隨著人工智慧（AI）滲透科學研究，期刊、機構和教室都在制定使用大型語言模型（LLM）的規則。但個別實驗室該如何決定使用 AI 的最佳方式來增強工作？一份白皮書指出，這取決於您的團隊重視的研究價值。
這篇由一群太空科學研究人員於 7 月 1 日發布在 arXiv 預印本伺服器、尚未經過同行評審的論文建議，沒有一種放諸四海皆準的策略適用於所有研究團隊。相反地，作者定義了四種實驗室群體的「原型」，每種原型都可能在研究過程的不同階段從使用 AI 中受益。
這篇論文的構想來自於團隊成員看到天文和政府機構實施 AI 政策，但他們自己卻「在如何向我們的學生和博士後提出這個想法上掙扎」，共同作者、西維吉尼亞大學天文學家 Sarah Burke-Spolaor 表示。「我們不能說『不要使用 AI』，因為人們已經在使用它了。」
鑑於 AI 工具的眾多潛在應用，從生成程式碼到協助非英語母語者寫作，團隊意識到「我們需要談論的不是 AI，而是我們作為一個群體對我們來說什麼最重要」，Burke-Spolaor 說。「而作為首席研究員，您想塑造什麼樣的團隊？」
為了協助研究人員開啟這個話題，該論文提出了四種實驗室原型，每種原型都有其獨特的優先事項和可能的 AI 使用方法。每種實驗室的特質都繪製在雷達圖上 — 靈感來自於電玩遊戲《勁舞革命》（Dance Dance Revolution）中用來測量歌曲難度的圖表，巴爾的摩馬里蘭州太空望遠鏡科學研究所的天文學家、白皮書共同作者 Michelle Ntampaka 表示。作者們在論文末尾包含了一個類似的工作表，供研究人員找出他們實驗室自身的優先事項。
如果您的實驗室是「高槓桿」實驗室，您可能會優先考慮以有限的資源最大化科學影響力，並可能從使用大型語言模型進行程式碼生成、資料分析和想法發想中獲益。「工匠精神」實驗室更注重透過實踐和失敗來建立專業知識，而不走捷徑，可能會採用 AI 進行寫作協助和會議摘要。「可信賴」團隊最關心可重複性和透明度，可能會使用 AI 進行程式碼除錯和行政任務，而「資料管家」團隊則優先考慮負責任的資料管理，並傾向於出於保密原因偏好自行託管的 AI 模型。
作者們強調，這些原型是哲學的卡通化描繪，並非互斥，大多數團隊可能都會採用多個類別的元素。哈佛醫學院（Harvard Medical School）負責研究生教育 AI 相關事務的 Tari Tan 表示，實驗室的優先事項也會根據情況而改變。「在實驗室的研究中，有些特定情況下，重點是確保人類不會在認知上過度依賴 AI」— 換句話說，他們不會為了方便或效率而讓 AI 進行「艱難的思考」。她說：「或者，如果您正在進行一個非常龐大、快速發展的專案，那麼最大化資源和快速推進可能就會成為優先事項。」