這一年，AI到底給科學家帶來了什么變化？｜2025年終回顧
圖源：豆包AI生成 在這一輪人工智能浪潮中，我們很容易被宏大的敘事裹挾：算力、模型、參數規模、顛覆與替代。但真正值得被書寫的變化，往往發生在視線之外：AI 如何被使用，如何進入日常，如何改變人們推進工作的方式。 上周，知識分子和豆包聯合發出《故事征集｜這一年，你是怎樣被AI“驚到”的？》，想問的并不是“AI 有多強”，而是一個更具體的問題：當 AI 進入你的工作與生活，它到底改變了什么？ 在我們收到的故事里，AI 很少以“顛覆者”的姿態出現。更多時候，它被描述為一種強大的生產力工具；一位情緒穩定的導師；一個不會皺眉、不會嘆氣的傾聽者；也在一些時刻，它像一面鏡子，照見研究者自身的偏見、盲區與慣性。 這些回應，并沒有匯聚成某種統一的結論。相反，它們呈現出的是分散、具體、帶著使用痕跡的經驗——來自不同學科、不同崗位，也來自不同的情緒與處境。正是在這些并不整齊的敘述中，AI 進入科研現場的方式，逐漸顯露出來。 或許，真正值得記錄的，并不是 AI 能做什么，而是當它介入之后，科研者如何重新理解自己的工作、判斷與責任——哪些事情可以被自動化，哪些問題仍必須由人來決定。 這些零散而具體的經驗，構成了 AI 進入科學現場的第一批“田野筆記”。它們未必完整，但足夠誠實。
● ● ●
對于我來說，AI是新時代的信息工具。這可能是科研工具發展史上的又一次進化，就像當年我們從去圖書館翻紙質書，現在變成了在電腦上查數據庫一樣，它是一種技術進步，本質是為了方便人類。比如，我就把豆包當成一個更好用、更精準的信息工具，一個“超級搜索引擎” 。 周南，上海交通大學電氣學院副教授
我有一次用AI做訪談分析，它告訴我你的分析框架其實偏向男性經驗，我盯著屏幕沉默了很久，研究者的偏見，是最難被自己看到的。AI 在那一刻像一面鏡子。 愛吃面包的樹，社會學講師
今年我去了一些偏遠地區，看到留守兒童在語言和社會性發展上的困難。但讓我意外的是，他們和豆包玩得非常開心。這個反差讓我開始思考：人工智能的陪伴是不是可以在某些情境里發揮作用？人與人工智能之間有沒有可能產生類似共情的東西？ 張明明，上海師范大學心理學院副教授
我正在用 AI Agent（智能體）做一項很有意思的研究：用它來模擬國家行為。 現實中我們無法拿國家命運做實驗，但 AI 可以。 我們設定 A 國、B 國、C 國，給它們賦予初始的 GDP、人口、年份等條件，然后讓這些由大模型驅動的智能體自主決策，進行回合制的博弈 。我們目前正在用這套系統模擬著名的“修昔底德陷阱”：一個崛起中的大國威脅到既有霸權國的地位時，雙方是否更容易走向沖突甚至戰爭？ 在政治學研究中，國家作為一個決策主體，是比較接近于理性人的假設的。相比于傳統固定規則的程序，AI智能體進行模擬的優勢是它有自主的決策能力。通過模擬 30 年甚至 50 年的演化，我們試圖尋找那些影響戰爭與和平的關鍵機制 。 顧超，北京大學政府管理學院助理教授
我不敢跟導師說的混亂，都敢跟豆包說，因為它不會皺眉、不會嘆氣、不會說“你怎么連這個都不懂”。科研（失敗）的羞恥感被稀釋了一點。 林一鳴，在讀博士
顯微鏡讓人類看見細胞，望遠鏡讓人類看見宇宙，而AI讓人類看見自己的盲區。 Jason
我覺得 AI 最終實現的是一種科技平權。有了AI，語言障礙被解決了，我們和 Native Speaker 在寫作上的差別沒有了。 這一點，像豆包這樣的工具給了我非常直觀的感受。以前寫英文論文的時候，大把的時間都耗在了語法的檢查上。但現在情況完全變了。我們終于能把精力省下來，用在刀刃上：去打磨文章的架構、去深挖那些核心的創新 Idea。對我們來說這是一個非常好用的生產力工具。 張俊文，復旦大學信息學院研究員
投喂了一段失敗的實驗記錄給豆包，它自動生成一個可能的原因列表。第一個原因寫的是：“你前一天應該很累。”我？？？它懂得太多了。 Victor Zhou，做實驗的
