AI 会取代数学与科学岗位吗？| 数学与科学岗位 AI 工作流手册

人工智能时代的数学与科学岗位：哪些在变化，哪些仍需人类判断

岗位概述

数学与科学岗位涵盖广泛的应用领域——从研究科学家、数据分析师，到精算师、生物统计学家、物理学家、化学家和量化建模师。将这些岗位联系在一起的，是对严谨的定量推理、假设驱动的探究，以及将复杂的数值或经验数据转化为能产生现实影响的决策的共同依赖。

在实际工作中，这类岗位遍布压力迥异的各个行业：执行临床试验的制药研发团队、构建风险模型的金融机构、预测经济指标的政府机构、模拟电网运行的能源公司，以及推动基础研究的学术机构。商业应用体量最大、且正遭受最激烈人工智能冲击的领域，是生命科学、金融服务和工业研发中的应用定量分析。

数学与科学岗位的核心职业身份历来建立在三大支柱之上：设计严谨实验或模型的能力，以恰当的怀疑态度解读结果的能力，以及向非技术相关方坦诚传达不确定性的判断力。如今，AI 已经能够完成第一支柱的很大一部分，并开始侵蚀第二支柱。而第三支柱，几乎完全是人类的保留地。

AI 如何重塑这一角色

这种变革并不均衡。在以结构化大数据的模式识别为主要工作的岗位上，变革最为迅猛——例如量化分析师、处理临床试验数据的生物统计学家，以及执行标准死亡率或风险表的精算分析师。而在需要物理实验、创新假设提出或跨学科整合的岗位上，变革则相对缓慢。

从计算到解读的范式转移。 数十年来，定量科学家每周有大量时间消耗在数据清洗、模型拟合和迭代运算上。Python、R 和 MATLAB 等工具已大量自动化了这些工作，但整个流程仍需手动编写脚本、调试和结果验证。如今，集成到科研工作流中的大语言模型——用于代码生成的 GitHub Copilot、协助统计解读的 Claude 或 GPT-4，以及 Wolfram Alpha API 等特定领域工具——正在进一步压缩这一过程。一位生物统计学家过去需要两天时间清洗临床数据集并拟合混合效应模型，现在借助 AI 辅助代码生成和自动质控标记，几小时内就能完成。

初级岗位面临着巨大压力。 历来作为人才培养基地的入门级岗位——执行回归分析、搭建标准金融模型、进行文献综述、撰写方法学章节——正被纳入由资深员工管理的 AI 辅助工作流程中。这正在制造一种结构性的紧张局面：组织在缩减分析师层级职位的数量，同时又难以培养拥有扎实基础的下一代资深科学家，而他们的地基本应由这些初级岗位来奠定。

实验设计正在被增强，而非替代。 在药物发现领域，Insilico Medicine、Recursion Pharmaceuticals 的 OS 平台和 Schrödinger 的计算化学套件等 AI 平台，正以前所未有的规模生成候选分子并预测其结合亲和力，这是任何人类团队都无法企及的。但指导这些平台的科学家们——决定哪些靶点有意义、哪些分析结果值得信赖、哪些生物学假设值得深挖——所从事的工作，需要深厚的领域知识和科学判断力，这是当前 AI 所无法复制的。

AI 可自动执行的任务

常规统计分析：在干净数据集上运行标准回归模型、方差分析、生存分析及假设检验
文献综合：扫描并总结大量已发表研究，识别共识性发现、矛盾之处与研究空白（Elicit、Semantic Scholar 和 Consensus 等工具已深度融入研究工作流）
数据清洗与预处理：识别异常值、处理缺失值、归一化数据集，并标记数据质量问题
分析流程代码生成：为标准分析任务（包括可视化）编写 Python、R 或 Julia 脚本
报告起草：根据结构化输出，生成方法部分、结果摘要及技术文档的初稿
模拟设置：在现有框架内配置并运行蒙特卡洛模拟、有限元分析或基于主体的模型
公式推导辅助：检查代数步骤、建议数学方法，并为定义明确的问题类别验证证明
法规提交格式编排：将统计分析计划和临床研究报告结构化，以符合 FDA、EMA 或 ICH 指南要求

