完整、语言流畅的答案时，人很容易误以为自己真正理解了问题。但“能够读懂一个AI解释”与“真正理解这个科学体系”之间，往往还有很大的距离。

这可能成为未来科研教育最难解决的问题之一。

 

AI甚至可能让科学整体变得更“窄”

还有一个更值得思考的现象。2026年一项Nature研究发现，AI使用与单个研究人员更高的产出和引用相关，但AI增强型研究整体上却更倾向于集中在已有数据丰富、文献密集的研究方向，研究主题的覆盖范围反而有所收缩。

这并不难理解。AI最擅长从大量已有信息中寻找模式，因此天然更容易在数据丰富的领域表现出色。相反，那些数据非常少、文献稀疏、甚至问题本身还没有被清晰定义的新领域，反而可能不容易从AI中获得立即收益。

如果这种趋势持续下去，就可能出现一个有趣的悖论：每个科学家都跑得更快，但整个科学界未必探索了更多方向。

因此，未来真正有价值的科学家，也许不仅要善于利用AI，还要敢于进入AI最不舒服的地方——信息不足、数据稀缺、问题定义模糊、没有标准答案的领域。

 

AI会不会取代科学家，其实并不是最重要的问题

至少从今天来看，AI距离完全独立完成科学研究还有很远。它仍然需要人类定义问题，需要人类检查数据，需要人类识别错误，更需要真实实验去验证它提出的假说。

但如果因此认为AI只是一个高级搜索引擎，同样会严重低估这场变化。因为AI已经开始进入科学发现最核心的几个环节：阅读知识、连接知识、提出假说、筛选机制、分析数据和设计下一步研究。

真正值得科研人员思考的问题，不是“AI什么时候会不会取代我”，而是“当其他科研人员已经开始把AI当作研究伙伴时，我还在用什么方式做科研”。

未来，一个研究者可能同时拥有几十个AI助手。它们可以帮你扫描整个领域的文献，可以帮你提出大量假说，也可以帮你检查数据中的异常模式。但最终，最关键的问题仍然必须由人来回答：这些问题里，哪个真正重要？这些答案里，哪个值得相信？这些结果里，哪个值得投入下一年去验证？

人工智能正在改变科学研究，而且这种改变很可能比过去任何一种科研软件都更加深远。它真正重新定义的，不只是“科研怎么做”，而是“什么样的科研人员最有价值”。

当知识检索、代码编写、数据处理、文献总结甚至假说生成都越来越廉价以后，真正稀缺的能力可能重新回到科学最本质的地方：提出重要的问题，保持独立判断，并知道什么值得被验证。

这可能才是AI时代，科学家真正需要准备的事情。

---

 

---

参考文献：

https://www.nature.com/articles/d41586-026-02931-5