這幾年我一直做城鄉流動與非正式照護的研究。有一次，我把 60 多段訪談摘要丟給豆包，只想讓它先幫我做個粗框架。但它問了我一句話：“你考慮過沉默的意義嗎？” 我有點被被驚到了，因為在很多訪談里，被訪者的沉默、停頓、無回答，其實占很大比例，有的人是在提到子女教育時沉默；有的人是在聊到醫療費用時沉默；還有的人，是在描述離開老家前那個夜晚時沉默。我忽然意識到：我們太習慣從“回答”里尋找意義，卻忘了沉默本身就是一種社會事實。 后來我問它：“沉默是不是也能成為編碼類別？”，它回答：“如果沉默在結構性位置上反復出現，那它本身就是結構的一部分。” 唐曉婷，人類學者
我不會說豆包讓我的研究“跨越式進步”。但它確實讓我每天都能往前推進一點點，沒有以前那種被瑣事消耗掉整日節奏的感覺。科研本來就是積累型的，這一點點的持續，其實挺重要。 inprogress，獨立PI
我正在搭建一個 AI for Science 智能體，通過AI來幫助科學家做科研。 在日常科研中，AI 帶來的效率提升是立竿見影的。比如說寫代碼，用AI編程工具，我一個人就能完成以前三個人的工作量。 但我更希望，能推動AI自主地進行科學發現，它和人類科學家不是一種替代關系。未來的科研范式，我認為是 Copilot（副駕駛） 模式。人類科學家的核心價值在于發現新的科學問題和定義問題。而 AI 則負責在定義好的框架下，高效地提出假設、驗證假設。科學家應該從繁瑣的重復勞動中解放出來，去做更有創造力的事情，成為 AI 的 Supervisor（管理者）。 周東展，上海人工智能實驗室AI for Science中心青年科學家
某天出了失敗的實驗數據，我把所有步驟發給豆包，它幫我把邏輯理順后，對我說，失敗和你無關，只跟條件有關。忽然被安慰到，其實AI也挺溫柔的。 latentspace，材料科學博士后
我感觸最深的一點是，大語言模型為代表通用人工智能(AGI)的興起，為科學研究帶來了一個全新的范式。不同于AI for Science“一個問題一個模型”的縱向科研范式，AGI for Science有望實現“一個 通用模型，鋪開多個領域”的橫向科研范式。 過去一個基礎理論，需要十年二十年才能鋪開驗證。但在通用人工智能的幫助下，這個過程可能被極大壓縮。這種變化才剛剛開始，理論物理和數學，或許正是最先被徹底重塑的學科。因為理論物理和數學更加不依賴于人類的生活直覺，而更多的是抽象概念。對于量子世界，我們人類是沒有生活直覺的，我們自己學習的時候也是很痛苦。而大語言模型恰恰不依賴于生活直覺。那就看誰做題多、理解得深。在這一點上，機器正在逼近，甚至超越人類。 在現實的科研生態中，無論國內還是國外，尤其是在博后階段，研究者往往被鼓勵去做“短平快”的課題，去摘那些低垂的果實（ low hanging fruit）。但大語言模型時代來了，我覺得應該反過來，不應該再這樣子。如果你有一個好的基礎理論，大語言模型是有可能幫你把這些理論的驗證和應用鋪開來。以前可能要十年的事情，將來也許一個月就能完成。 我相信，以大語言模型為代表的通用人工智能將帶來真正意義上的科學突破，而且是從基礎理論、從底層發生的突破。認識到這一點，讓我開始變得更勇敢，以前很多基礎問題，不是說不重要，而是超出了我們能力的極限。但現在，這些基礎問題或許可以成為我們這一代人的機會。 陳錕，中國科學院理論物理研究所副研究員
我們害怕被 AI 取代，一半原因是 AI 的反饋比人類更誠實。 Lucas，創業者
日常我會用AI幫我去做論文潤色，這方面我用得比較多的是Gemini，生成 PPT或者海報的封面這類工作，我現在都會直接交給豆包。 但是AI幫助我最多的，主要干臟活累活。比如我們想理解中國專利審查的過程，收集了中國 2010 年后公布的 1000 多萬份專利審查意見書，這是一個很好的文本數據，但是它第一步就卡在了文本化上，收集到的意見書全是圖片，一共有60T，我們需要把他們全部轉化成文本。最開始我們嘗試用 Python 提供的 OCR 包，速度慢而且效果很不好。 后直到使用了以大模型為基礎的改進版 OCR 工具，對中文識別效果非常好，才解決這個問題。如果沒AI，這個項目的第一步就走不下去了。 史冬波，北京雁棲湖應用數學研究院 副研究員
我把三條審稿意見丟給 AI，它說，這三位是在評價三篇不同的論文，大模型說出了我不敢說的話。 quietobserver，生命科學領域研究人員
