AI在科学研究中的应用现状与挑战 - AI在科学出版物中的使用率从2015年的2%增长到2022年的近8% 呈现曲棍球杆式增长态势[6] - 计算机科学是受AI影响最大的领域 物理、化学、生物、医学及社会科学也见证了AI应用的快速增长[6] AI解决偏微分方程的实际表现 - 物理信息神经网络（PINN）在解决简单偏微分方程时效果远不如预期 与标准数值方法相比缺乏竞争力[4][13] - 当AI方法与最先进数值方法在同等条件下比较时 其宣称的百万倍速度优势几乎消失[4][21][22] - 在76篇声称AI优于标准数值方法的论文中 79%（60篇）使用了较弱的基准方法进行比较[23] - 原始PINN论文获得1.4万次引用 成为21世纪被引用次数最多的数值方法论文[18] AI科学研究的系统性偏差问题 - 研究人员几乎从不发表负面结果 导致存在严重的幸存者偏差[10][17][31] - 648篇论文涵盖30个领域存在数据泄露的方法论错误 导致结果过于乐观[5] - 使用AI的科学家获得引用次数是其他科学家的三倍 这促使更多科学家转向AI研究[30] - 评估AI模型的人往往是从评估结果中受益的一方 存在利益冲突[34] AI在特定科学领域的应用案例 - DeepMind声称发现220万种晶体结构 但材料科学家发现其中大多数是"垃圾"[4] - AI天气预报准确率比传统方法高20% 但分辨率仍然较低[28] - AI发现的药物在一期临床试验中成功率更高 但二期临床试验未能保持这一趋势[28] - 蛋白质结构预测竞赛（CASP）在过去30年里极大激励了该领域的研究[26] 行业对AI科学应用的过度炒作 - 英伟达首席执行官声称"AI将推动科学突破"并"将科学进程加速数百万倍" 但公司存在财务利益冲突[29] - AI公司和研究机构将AI描述为"对科学产生变革性影响"的工具 而非普通工具[27] - 科学家采用"拿着锤子找钉子"的研究模式 先假设AI是解决方案再寻找问题 导致处理已攻克或无法产生新科学知识的问题[30]