AI时代雇主所需技能及四大应对之道

人工智能正在成为科研领域的新“硬通货”。招聘网站Indeed的数据显示，在美国，要求具备“AI”技能的科学岗位数量正在急剧上升，而同期科学岗位总数却在下降。这一趋势在生物医学、食品科学等传统领域尤为明显。位于英国诺里奇的Quadram研究所，主营食品科学与肠道生物学，其首席执行官Daniel Figeys明确表示，研究人员必须对机器学习和AI有所了解，“如果完全缺乏这些技能，在某些职位上，这绝对是一个危险信号。”在他看来，该领域大量工作涉及机器学习和高通量筛选，这些数据通常需要借助AI工具进行分析。 面对这一趋势，科研人员与其担忧AI会取代自己的工作，不如主动利用AI工具来加深理解，从而抢占先机。麻省理工学院计算机科学家Regina Barzilay为科学家开设了专门的AI技能课程，她将学习AI比作学烹饪：“你不需要学会世界上所有的菜谱才能下厨，但你需要掌握最基础的理解。”就像“你不需要成为计算机科学家才能使用电脑”一样，科研人员也不必成为AI专家，但必须懂得如何运用它。 Nature采访了九位招聘负责人和研究人员，总结出AI时代科学家最重要的能力，以及四条实用建议： 保持好奇心比掌握具体技能更重要。 梅奥诊所研究院长Vijay Shah表示，招聘方最看重的是候选人是否愿意主动学习AI，并能在简历中体现出来。“无论是非正式培训，还是花几小时看开源教育内容，这种卷起袖子就干的意愿才是关键。”由于AI领域发展太快，如果以是否掌握某个具体工具（如OpenClaw或AlphaGenome）作为衡量标准，很快就会过时。英国初创公司TileBio的首席执行官Christopher Walsh也持同样观点，他建议科研人员“保持好奇心，乐于学习新事物，这是第一步。”除了依赖所在机构，MIT、伦敦皇家化学学会等也提供在线课程，获取培训的渠道其实很多。 理解AI的“思维方式”并保持批判性。 使用AI工具时的一大陷阱是盲目相信其生成的结果，而不去批判性地审视数据。AI有时会给出它“认为”正确的答案，但这并不代表答案真的正确。科研人员需要了解AI模型的底层逻辑和局限性，才能有效利用它，而不是被它误导。 四条实用建议： - 在工作中大胆尝试AI技术，将其融入日常流程。 - 系统学习AI和机器学习课程，建立知识框架。 - 让AI为项目写代码，然后拆解代码，理解其运作原理。 - 不要在没有掌握相应技能的情况下，仅凭概念就提出使用AI的项目方案。 - 不要轻信聊天机器人的所有输出，务必核实来源。 - 不要试图一次性学完所有内容，循序渐进才是正道。