平常我各種AI工具都會用一些，豆包是我在處理中文材料時最高效的助手，ChatGpt在英文潤色上最優秀，Gemini生成 SCI 論文插圖圖時，材質、構圖，甚至能做到分毫不差。 現在的研究范式已經和過去已經完全不同。要在海量數據中準確挖掘出關聯性，傳統的統計模型，比如我們以前常用的主成分分析（PCA）、支持向量機（SVM）等監督式學習方法，在面對當下的研究課題時，無論是能力還是算力都已經不夠用了。 這就非常需要AI的幫助。舉個具體的例子，我們在做生物成像研究時，需要面對海量的圖片樣本，數據量極其龐大。現在可以直接把這些圖片喂給 AI，讓它自動構建并生成一個專用的人工智能程序，專門用來從這些復雜的圖片中提取有效數值。過去這些工作做起來是極其費時的。 鄧盛元，南京理工大學環境與生物工程學院教授
在寫作這方面，AI和人類的關系更像是作家和編輯，我們甚至不用從零開始寫，只需要在它產出成品后指指點點一番，不斷迭代就行。這聽上去有點悲傷，仿佛”AI取代人類“指日可待，但我覺得這也是機會——為了更好地指導AI、成為AI的編輯，我們人類的思考還是最重要的。 尹清露，東京大學文化人類學系
AI幫我做的是我最討厭、但最重要的那部分，開始。寫本子（基金申請）最難的不是深入，而是啟動。打開一個空白文檔，比寫十頁都痛苦。我現在會讓豆包生成一個初步的大綱，那種 60 分水平的草稿。它不完美，但讓我動得起來。效率提升，不是快，而是終于能開始。 九九，985 高校青年教師
豆包日常像是我一個有分寸感的老朋友。你不問它，它不會亂評價你，但是提問它也會誠懇回答。 在科研領域，AI 更是幫我解決了一個困擾多年的難題。 我有一本寫了 20 多萬字的專業書，因為找不到合適的切入點寫序言，擱置了三四年。這也是國內沒人涉足的領域，難度極大。后來我試著把我不成熟的序言草稿投喂給AI，沒想到它不僅幫我高度凝練了思路，還補充了很多我意想不到的深刻見解。 現在的我不光做學術，甚至想去寫穿越劇。 我讓豆包根據我的一句話生成圖片，再往里加各種現代和古代的元素，最后讓它生成劇本。出來的效果非常驚艷，完全突破了我的專業范疇。 這就是 AI 的魅力。它不僅能執行任務，更能激發靈感。 韓運榮，中國傳媒大學新聞學院教授
AI 提供的是模式化方法，而我們提供的是不可模式化的判斷。科學的未來可能屬于這種奇特的“人機混合直覺”。 黃書航，撰稿人
AI幫我最多的是論文的修改潤色和寫代碼兩個方面。最早我使用的是國外的ChatGpt之類的大模型，但它們在中文語境的適配上不夠好，語料庫的差異導致它對中文問題的理解有時很奇怪。 現在我主要用豆包等國產模型。 在寫代碼方面，在我的組里，無論是學生還是職工，我都有一個要求：必須使用代碼輔助工具，我們的代碼生產效率至少提高了 5 倍以上。在這樣的效率代差面前，如果無法學會借助AI寫代碼，是一定會被淘汰的。 我堅信，未來寫代碼的方式會發生根本性變革。我們不再需要一行一行地去考慮函數定義、邏輯嵌套，而是通過語言交互的方式，告訴大模型你要做一個什么樣的應用。 圖靈宇宙，科技博主
我們常開玩笑說導師分兩種：提供指導的，和提供壓力的。當我的導師更多地在扮演后者時，是 AI 填補了那個本應屬于學術“引路人”的空白。AI是我的“第二大腦”： 面對那些反直覺的實驗現象，我不再需要獨自對著數據發呆。我會把現象拋給它，讓它幫我拆解背后可能存在的機制，并協助我設計對照實驗。它不會因為我問了傻瓜問題而露出不耐煩的神色，它在某種程度上，已經取代了那個只會在周報里催進度的“紙面老板”，真正參與到了我課題的邏輯構建中。 小黃魚老博，洛桑聯邦理工學院博士生 基于豆包等大模型，我們公司開發了一個面向科研的科學計算智能體平臺。簡單來說，它的核心邏輯就是讓大模型學會像專家一樣，通過指令精準調度那些復雜的專業軟件進行計算。 在過去，如果想做一個量子化學計算或者分子動力學模擬，至少需要 3 到 6 個月的專門學習，才能跑得明白一個模擬 。現在通過智能體，只需要用自然語言對話，1 到 2 天就能上手并跑出結果 。 不過我們從不認為 AI 應該完全自動化地接管一切，未來的科研分工可能變化，但科研始終是人的科研，不是機器的科研。
