文章核心观点 - AI正在替代科学研究中的入门级岗位和基础认知任务，如写代码、跑模型和数据分析，这正在切断年轻科学家进入学术界的传统培养路径，可能导致科学人才管道的长期崩塌和科学共同体的萎缩[5][6][9][14] - AI目前无法替代需要动手实验、提出原创问题、组织协调以及拥有深层直觉和判断力的高级研究职能，但这些高级能力恰恰需要通过完成那些正被AI替代的基础工作来磨练和培养[7][10][17] - 这是一个集体行动困境：每个研究团队基于效率和预算的局部理性决策（削减初级岗位）汇集起来，造成了系统性风险，即整个学科失去培养下一代科学家的通道，威胁科学的长期进步[10][14][18] AI对科学岗位的替代现状 - 替代的岗位类型：AI正在替代科学领域中的纯认知型任务，包括写代码、跑模型、做数据分析，这些曾是研究生、博士后和初级研究人员（如研究程序员）的日常工作[6] - 替代正在发生：行业专家指出，研究程序员岗位“现在已经过时”，实验室新建时已无必要专门招聘此类人员，这不仅是预算原因，更是因为AI[6] - 无法替代的职能：AI目前还无法替代需要动手做实验的人、提出原创想法的人、组织协调整个研究项目的人，以及解读复杂实验结果的人[7] 对劳动力市场与科学界的广泛影响 - 整体劳动力市场趋势：AI对劳动力市场的冲击集中在入门级岗位。自2023年以来，美国入门级岗位招聘发布量下降35%；在所有AI导致的岗位削减中，63%发生在入门级别；在AI高暴露职业中，22至25岁年轻人就业率自2022年以来下降近20%[8] - 科学界的特殊风险：科研领域入门级岗位的消失，不仅意味着工作机会减少，更意味着一个学科失去了培养下一代科学家的核心通道，其后果比普通行业更危险[9] - 人才管道危机：数据分析、写代码等基础工作是年轻科学家进入学术圈的“门票”，是学习提问、设计实验、从失败中发现方向的关键过程。当这个入口被AI堵死，年轻人进入科学共同体的路径就断了[10] 案例与可能的应对路径 - 消极出局案例：美国翻译协会科技翻译分会的成员人数在2.5年内下降了26%，部分译者因AI替代而转行或彻底出局（如送外卖），展示了AI入局后“彻底出局”的走向[11] - 积极迁移案例：AlphaFold 2能高精度低成本预测蛋白质结构后，在它能高置信度预测的蛋白质上，人类实验研究产出下降35%。但科学家并未失业，而是转向了AI预测不好的蛋白质，专攻AI搞不定的难题，找到了相对优势[12] - 迁移的关键：能够成功迁移到AI边界之外的，是那些已经“在场内”的、拥有知识、经验和判断力的科学家[13] 长期后果与根本矛盾 - 历史与现实的对比：1986年的Geoffrey Hinton所做的写代码、跑实验等基础工作，正是如今被AI替代的任务。如果生在今天，他可能因研究方向边缘且不确定而无法获得进入实验室的机会和资源[14] - 经济理性与系统困境：从局部经济角度看，用AI替代初级研究人员（如用两小时完成研究生两周的工作）是理性的。但所有局部理性决策加总，导致了“人才入口收窄”这一集体最差解，形成“更多的研究，更少的研究者”的局面[14] - 核心危机：AI替代的不是已成名的科学家，而是“科学家成为科学家之前”的那个人。问题的关键不在于现有科学家能否适应AI，而在于未来的科学家是否还有机会进场并获得培养[15] - 能力培养的断层：科学的进步依赖在无数次基础工作中磨练出的深层直觉和灵光一现，这些无法被AI prompt或fine-tune出来。当前趋势正在切断培养“AI替代不了的人”的唯一路径[16][17][18] - 终极风险：人才管道一旦崩塌，其影响是十年后的问题。届时，AI或许能完成所有执行性工作，但可能无人能告诉它“该做什么”[18]