人工智慧（AI）正成為雇主和資助者必備的技能。求職網站 Indeed 的數據顯示，在美國，列出「AI」為必要技能的科學職位正在急劇增加，而科學職位的總數卻在下降（見「AI 需求」）。

英國諾里奇的 Quadram 研究所是個例子，該研究所專注於食品科學和腸道生物學。儘管如此，根據其執行長 Daniel Figeys 的說法，研究人員必須展現對機器學習和 AI 的一定了解。

「他們絕對應該熟悉它，」他說，並補充說 Quadram 的許多工作都涉及機器學習和高通量篩選，其數據通常使用 AI 工具進行分析。「如果他們缺乏所有這些技能，根據職位不同，這將是一個危險信號。」

然而，研究人員與其擔心 AI 系統會搶走科學工作，不如透過使用和解讀 AI 工具來建立自己的理解，從而取得領先。而且他們不需要知道所有事情。麻省理工學院（MIT）的電腦科學家 Regina Barzilay 在該校開設了一門專門課程，教導科學家 AI 技能。她將其比作烹飪：「你不需要學會地球上每一道菜譜才能在廚房裡感到自在……但你需要有這個非常基本的理解，」她說，就像「你不需要成為電腦科學家才能使用電腦。」

《自然》雜誌採訪了九位招聘人員和研究人員，詢問他們在 AI 時代，各種科學家最重要的技能將是什麼。

建立 AI 知識的「做」與「不做」：

• 在工作日嘗試使用 AI 技術。

• 參加 AI 和機器學習課程。

• 要求 AI 為專案編寫程式碼，然後拆解程式碼並學習其運作方式。

• 不要提出使用 AI 工具的專案，卻無法展示你具備支持它的技能。

• 不要相信聊天機器人提供的所有內容。

• 不要試圖一次學會所有東西。

招聘人員一再告訴《自然》雜誌，他們尋找的不是特定的技術技能，而是對 AI 充滿好奇心並能在履歷中展現出來的候選人。

「這是一種捲起袖子投入其中的意願，無論是透過非正式培訓，還是僅僅花一些時間在開源教育內容上，」明尼蘇達州梅奧診所（Mayo Clinic）的研究院長 Vijay Shah 解釋道，該診所五月份有近 30 個開放的研究職位。

他說，這比特定技能更重要，因為該領域的發展速度非常快。他補充說，如果設定一個標準，要求人們能夠使用 OpenClaw 或 AlphaGenome 等 AI 工具，那麼這個標準很快就會過時。

這是一種與 TileBio 執行長 Christopher Walsh 的觀點不謀而合，TileBio 是一家位於英國格拉斯哥的初創公司，該公司利用 AI 分析醫學影像。「如今，只要你驗證來源，利用大型語言模型自學新資訊其實非常容易，」Walsh 說。「我建議你保持學習新事物的 وهذه好奇心，我認為這是第一步。」

許多機構在其科學課程中提供 AI 培訓，同時也有線上課程，由麻省理工學院和倫敦皇家化學學會等機構提供。「除了依賴你的機構，還有其他方式可以獲得這類培訓，」Figeys 說。

使用 AI 工具時的一個陷阱是過度信任其產生的結果，而沒有批判性地檢查數據。「它通常會根據你說的話，給你認為你想看到的結果，」Walsh 說。「它是一個討好者。」

Barzilay 認為，需要仔細檢查的是 AI 給出的任何百分比機率，因為它可能與觀察到的現實不符。例如，如果一個 AI 模型說放射影像有 80% 的機率顯示癌細胞，「你需要做的是說，『我能信任這個 80% 嗎？』」

這意味著要識別機率估計是否已根據當前的測試數據進行校準，以確保其估計值與真實分佈相符。

例如，癌症篩檢模型通常以歷史病例為基準，因此當這些模型用於分析新人群時，它們所依賴的風險閾值可能不再符合現實。在未發表的論文中，AI 專家 Aziz Ayed 和他在麻省理工學院的同事發現，AI 模型 MIRAI 錯誤分類了女性的乳腺癌風險，可能因未能標記一些女性符合進階篩檢資格而危及生命。

工程師 Sydney Pham 於 2024 年完成了 Barzilay 開設的機器學習課程。她現在任職於麻薩諸塞州劍橋的製藥公司 Moderna，利用 AI 透過找出實驗中最有希望的參數並識別進一步研究的領域來改進製造流程。

「有時模型可以理解意外的觀察結果，這可以指導研究的進一步迭代，」Pham 說，但她謹慎地表示，她總是透過其他方式來證實 AI 的建議。「了解模型如何產生結果非常有幫助。」

「了解模型的潛在能力，同時也要了解當它在機器上運行或與數據集互動時意味著什麼，這真的非常重要，」英國牛津大學 AI 能力中心（AI Competency Centre）的顧問 Dominik Lukeš 說。

由於有些人只是嘗試使用大型語言模型並得到「有些奇怪的答案」，Lukeš 認為投入時間試圖理解 AI 的運作方式是值得的。「有些人花費了數百小時學習如何利用它，思考這個過程，重新思考他們的過程，然後突然他們會說（他們）離不開它，『哦，這是一個巨大的遊戲規則改變者。』」

在一個由 AI 驅動的時代，似乎大多數研究提案都充滿了關於如何使用這項技術的想法。然而，招聘經理表示，提案撰寫者通常無法證明他們的團隊有實施這些想法的經驗。寫「我們將使用 AI 來實現我們的目標」在沒有細節和經驗支持的情況下，並不是特別可信。

倫敦癌症研究英國（Cancer Research UK，CRUK）的預防和早期檢測研究主管 Talisia Quallo 表示，AI 出現在 CRUK 收到的許多提案中。她說，資助委員會需要看到「你理解這些 AI 方法，並且你詳細說明了你將如何使用它們，該演算法如何運作以及它的局限性。」

由 VCG 透過 Getty 提供的圖片：人形機器人有效生產是某些從事具身智能研究的科學家的一個研究目標。

CRUK 的一個成功例子是 Ke Yuan 的研究小組，名為「AI for Cancer Research」。該團隊以前包括 Walsh，他在攻讀博士學位前，曾獲得電腦科學學士學位，專攻癌症。

「我是將電腦科學知識帶入團隊的成員之一，」Walsh 說。研究經費申請中列出了每個人的不同職責——他的職責是「將病理學知識和細胞生物學知識轉化為程式碼。」

Quallo 說，向評估委員會證明你懂得如何使用 AI 技術最簡單、最好的方法是在該領域發表論文。或者，她建議在研究經費提案中包含具有相關專業知識的專案團隊成員，儘管團隊中的每個人都應該對 AI 有一定的了解。