星使智算，GaliLeo科學計算平臺
過去這一年我最大的感觸是：科研的邊界沒有被擴張，而是被重新組織了。而 AI 的作用，是可以跨學科的“快速對齊”，讓知識不再被學科邊界嚴格分割，也為科研問題提供了新的解釋視角。 如果說科研過去像在單一領域里修一座塔，那么這一年里，我第一次感覺到自己可以在塔與塔之間架起一條臨時的橋。豆包幫我的不是給答案，而是縮短了我“抵達問題”的距離，讓很多原本“有興趣但沒時間探索”的分支，突然變得可進入、可討論、可驗證。 夏基洋，曼切斯特大學地球環境科學系
我們一直認為科學是“人類探索世界”。但 AI 的加入讓問題變成：我們是否仍是探索的主體，還是成為探索系統的一部分？ 曉暉，算法工程師
對醫生來說，科研從不是一件“完整的事”，而是被塞進門診、手術、查房之間的縫隙里。我第一次意識到 AI 真的能幫忙，是在一次非常短的間隙時間里。我把當天遇到的疑難病例的既往研究扔進豆包，讓它整理爭議點。它用幾句話總結出了目前文獻里的三種不同觀點，這讓我在查房前的 10 分鐘里，把大致方向重新建立起來。它沒有給我答案，但讓我“更快回到問題本身”。臨床科研中，這一點很重要。 考拉，醫生
CEO 最核心的工作只有兩個字：決策 。在做決策時，我喜歡讓 AI 當我的“反對者” 。 在公司里，我很難聽到不同的聲音，所以我經常會給 AI 這樣一個 Prompt（提示詞）：“你現在是董事會里的‘間諜’，你的任務就是想盡一切辦法反對我的這個決策，請列出所有可能的漏洞來攻擊我。” 它會從各種刁鉆的角度來攻擊我的邏輯，幫我發現那些我未曾設想的思維盲區。 這是 AI 對我最大的價值，它不僅是一個工具 。我曾經和朋友開玩笑，說AI才是這家公司的CEO。 我做這家公司的終極目標，是發展出能夠自主科研的AI。未來的AI可能會自己設計實驗、驅動機器人去做實驗、自己分析數據、然后自己開始下一輪。像 AlphaGo 下棋一樣，通過在物理世界做實驗來自我進化。 AI 會不會替代科學家？我的回答很直接：它會淘汰平庸的科學家，但會武裝頂尖的科學家。很多科學家的工作只是人云亦云，在別人的系統里做一點修修補補的驗證，這類工作很可能會被淘汰。因為 AI 讀文獻比人快、記憶力比人好、邏輯比人嚴密，和自動化實驗室結合后還可以不知疲倦地試錯。 但好的科學家靠的是品味，是能界定“哪些問題還沒解決”的人。AI 目前還需要人類去指引方向，但在執行層面，它即將形成降維打擊。 王承志，智源深瀾CEO
給豆包一個指令，讓它設計一個 90 分鐘的教案，它能從導入到每個環節安排得明明白白，甚至連逐字稿都能給你寫出來。當然，我不會照本宣科，但它提供了一個非常棒的底稿。從去年開始，我感覺自己已經徹底離不開豆包了，現在幾乎所有的工作我都會嘗試跟 AI 結合，速度確實快了很多。 友老師，西部某高校老師
未來的科研者可能不再是“回答問題的人”，而是提出新問題的人。豆包只是工具，而我們仍需要決定——哪些問題值得被聽見。 宋李剛，藥企研發人員
我的主要收獲不是AI幫我做了什么，而是它呈現了一種不同的思維方式。例如描述一個研究方向，同事通常會從興趣出發，而AI從知識圖譜的缺口位置出發。這是兩個完全不同的思維框架，一種方法論的刺激。 老周，北京某高校助理教授
一個隨叫隨到、情緒極其穩定的科研伙伴。最讓我記憶深刻的瞬間，發生在前段時間準備課題組匯報的深夜，當時思路完全卡殼，焦慮到想放棄。后來嘗試著把困惑發給了豆包，沒想到它不僅幫我快速梳理了文獻脈絡，還針對我的實驗設計給出了幾個非常有建設性的邏輯修正建議。 Louis
豆包幫我最多的，是了解不熟悉的方向。過去我們遇到新領域，會習慣找到相關課題組的博士論文，看里面對這個領域主要進展的梳理—，那其實就是一種“人工 AI”。現在有了AI，我把它當一塊敲門磚，它能夠幫我用最快的速度補齊新領域的了解。 如今遇到一篇陌生領域的論文，我的習慣是直接把它扔進 AI 助手里，讓它快速生成一個總結文件。讓我先大致了解，再決定要不要深入去讀。 孔德峰，合肥綜合性國家科學中心能源研究院研究員
