人工智能模型可以用于从编码到记录会议笔记等各种任务，具体取决于实验室的需求。来源：da-kuk/Getty 随着人工智能渗透科学研究，期刊、机构和课堂都在采用各自的规则来使用大型语言模型。但是，个别实验室如何决定最佳方法来使用人工智能以提升其工作呢？一份白皮书提出，这取决于你的团队所优先考虑的研究价值。这篇论文由一组空间科学研究人员于7月1日发布在arXiv预印本服务器上，尚未经过同行评审，建议没有一种适用于所有研究组的标准策略来采纳人工智能政策。相反，作者定义了四种实验室组“原型”，每一种在研究过程的不同阶段都可以从使用人工智能中受益。论文的创意来源于团队成员看到在天文学和政府机构实施人工智能政策，但在“如何与我们的学生和博士后讨论这一想法”时感到“挣扎”，联合作者、来自西弗吉尼亚大学（West Virginia University）天文学家Sarah Burke-Spolaor表示。“我们不能说‘就不要使用人工智能’，因为人们已经在使用它。” 因为人工智能工具有许多可能的应用，从生成代码到帮助非流利英语者写作，团队意识到“我们需要讨论的不仅仅是人工智能，而是作为一个小组对我们来说什么是重要的，”Burke-Spolaor说道。“作为领导研究者，你希望塑造什么样的小组？” 你的性格类型是什么？为了帮助研究人员提出这个话题，论文提议了四种实验室原型，每种都有自身的优先事项和可能采用的人工智能使用方法。每个实验室的特征被绘制在一个雷达图上——这一图表灵感来源于视频游戏《舞蹈舞革命》中用来测量歌曲难度的图表，白皮书的联合作者、来自马里兰州巴尔的摩的空间望远镜科学研究所天文学家Michelle Ntampaka表示。作者在论文的末尾包括了一个类似的工作表，供研究人员梳理他们实验室的优先事项。 如果你的实验室是“高杠杆”型的，你可能会优先考虑在有限资源下最大化科学影响，并可能受益于使用大型语言模型进行代码生成、数据分析和头脑风暴。“工艺”实验室则更专注于通过实践和失败来建立专业知识，而不是走捷径，可能会使用人工智能来进行写作辅助和会议摘要。“可信任性”团队最关心可再生性和透明性，可能会使用人工智能进行代码调试和行政任务，而“数据管理”团队则优先考虑负责任的数据管理，并倾向于出于保密原因使用自托管的人工智能模型。重要的是，作者指出，这些原型是哲学的夸张表现，并不是互相排斥的，大多数团队可能会采用来自多个类别的元素。实验室的优先事项也可能会根据情况而变化，哈佛医学院（Harvard Medical School）负责研究生教育中的人工智能相关工作Tari Tan表示。“在实验室研究中的特定上下文中，重点是确保人类不会将认知卸载到人工智能上”——换句话说，他们不会因为便利或效率而让人工智能代替人进行‘艰难的思考’，她说。“或者，如果你在一个快速前进的大项目上，那么最大化资源和快速推进可能会成为优先事项。”