《自然》杂志的一项调查显示，科学家们正深受“人工智能错失恐惧症”的困扰
一句话看懂：《自然》杂志对超过1900名研究人员的调查发现，近半数科学家对AI持负面态度，63%认为大语言模型的风险大于收益，但近60%仍因害怕落后而被迫使用AI工具，揭示了科研领域深层次的“AI错失恐惧症”现象。
事件核心：发生了什么
《自然》杂志发布的一项在线调查，收集了来自75个国家、1907名科研人员的反馈。结果显示，约48%的受访者对AI持整体负面看法，只有30%持正面态度。在评估AI工具对科学的影响时，仅23%认为有积极影响，31%认为有负面影响，近半数认为影响取决于如何使用。具体到风险认知上，63%的科学家认为使用大语言模型分析数据和文献的弊大于利。然而，尽管存在这些担忧，近60%的受访者感到如果不使用AI工具，自己就会在科研竞争中被抛在后面。
调查还揭示了使用频率的差异：26%的科学家每周使用AI工具，25%每天使用，15%每月使用，而34%的人从未使用过。澳大利亚昆士兰科技大学的博士生亚历山大·吉布森指出，他感受到一种“被动推力”迫使自己使用AI，因为AI承诺提高效率，但他实际使用后发现，AI（如大语言模型）虽能加快速度，但工作质量并未提高，甚至会出现错误。例如，他用大语言模型从PDF文献中提取数据，虽然让原先难以手动进行的研究变得可行，但模型频繁出错。
为什么重要
这项调查揭示了AI在科研领域落地的核心矛盾：技术承诺与信任赤字之间的巨大鸿沟。科学家们并非对AI能力盲目乐观，相反，他们普遍警惕其风险，尤其是在数据偏见、错误信息传播和学术质量下降方面。然而，同行压力和对落后于人的恐惧，正压倒性的理性判断，形成了“被迫采纳”的行业生态。这种现象对AI行业意味着：如果AI工具不能解决科学家关于可靠性、可解释性和领域适配性的核心顾虑，即便大语言模型如ChatGPT等通用工具普及率上升，其作为严肃生产力工具的价值仍会受到严重制约。同时，专门为科学任务定制的模型（如预测遗传突变的AlphaGenome）在特定领域更受欢迎，暗示了垂直、专业化的AI科研工具可能拥有更可持续的商业化路径。
对用户/开发者/创作者的影响
对科研开发者而言：市场明确传递了信号——“更快的AI”不如“更可靠的AI”。卡内基梅隆大学的计算生物学家艾琳·卡普洛指出，很多研究者在未充分理解模型限制的情况下使用AI，例如有人强行将仅基于人类和小鼠数据训练的AlphaGenome用于其他物种。这提示开发者需要提供更透明的模型边界和精度说明，而不是单纯输出结果。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对AI工具提供商（如OpenAI、Google DeepMind）而言：通用大语言模型在严肃科研场景下的口碑并不好，这为专为科学领域优化的推理模型或API接口创造了商业机会。例如，提供可验证来源的文献分析工具、可追溯错误的数据提取服务，可能比泛化聊天机器人更受科学家欢迎。
对内容创作者和学生群体而言：调查中科学家对AI生成内容质量的质疑具有参考价值。即便AI能快速产生文本或分析，但专家用户（科学家）普遍认为其质量“有时比人类更差”。这意味着在学术或专业创作领域，AI辅助的价值主要体现在“量”而非“质”，完全依赖AI输出仍存在较高风险。
值得关注的后续
1. 科研伦理与机构合规风险：随着近六成科学家“被迫”使用AI，学术出版机构和基金资助方是否会出台更明确的AI使用规范？类似《自然》这类期刊对AI生成内容的态度可能会进一步收紧。
2. 垂直AI科学工具的商业化爆发：既然通用LLM不受待见，专注于基因组分析（如AlphaGenome）、临床预测模型或材料发现的AI初创公司，是否会加速融资并推出更贴合科研工作流的闭源或开源模型？
3. 人工智能“信任危机”衍生产业：能否出现专门验证AI分析结果正确性、或提供AI输出错误边际率的第三方审计服务？这可能是AI工具在科研商业化中必须配套的基础设施。
