智东西(公众号:zhidxcom)
编译 | 孙小雯
编辑 | 程茜
智东西11月17日消息,今天,OpenAI发布一项研究报告,关于科学家使用ChatGPT的情况以及对AI加速科研发现的看法。据受访科学家估计,在完成同等质量工作的前提下,使用AI的工作效率可达未使用时的约1.9倍。
OpenAI经济研究团队以ChatGPT学术研究人员计划的夏季试点参与者为研究对象,分析了1819名科学家的逾58万条科研消息,并对251名参与者进行调查访问。这些消息来自ChatGPT的聊天与工作模式,以及Codex。
该报告主要围绕以下三个问题展开:科学家将ChatGPT用于哪些科研任务、如何与这两款工具分工,以及他们认为AI带来了多大的效率提升。该报告称,68%的科学家使用ChatGPT来激发研究灵感,98%的受访科学家认为人工智能将加速其所在领域的发现。
为保护科研人员的隐私,OpenAI使用自动分类工具,按文献阅读、代码编写、数据分析等研究活动对消息进行分类。研究团队仅查看分类结果,没有读取消息原文或ChatGPT的回答。
此外,OpenAI也在面向学术研究人员拓展ChatGPT的使用服务,为全球超过20万名科研人员提供免费访问权限。该计划于今年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。
新一轮申请拟于11月23日开放,计划最多覆盖15万名科研人员。OpenAI将按先到先得的方式,向符合条件的前5万名申请者,以及他们的两位合作者赠送ChatGPT Plus的免费使用权限。
一、68%的科学家借助模型构思问题,近半受访者苦于核查输出
ChatGPT已经进入科学家的多个日常工作环节。其中,阅读与学习、写作与交流是最常见的两类用途,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)
在研究前期,科学家也会让ChatGPT参与构思。该报告称,68%的受访科学家曾使用这两款工具探索或完善研究想法。这项统计以研究期内至少发送3条相关消息为门槛。
科学家与ChatGPT在构思过程中有不同分工。在约35%的构思相关消息中,科学家提供具体问题,让ChatGPT协助处理;在约36%的消息中,科学家要求ChatGPT完善已有想法;在约23%的消息中,科学家要求ChatGPT提出研究问题。其余约6%的消息未能归入上述类别。

▲研究构思过程中的人机分工(图源:OpenAI)
在任务执行阶段,科学家会继续检查和调整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。其中,写作与交流任务的后续跟进比例最高,为38%;科研软件编写、证据与理论分析均为34%。在这三类任务中,约1/3的初始请求会引发进一步的澄清、核查或修改。
这些后续核查和修改也占用了科学家的时间。在针对ChatGPT学术研究人员计划使用体验的调查中,45.4%的受访者将检查和纠正输出所需的时间列为使用困难,这也是受访者最常提到的问题。

▲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的期待集中在两个层面:一是缩短科学发现所需的时间,二是帮助寻找更有潜力的问题、拓宽研究范围。
不同科研任务的提效幅度有所差异。科研软件与代码开发的自估效率提升最明显:受访者估计,在完成同等质量工作的前提下,没有AI时所需的时间约为使用AI时的2.83倍。科研管理的这一比值为1.35倍,在八类科研活动中最低。

▲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)
在发现速度上,OpenAI让受访者设想一项没有AI时需要10年的重要发现,并估计使用AI后需要多久。其中,约22%预计可缩短至3年以内,50%预计需要4—7年。
不过,不同领域对提速幅度的预期有所差异。数学与统计学领域有31%的回答者预计,AI能将这项发现所需的时间缩短至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)
在全部250名回答者中,有98%预计AI将加快所在领域的科学发现。
受访科学家看好AI,主要是因为它能帮助自己更快完成研究任务。OpenAI从224份文字回答中提取了367条理由,其中52%涉及更快完成研究任务,23%涉及找到更有潜力的研究问题,14%涉及探索更广泛的研究问题。

▲加快任务执行是最常见的提速理由(图源:OpenAI)
结语:AI加快科研执行,专业判断与验证能力更显关键
这份报告显示,ChatGPT已经参与科学家的知识获取、研究构思和任务执行。科学家借助ChatGPT加快工作,也持续检查和修改输出。随着AI承担更多具体任务,研究人员需要判断哪些问题值得继续探索、哪些结果足以支撑下一步研究,专业知识由此贯穿人机协作的各个环节。
当想法和分析结果产生得更快,科研团队也需要相应的实验与验证能力。人员、经费和设备将影响这些想法中有多少能够得到检验。AI带来的变化,因此还会涉及科研资源如何分配:研究团队既要提高执行效率,也要把有限的验证资源投入更有价值的问题,才能将单个环节的提速转化为科学发现。
来源:OpenAI