价值日益凸显的技能

不确定性下的科学判断。 判断何时不能信任模型输出——因为训练数据存在偏差、假设不成立，或结果虽在统计上显著但在科学上毫无意义——正成为资深数学与科学专业人士的决定性技能。无论输出是否有效，AI 都会给出听起来很有把握的结论。

跨领域综合。 科学与产业前沿的问题日益需要跨学科融会贯通：例如，既懂机器学习又懂细胞生物学的计算生物学家，或是能够贯通气候科学与金融建模的量化风险分析师。AI 工具专限于特定领域；能够跨领域工作的人则不受此限。

实验设计与因果推理。 设计真正能回答所提问题的实验——控制混杂因素、选择恰当的样本量、预估测量误差——需要当前 AI 难以企及的因果推理能力。在随机对照试验为金标准的领域，这一点尤为突出。

向非技术决策者沟通不确定性。 将概率输出、置信区间与模型局限转化为高管、监管者或政策制定者可以付诸行动的语言，既需要深厚的技术功底，也需要人际判断力。

提示工程与 AI 输出验证。 知道如何有效指引 AI 工具、在科学场景中识别幻觉，并验证 AI 生成的代码或分析，如今已是一项核心职业能力，而不再是边缘技能。

新假设的生成。 找出既在科学上可行，又具有商业或社会意义的研究问题，仍然是一项深度依赖人类的活动，需要多年沉浸于该领域而积累出的直觉。

重要程度逐渐降低的技能

针对标准数据格式的手动数据整理与ETL脚本编写——AI辅助工具能够更快且更少出错地完成这些任务
死记硬背的统计计算——知道何时以及为何使用t检验或拟合线性模型，比亲手操作的能力更有价值
模板化的科学写作——方法部分、文献综述和标准结果摘要的初稿越来越多地由AI生成
公式与标准算法的记忆——在AI辅助编码环境下，对语法和标准实现的记忆不如对实现内容的理解重要
手动文献综述——曾经耗时数月的系统综述，借助AI辅助搜索与合成工具，正被压缩至数天
标准问题类型上的常规模型验证——自动化机器学习流水线现已能处理明确定义任务的交叉验证、超参数调优和性能基准测试

本行业当前的AI采用现状

采用程度并不均衡，且高度依赖具体场景，但几大核心行业已显现出清晰的模式。

生命科学与制药是AI在科研工作流核心环节部署最深入的领域。辉瑞、诺华和阿斯利康等公司已将AI融入靶点识别、化合物筛选和临床试验设计。美国FDA已发布基于AI/ML的医疗器械软件指南，释放出监管常态化的信号。合同研究组织（CRO）中的生物统计学家正使用AI辅助工具生成统计分析计划并开展数据监测。

金融服务拥有最悠久的量化AI部署历史——算法交易、信用评分和精算建模使用机器学习已超过十年。当前浪潮是生成式AI进入工作流层：量化分析师利用Copilot加速模型开发，风险分析师借助大语言模型整合监管文件，精算师则运用AI将模型输出转化为面向客户的报告草稿。

学术与政府研究明显滞后，受采购周期、数据治理顾虑和文化阻力的制约。不过，即便在保守的研究环境中，AI辅助文献综述和基金申请书撰写也正逐渐普及。

工业研发（涵盖材料科学、化学工程、能源）正快速采用AI驱动的模拟与优化，特别是在物理实验成本高昂的场景下。巴斯夫、陶氏和壳牌已有针对新材料发现与流程优化的活跃AI项目。

未来工作流演变

到2027年，数学或科学领域专业人员的工作流将发生结构性变化，即使岗位名称保持不变。

最显著的转变将是人机协同的科学工作流的出现，其中人类的角色主要是设定方向、进行验证和做出判断，而非执行。量化分析师将花更少的时间构建模型，而花更多时间审视模型——探究为何模型会有某种表现，其假设是否经得起推敲，以及依据模型输出采取行动可能带来的二阶后果。

智能体AI系统——由多个AI模型自主协作完成多步骤科学任务——在药物发现领域已进入早期部署。未来三到五年内，这类系统将有能力在计算机模拟环境中运行完整的实验周期：生成假设，设计虚拟实验，执行模拟，解读结果并提出下一步方案。在这个循环中，人类科学家的任务将是设定研究议程，评估AI推理的质量，并最终决定哪些方向值得在物理世界中推进。

