在所有科研相关岗位中，纯认知类的基础工作受到的冲击最为直接。这类工作以信息处理、逻辑推导和标准化输出为核心，恰好契合当前人工智能的能力边界。弗吉尼亚大学的经济学家 Anton Korinek 表示，纯粹的认知类岗位会最先被替代，而这类岗位传统上与科研工作的关联最为紧密，它们被 AI 接管的速度正在加快。麻省理工学院的机械工程师 Xuanhe Zhao 说得更为直接，计算机建模等领域部分基础岗位的淘汰不是未来的事情，它正在当下发生，因为 AI 在这些工作上的表现已经远超入门级科研人员。
AI “渗透” 的科研
最典型的是科研编程与基础数据分析岗位。过去很多实验室会专门聘请研究程序员，负责编写代码工具包供其他科研人员使用，也会安排初级研究人员承担数据整理、常规分析等工作。随着 AI 代码生成能力的提升，这类岗位的需求正在快速萎缩。斯坦福大学计算生物学家 Brian Hie 直言，这类专门的研究程序员岗位如今已经过时。威斯康星大学麦迪逊分校的计算生物学家 Hannah Wayment-Steele 也表示，如果是五年前搭建自己的实验室，她会认为聘请一名研究程序员是很有必要的安排，但现在她完全看不到这样做的必要，即便是复杂度较高的编码工作，AI 也可以胜任。
这种变化已经影响到了学术人才招聘的整体节奏。德克萨斯大学奥斯汀分校的材料工程师 Nanshu Lu 提到，团队在招聘研究生科研助理和博士后时态度比以往保守很多，造成这种情况的原因除了经费的不确定性，AI 的影响是确定的因素之一。岗位收缩不仅出现在高校实验室，产业界的相关基础岗位也在同步缩减。当 AI 可以更低成本更高效率地完成标准化认知工作时，用人单位自然会减少对初级人力的依赖。
科研周边的相关岗位也受到了明显冲击，其中学术翻译领域的变化最具代表性。随着 AI 翻译工具的效果提升和普及，美国翻译协会旗下科技分部的会员规模，在不到两年半的时间里下降了百分之二十六。很多曾经依靠翻译科研文献、临床试验文件为生的从业者，不得不面临职业转型。有人转向了医学口译岗位，负责医患之间的口语翻译，也有人彻底离开了这个行业，转行做起了外卖配送之类的工作。行业整体需求的下滑，是这批从业者不得不面对的现实。
基础岗位的持续收缩，还带来了一个容易被忽略的长期隐患，那就是科研人才培养管道的断裂。本科学生、研究生和实验室技术员的入门岗位，原本是科研人才成长的必经台阶，很多资深研究者都是从这些基础工作做起，逐步积累经验走向更深层的研究。德克萨斯大学奥斯汀分校的计算生物学家 Claus Wilke 指出，从短期来看，AI 确实可以提升单位科研经费的产出效率，但代价是人才输送管道的坍塌，最终会导致整个行业的长期衰退。没有了新鲜血液的持续补充，再高效的工具也无法支撑科研事业的长远发展。
并非所有科研岗位都面临被替代的风险。从目前的技术水平来看，需要动手操作的实验类岗位，以及需要原创思考的高级研究岗位，仍然拥有难以被 AI 突破的护城河。很多研究者都认同，亲手开展实验的工作，在相当长的一段时间内都不会被 AI 大幅影响。伦敦大学学院的量子物理学家 Jonathan Oppenheim 表示，AI 在很长一段时间内都不会对实验人员的工作产生太大冲击。
从科研数据获取有意义的数据表征
自动化实验室和 AI 机器人虽然已经出现，但还远达不到替代人类实验员的程度。很多精细的实验操作需要灵活的应变能力和丰富的经验判断，自动化设备暂时无法完成。更重要的是，AI 系统很难独立解读复杂的实验结果，尤其是出现预期之外的现象时，人类的经验和直觉仍然不可替代。结构生物学领域的情况很能说明问题，AlphaFold2 已经可以高精度预测很多蛋白质的结构，这项能力曾经被认为会彻底取代结构生物学家的工作。但 2026 年 2 月发布的一项预印本研究显示，劳动密集型的人工蛋白结构成像方法仍然在被广泛使用。
这项研究的作者，弗吉尼亚大学的经济学家 Jerry Qian 分析，很多人工解析的蛋白质，恰恰是 AI 工具难以准确预测的类型。这说明科研人员正在主动调整研究方向，转向那些人类更具比较优势的问题。AI 并没有让科学家变得无关紧要，而是推动科研从业者把精力投入到更有价值也更难被自动化的工作中。这项预印本虽然还没有经过同行评审，但它呈现的趋势和很多一线研究者的感受是一致的。
除了动手实验的能力，提出原创想法和判断研究方向的能力，也是当前 AI 无法企及的核心价值。很多研究者都会用 AI 工具辅助论文编辑、文献总结甚至模拟审稿，但涉及到真正的科学创新，AI 的表现仍然有限。Jonathan Oppenheim 自己就会用 AI 生成稿件的模拟审稿意见，他认为这些反馈有一定帮助，但 AI 没办法真正提出新颖的研究思路。决定研究什么问题，判断一个方向有没有价值，这些科研最核心的决策，目前仍然只能由人类科学家完成。
