2026年2月21日 – 一場劇烈的轉變正在重塑科學研究的格局，這場轉變威脅著要瓦解傳統的學術勞動力階層。今日由《自然》（Nature）發布的一項驚人調查證實了計算科學領域許多人的擔憂：人工智慧（Artificial Intelligence，AI）正在積極消除對人類數據分析師和研究程式設計師的需求，這標誌著科學領域第一波重大的「認知替代」（cognitive displacement）。
數十年來，成為首席科學家的道路是由無數小時的基礎工作鋪就的——清理數據集、編寫 Python 腳本以及調試統計模型。這些入門級的「乾實驗室」（dry lab）角色是年輕研究人員必不可少的學徒期。然而，這份新的 《自然》（Nature） 報告指出，這個訓練場正在消失，取而代之的是能夠以超人速度和微薄成本執行這些任務的 AI 代理。隨著科學界努力應對這一現實，這對未來勞動力以及科學探究之結構的影響將是深遠的。
「純認知」的崩潰
《自然》（Nature）調查的核心圍繞著一個令人心驚的觀察：由「純認知任務」定義的角色正面臨立即被淘汰的命運。與仍處於起步階段、需要複雜機器人操作的體力行業或「濕實驗室」（wet lab）生物學不同，計算角色完全存在於數位領域——這是現代大型語言模型（Large Language Models，LLMs）和自主研究代理的天然棲息地。
維吉尼亞大學經濟學家、報告中的關鍵人物 安東·科里內克（Anton Korinek） 為這一顛覆提供了理論框架。「涉及純認知任務的工作將首當其衝，」科里內克警告道。「傳統上，這些是與科學研究關聯最緊密的工作。它們很快就會被 AI 接管。」
這種區分至關重要。水電工或外科醫生依賴於體力靈活性和現實世界的互動，而研究程式設計師的產出是源自文本（邏輯）的文本（程式碼）。目前這一代 AI 模型在過去兩年中推理和編碼熟能度有了指數級的提升，現在生成、測試和改進分析流程的速度比任何人類研究生都要快。
報告詳細記錄了首席研究員（Principal Investigators，PIs）利用單一、編排好的 AI 系統有效替代小型數據分析師（data analysts）團隊的案例。這些系統不僅僅是輔助；它們能執行獨立的數據清洗、異常檢測和統計假設檢定，交付的結果往往比疲憊的初級研究人員所產出的更加嚴謹。
「乾實驗室」學徒制的終結
數據分析師和程式設計師的流失不僅僅是一個就業統計數據；它代表了學術人才管道的根本斷裂。從歷史上看，科學的「學徒模式」依賴於初級研究人員執行常規數據任務，以學習實驗設計和解釋的門道。
如果 AI 承擔了「學徒」的角色，未來的科學家將從何處學習質疑數據所需的直覺？
《自然》（Nature）的發現揭示了人力資本開發中隱約浮現的危機。接受報告採訪的高級科學家表示擔心，下一代研究人員可能會缺乏「指尖能力」（fingertips capability）——這種處理凌亂原始文件所帶來的對數據細微差別的深刻、直覺性理解。
- 黑盒問題： 隨著 AI 代理接管數據處理，「黑盒」（black box）科學的風險也隨之增加。人類分析師會注意到數據集因收集錯誤而「感覺」不對勁；而 AI 可能只是單純優化以獲得最擬合的模型，潛在地下幻覺出相關性或忽視了微妙的人為誤差。
- 初級職位空缺： 實驗室開始凍結初級數據職位的招聘。資助機構注意到效率的提升，越來越不願意批准撥款給人類助理來完成 API 花費幾分錢就能完成的工作。這讓有志於科學事業的人進入該專業的切入點變得更少。
比較分析：研究任務中的人類與 AI
為了瞭解這種顛覆的規模，分析 AI 優於人類勞動力的特定能力是很有幫助的。下表根據《自然》（Nature）報告的發現概述了各種科學角色的當前脆弱程度。
| 角色 | 脆弱程度 | 主要 AI 威脅 | 預計影響（2026-2030） |