实验记录本正在演变为活的AI文档。 集成AI助手的电子实验记录本将自动捕获实验参数，标记与协议的偏差，推荐相关的过往实验，并生成报告草稿。这将加速研究周期，但也将在可重现性、知识产权和科研贡献归属方面带来新的问题。

常见的人工智能用例

药物发现：利用生成式人工智能设计具有预测结合亲和力及ADMET特性的新型分子结构（Schrödinger、Insilico Medicine、Exscientia）
临床试验优化：人工智能辅助的患者分层、适应性试验设计及实时安全信号检测
定量风险建模：金融风险管理中借助大语言模型的情景生成与压力测试
精算分析：人工智能加速的死亡率表更新、理赔模式分析及监管文件编制
科学文献挖掘：从已发表论文中自动抽取实验结果、效应量及方法学细节（Elicit、Semantic Scholar）
材料发现：人工智能驱动的材料性能预测与合成路径（DeepMind的GNoME、微软的MatterGen）
统计咨询：人工智能辅助的统计方法选择与自动检验假设
物理模拟：以神经网络代理替代计算成本高昂的有限元或计算流体动力学模拟

风险与挑战

科学场景下的“幻觉”会引发真实后果。 大型语言模型若以自信的口吻生成看似合理却存在谬误的统计解释、杜撰的文献引用或存在缺陷的推导步骤，则可能在未察觉之前就让错误蔓延至整个研究项目。在药物研发、金融风险建模或结构工程等领域，AI 出错的代价绝非抽象之谈。

初级人才输送管道问题。 若 AI 接替了历史上用以训练下一代资深科学家的入门级分析工作，该领域将在十年内面临结构性的技能断层。在初级环节过度依赖自动化的机构，未来恐将缺乏具备成熟经验去引导与验证 AI 系统的人才。

可复现性与可审计性。 当 AI 工具融入科学工作流程，成果是否可复现、错误责任方是谁，以及监管机构应如何评估经 AI 辅助的研究，这些问题随之而来。美国食品药品监督管理局（FDA）、欧洲药品管理局（EMA）及金融监管机构仍在针对 AI 生成的科学成果制定框架。

对 AI 生成假设的过度依赖。 一个真实风险是，AI 驱动的研究项目会因训练所用文献相同而聚集于同样的假设——这削弱了科学探索的多样性，并在学科前沿制造了盲点。

AI 辅助研究中的数据隐私与知识产权。 将专有实验数据或未发表的研究上传至商业 AI 平台，会引发对知识产权、竞争情报和监管合规性的合理担忧。

未来展望：3–5年

到2028年，数学与科学领域的职业格局将比今天更加鲜明地分化。一边主要是AI主导的角色——人类设定参数、验证输出并做出最终决策，但分析和计算工作基本由机器自动完成。另一边则需要身体力行的参与、全新的实验设计或跨学科综合能力，这些是AI尚无法替代的。

那些运行标准死亡率模型的精算分析师、按照预设统计分析计划处理II期试验数据的生物统计师，以及构建标准因子模型的初级量化分析师，都将看到自己的工作被大幅压缩或重构。而设计新合成路线的实验化学家、通过自然实验回答因果问题的流行病学家，以及构建新理论框架的物理学家，虽然工具会更先进、工作速度更快，但仍基本不可替代。

在数学与科学领域，最经得起时间考验的职业身份属于能做到AI所不能的人：对AI输出保持科学怀疑精神，设计能回答AI无法提出的问题的实验，并为现实世界中定量决策的后果承担责任。

薪酬也将越来越反映这种分化。能够被AI显著辅助的岗位，将面临下行薪资压力；需要深度判断、新质探究和跨域整合能力的岗位则会获得溢价。

最终洞见

数学与科学专业人才的根本价值，从来都不在于计算能力——而在于提出正确的问题、设计严谨的求解路径，并以恰当的谦逊解读结果。AI 正在中间的步骤上越做越好，但第一步和最后一步，依然牢牢属于人类。

真正能脱颖而出的人，不是那些抵制 AI 工具的人，也不是那些完全依赖 AI 的人。他们会建立起一种审慎、辩证的 AI 输出判断力——用它来加速探索、拓宽边界，同时保有科学的明辨力，知道机器何时在犯错。在一个以追求真理为定义的领域里，这种判断力不是软技能，它就是工作的本质。

数学与科学岗位

AI 如何融入这个职业