我局官微“上海统计”已开设专栏“理论应用”，内容聚焦前沿理论、立足全球视野，以传播现代统计方法、实践和成功案例为主，助推统计人科研水平提高和统计事业的改革发展，欢迎大家及时关注分享。
本期推送“AI如何改写科学发现？——一个关于人工智能与科学生产率的经济学分析框架（上）”，原文是由多伦多大学Ajay Agrawal、高威大学John McHale和佐治亚理工学院Alexander Oettl三位经济学家在美国国家经济研究局（NBER）发表题为“AI in Science”的工作论文，围绕人工智能究竟如何作用于科学发现过程的问题，这篇论文没有将AI简单理解为一种全面替代科学家的“自动化发现机器”，而是提出更精细的分析框架——将科学发现分解为多个阶段，考察AI在每个环节中的实际作用及其经济学含义。
围绕AI能否显著加速科学发现并推动长期经济增长，学界判断正在分化。在争论的一端，Acemoglu（2024）估计AI在未来十年对全要素生产率（TFP）的提升上限约为0.55%；在另一端，Jones（2024）则探讨AI可能将经济年增长率推升至10%的可能性。技术界更为乐观：Anthropic创始人Dario Amodei认为，强大的AI可能在未来几年内将生物医学领域50至100年的进展压缩到5至10年；DeepMind负责人Demis Hassabis预测，新药研发周期可能从十年缩短至数周。面对如此巨大的分歧，论文试图在乐观与审慎之间构建一座桥梁。
Part.01
核心框架：科学发现的四阶段模型
科学发现过程可被拆解为四个关键阶段：问题生成（Question Generation）、想法生成（Idea Generation）、设计生成（Design Generation）和测试（Testing）。科学生产率为这四个阶段效率的乘积，而非某一单点能力的简单叠加。
图1 科学研究的理想化阶段（改绘自原论文Figure 1）
沿用内生增长理论的经典框架（Romer, 1990），知识生产函数写作图2形式，关键创新在于，将ω进一步分解为四个阶段各自生产率的乘积。
图2 科学生产率的分解公式（原论文公式9）
这个分解意味着一个重要推论：科学发现的整体效率受最薄弱环节制约。即使AI在设计筛选阶段带来数量级的提升，只要实验验证、临床测试或同行评审等后续环节仍然缓慢，整体科学产出就无法实现同步跃升。这正是“锯齿状前沿”（jagged frontier）的本质含义，AI对不同阶段的改善高度不均匀。
Part.02
组合搜索：AI改写科学发现的核心机制
AI在科学中的核心作用不是全面自动化，而是增强对巨大组合空间的搜索能力。科学前沿面临的根本挑战，往往在于要在极其庞大的可能性空间中寻找有价值的问题、想法、设计方案和检验路径。AI的优势恰恰在于，它能在某些高维、数据丰富、可训练的组合空间中显著提升搜索效率。
以想法生成阶段为例，假设已有A个存量想法，科学团队可以将这些想法进行一个一个、两两、直到全部的组合，总组合数为2的A次方减1，即便A的值不大，这也是极为庞大的搜索空间。通过引入有效搜索空间和成功概率的概念，最终推导出：
图3 组合搜索空间与想法生成概率（原论文公式1-8）
知识生产函数表明，每位科学家的知识产出等于四个阶段生产率的乘积再乘以知识存量A。这一结果与Romer的内生增长模型完美契合：新想法的产出与已有知识存量成线性关系，从而保证了知识的指数增长路径。
Part.03
人类判断力：AI尚未跨越的边界
尽管AI在组合搜索方面展现出巨大潜力，但人类判断力在科学过程中仍然不可或缺。“判断力”可被定义为辨别和评估实际与可能世界状态的实际及规范意义的能力，包括对情境的敏感性、权衡冲突目标的能力、假设因果联系的能力以及流畅进行类比的能力。
在问题生成阶段，AI可以借助机器学习在海量数据中识别出人类难以察觉的模式（培根式归纳），也可以基于已有理论自动生成经验异常（皮尔斯式惊奇），但将这些观察转化为有意义的研究问题，仍需要科学家的判断力来筛选和评估。在想法生成阶段，大语言模型虽然展现出令人印象深刻的概念组合能力，但正如爱因斯坦在给数学家Hadamard的信中描述的，他最具创造性的思维涉及的是超越语言的“组合游戏”。科学家Michael Polanyi提出的“默会知识”也提醒我们，人类判断力中有大量难以言说的隐性成分。
在设计生成阶段，AI优势最为突出，这里搜索空间巨大、训练数据相对丰富、目标函数较为清晰。AlphaFold预测蛋白质折叠结构的成功正是最好的例证。但即便在这一阶段，科学家仍需判断候选设计方案之间的多目标权衡，例如在药物效力与安全性之间做出取舍。在最终的测试阶段，虽然AI和机器人技术可以提高实验效率，但对实验结果的因果推断仍高度依赖科学家的专业判断。
编撰：上海科学智能研究院 徐燕
供稿：市统计学会
责编：薛依宜
审核：杨荣