即便是对 AI 能力持更乐观态度的研究者，也认同人类在创意环节的不可替代性。威斯康星大学麦迪逊分校的计算机科学家 Karu Sankaralingam 认为，头脑风暴研究方向的最佳方式是人机结合，因为假设生成的过程需要人来设计精细的提示词，引导 AI 输出有效的内容。他自己会花费大量时间打磨提示词，这样才能尽可能避免 AI 出现幻觉，生成不符合事实的内容。
图自unsplash
也就是说，AI 可以成为创意的放大器，但不能成为创意的源头。当然也有不同的观点，Anton Korinek 就认为，即便是资深的研究岗位，如果核心工作是纯认知内容，同样会受到冲击，他预测数学领域的研究者在下一个学年就会明显感受到 AI 的影响。不过很多数学家并不认同这个判断，双方的争议也说明，高级认知岗位的替代门槛远高于基础岗位。
AI 对科研行业的影响，不只是简单的岗位替代，更在于推动整个科研范式的重构。从最初的辅助工具，到现在可以参与部分研究环节，再到未来可能实现更多流程的自动化，AI 正在一步步融入科研的全链条。2023年发表在《自然》的一篇综述文章就系统梳理了 AI 在科学发现中的作用，研究团队来自全球多个顶尖高校和科研机构，涵盖了计算机、生物、物理等多个学科。
整合AI工具到实验及模拟设计
这篇综述指出，AI 已经渗透到科研工作的各个阶段。在数据处理层面，AI 可以从海量观测数据中提取有价值的特征，提升数据表征的质量。在假设生成层面，AI 可以辅助研究者探索更广阔的假设空间，发现人类容易忽略的规律。在实验与模拟设计层面，AI 可以优化实验方案，提升模拟的精度和效率。从天气预报、电池设计到药物筛选、化学合成规划，AI 已经在众多领域展现出提升科研效率、拓展探索边界的潜力。这些应用不是要取代科学家，而是让科学家从繁琐的重复劳动中解放出来，把精力放在更核心的创新工作上。
2026年出现的 AI 科学家系统，让人们看到了科研全流程自动化的可能性。这套系统可以在仅给定研究方向的情况下，独立完成从文献调研到论文撰写的全部流程。虽然它产出的论文质量一般，存在逻辑衔接不够紧密、方法严谨性不足甚至虚构参考文献等问题，整体水平大概相当于普通研究生在接收率较高的会议上投稿的水平，但它的效率和成本优势是人类无法比拟的。十五小时完成一篇论文，成本仅一百多美元，这样的生产效率如果持续提升，必然会对现有的科研产出模式产生深远影响。
面对这种趋势，学术界已经开始出台应对措施。国际学习表征会议的主会议已经明确规定，不接受完全由 AI 生成的论文，同时要求作者必须透明披露 AI 工具的使用情况。但执行层面仍然存在困难，目前还没有足够可靠的工具可以精准检测 AI 生成的内容，相关规定的落地效果还有待观察。也有研究者认为，彻底禁止 AI 生成论文并不现实，这项技术只会越来越强大，科学共同体需要找到和这项技术共存的方式。
关于 AI 在科研中的终极角色，学界目前有两种主流观点。一种观点认为，AI 最终会在很多方面超越人类研究者。短期来看，大量质量一般的 AI 生成论文会给学术评审系统带来冲击，造成一段时期的混乱。长期来看，AI 可能会带领科学进入快速进步的新时代，自主攻克很多科学难题，而人类的角色会转变为研究成果的筛选者和评估者。
另一种观点则认为，人类的智慧始终不可替代，未来的方向是更高阶的人机协作，而非完全自主的 AI 研究。AI 负责处理数据、验证假设等辅助性工作，而创造性洞察、批判性质疑和价值判断这些科学探索的核心，仍然要由人类来主导。
图自unsplash
对于普通科研从业者来说，与其纠结 AI 会不会取代自己，不如主动适应变化，找到自己在新范式中的位置。加州大学洛杉矶分校的数学家 Terence Tao 表示，如果人们愿意适应变化，这也是必须要做的事情，就能够生存下来，在有些情况下还能发展得更好。
适应的关键，在于找到人类独有的比较优势。基础的编码、数据分析、文献整理这些工作，未来会越来越多地交给 AI，而提出好问题、设计好研究、判断结果价值、整合跨领域知识这些能力，会变得越来越重要。科研人才的培养逻辑也需要随之调整，不能再把大量精力放在训练 AI 已经擅长的技能上，而要更侧重批判性思维、创新能力和跨学科整合能力的培养。
回望科学发展的历史，每一次重大的技术工具革新，都会引发关于职业替代的焦虑。显微镜的出现，计算机的普及，都曾经改变过科研的工作方式，也淘汰过一批旧的岗位，但最终都拓展了人类探索未知的边界，创造了更多新的科研可能。AI 的出现也不例外，它不会终结科研，只会终结那些跟不上技术变化的工作模式。
科研的本质从来不是重复的计算、繁琐的整理或是标准化的操作，而是对未知的好奇，对真理的追求，以及提出问题解决问题的创造力。这些根植于人的特质，是技术难以复制的核心价值。身处变革之中，焦虑解决不了任何问题，看清趋势，主动调整，学会和 AI 协作，把工具的力量转化为自己的能力，才是应对变化的最好方式。
这场技术与职业的变革才刚刚开始，没有人能精准预测最终的形态。但可以确定的是，能够在 AI 时代站稳脚跟的，一定是那些懂得利用 AI，同时守住人类核心优势的研究者。未来的科研赛场，或许不是人和 AI 的竞争，而是会善用 AI 的人和不会善用 AI 的人的差距。