|---|---|---|---|
| 研究程式設計師 | 極高 | 自主編碼代理 | 角色轉型為「程式碼審查員」或消失； 90% 的常規腳本實現自動化。 |
| 數據分析師 | 高 | 高級數據解讀 LLMs | 入門級職位被取消； 需求轉向「數據策略」與監督。 |
| 文獻回顧員 | 中至高 | 語義搜索與合成引擎 | AI 執行初步合成； 人類專注於高層次的概念整合。 |
| 濕實驗室技術員 | 低 | 機器人技術（高成本/低靈活性） | 仍由人類主導，直到 平價的靈巧機器人出現（預計 2030 年後）。 |
| 首席研究員 | 低 | 無（AI 作為副駕駛） | 角色得到增強；重心轉向 編排 AI 代理及定義高層次問題。 |
效率悖論與「孤獨的人群」
這種現象並非在真空環境中發生。它緊隨詹姆斯·埃文斯（James Evans）及其同事於 2026 年 1 月發表的一項相關研究，該研究強調了 AI 驅動科學中的一個悖論。雖然 AI 工具極大地提升了個人生產力——允許科學家發表更多論文並獲得更多引用——但諷刺的是，它們縮小了科學的集體視野。
埃文斯的研究創造了「孤獨的人群」（lonely crowds）一詞，用來描述那些 AI 鼓勵研究人員匯聚在相同數據豐富、容易實現的目標上的領域。《自然》（Nature）的調查強化了這一點，指出隨著人類分析師從環節中被移除，方法論的多樣性可能會萎縮。
當人類程式設計師攻克問題時，他們會帶來獨特的特質、偏見和創意的解決方案，這可能會導致意外的發現。而針對效率和標準最佳實踐進行優化的 AI，往往會趨向於「最優」但可預測的方案。人類分析師的消除，移除了歷史上推動創新的一層創意摩擦。
科學勞動力的經濟影響
推動這一轉變的經濟論點是不可否認的。在學術預算緊縮的時代，成本效益分析嚴重傾向於自動化。一個研究小組訂閱一個企業級 AI 分析套件的費用，僅為一名博士生津貼的一小部分。
然而，這種效率為目前在該領域的人創造了不穩定的經濟現實。《自然》（Nature）報告強調：
- 工資抑制： 對於少數留存的人類分析師角色，工資正停滯不前。該技能的價值大幅下降，因為「更換成本」（切換到 AI）非常低。
- 技能轉向： 市場正在需求一種新的混合技能組合。「純粹」的編碼已不再足夠。2026 年最有價值的研究人員是那些能夠有效提示、審計並鏈接 AI 代理的人——這一學科被稱為「AI 編排」（AI Orchestration）。
適應：AI 監督者的崛起
儘管傳統角色的前景黯淡，Creati.ai 觀察到了一條適應之路。只要科學家能夠演變，任務的過時並不一定意味著科學家的過時。
《自然》（Nature）報告指出，最具韌性的專業人士是那些從「執行」分析轉向「設計」分析的人。數據分析師的角色正在轉變為「AI 監督者」或「研究架構師」。
在這種新範式中，人類的首要責任是嚴謹的驗證。當 AI 代理生成程式碼和統計證明時，人類必須具備高層次的理論知識來驗證其邏輯，確保 AI 沒有「幻覺」出一個科學突破。這需要對統計原理有更深而非更淺的理解，即使編碼的手工勞動已被移除。
結論：科學新紀元
《自然》（Nature）的調查敲響了警鐘。曾經圍繞著平面設計師和文案撰稿人的「工作的未來」討論，現在已經來到了實驗室門口。科學通常被視為人類智慧的巔峰，事實證明它與任何其他行業一樣，都很容易受到 認知自動化（cognitive automation） 的影響。
對於有志於成為數據分析師或研究程式設計師的人來說，訊息很明確：純認知基礎工作的時代正在結束。未來屬於那些能夠不將 AI 視為競爭對手，而是視為一支龐大、不羈、需要人類專家領導才能運作的助手團隊的人。隨著我們進一步步入 2026 年，「做科學」的定義正在被重新改寫——由我們親手創造的機器，一行接一行地編寫著。
