OpenAI报告:1819名科学家58万条消息,AI让科研提速1.9倍
ChatGPT已经进入科学家的多个日常工作环节。
OpenAI经济研究团队11月17日发布一份报告,聚焦科学家如何使用ChatGPT,以及他们怎么看AI加快科研发现这件事。受访科学家的估算是:做同样质量的工作,用上AI后效率约为不用时的1.9倍。
这项研究以
ChatGPT学术研究人员计划夏季试点的参与者为对象,覆盖1819名科学家的逾58万条科研消息,另有251名参与者接受了调查访问。消息来源包括ChatGPT的聊天模式、工作模式以及Codex。
报告想回答三个问题:科学家把ChatGPT用在哪些科研任务上,如何在这两款工具之间分工,以及他们觉得AI带来了多大的效率提升。数据里,68%的科学家用ChatGPT来激发研究灵感;98%的受访科学家认为,人工智能会加速其所在领域的发现。
隐私方面,OpenAI用自动分类工具按文献阅读、代码编写、数据分析等研究活动给消息归类。研究团队只看分类结果,消息原文和ChatGPT的回答都没有被读取。
与此同时,OpenAI正在面向学术研究人员扩大ChatGPT的使用服务,向全球超过20万名科研人员提供免费访问权限。该计划今年7月启动试点,目前已有来自33个国家的2万名科研人员加入。参与者通过该计划共享的数据,默认不用于训练模型。
新一轮申请定于11月23日开放,计划最多覆盖15万名科研人员。OpenAI会按先到先得的原则,向符合条件的前5万名申请者及其两位合作者送出ChatGPT Plus免费使用权限。
一、68%的科学家用模型构思问题,近半受访者头疼核查输出
在科学家的日常工作中,ChatGPT已经出现在不少环节。最常见的两类用途是阅读与学习、写作与交流,分别占科学家平均科研消息份额的28%和27%。

▲科学家使用ChatGPT开展不同科研活动的消息占比分布(图源:OpenAI)
研究前期,科学家也会拉ChatGPT一起构思。报告称,68%的受访科学家曾用这两款工具探索或完善研究想法。统计门槛是研究期内至少发送3条相关消息。
构思环节里,人和ChatGPT各有分工。约35%的构思相关消息中,科学家给出具体问题、让ChatGPT协助处理;约36%是科学家要求ChatGPT完善已有想法;约23%是科学家让ChatGPT提出研究问题。剩下约6%的消息归不进以上几类。

▲研究构思过程中的人机分工(图源:OpenAI)
到了任务执行阶段,科学家还会回头检查和调整ChatGPT的回答。OpenAI统计了不同科研活动中要求ChatGPT澄清、核查或修改输出的后续请求:写作与交流任务最高,为38%;科研软件编写、证据与理论分析均为34%。这三类任务中,约1/3的初始请求会引出进一步的澄清、核查或修改。
这些后续核查和修改同样消耗科学家的时间。在针对ChatGPT学术研究人员计划使用体验的调查中,45.4%的受访者把检查和纠正输出所需的时间列为使用困难,这也是被提到最多的问题。

▲不同科研活动中,科学家要求ChatGPT澄清、核查或修改输出的初始请求占比(图源:OpenAI)
二、98%受访科学家看好AI提速科研,数学领域最乐观
受访科学家对AI的期待集中在两点:缩短科学发现所需的时间;帮忙找到更有潜力的问题、拓宽研究范围。
不同科研任务的提效幅度并不一样。科研软件与代码开发的自估提升最明显:受访者估计,做同等质量的工作,没有AI时所需时间约为使用AI时的2.83倍。科研管理的这一比值为1.35倍,在八类科研活动中垫底。

▲不同科研活动中,受访科学家的AI使用时间占比与自估效率变化(图源:OpenAI)
发现速度方面,OpenAI让受访者设想一项没有AI时需要10年的重要发现,再估计用上AI后要多久。约22%认为能缩短至3年以内,50%认为需要4—7年。
各领域对提速幅度的预期存在差异。数学与统计学领域有31%的回答者预计,AI能把这项发现所需时间压到3年以内;计算机领域持这一预期的回答者占28%,工程领域占10%。

▲受访科学家对AI缩短科学发现周期的预期(图源:OpenAI)
全部250名回答者中,98%预计AI将加快所在领域的科学发现。
在受访科学家眼里,AI之所以受青睐,关键原因是能帮自己把研究任务做得更快。OpenAI从224份文字回答里梳理出367条理由,其中52%指向研究任务完成速度提升,23%指向找到更有潜力的研究问题,14%指向研究问题范围的拓宽。
▲任务执行提速是最常被提及的加速理由(图源:OpenAI)

结语:科研执行被AI提速,专业判断和验证能力反而更吃重
从这份报告看,科学家的知识获取、研究构思和任务执行中都已经出现ChatGPT的身影。他们一边用ChatGPT提速,一边不断核查、修改它给出的内容。AI接手的具体任务越多,哪些问题值得继续挖、哪些结果足以支撑下一步研究,就越需要研究人员自己拿主意,专业知识也就贯穿到人机协作的每个环节。
想法和分析结果出得更快之后,科研团队还得有与之匹配的实验和验证能力。人员、经费、设备,都会决定这些想法里有多少能真正被检验。说到底,AI带来的变化还牵扯到科研资源怎么分配:团队既要提效率,也得把有限的验证资源押到更有价值的问题上,单个环节的提速才可能变成科学发现。