AI会取代生物物理学家吗？数据真正揭示了什么

你的蛋白质折叠刚刚缩短到十二分钟

你的蛋白质折叠模拟刚刚在十二分钟内完成。两年前，这需要整整一周的时间。如果你从事生物物理学研究，这种转变你已经切身感受到了——AI正在以一种既令人兴奋又让人不安的速度，重写你这个领域的计算面貌。

但大多数头条新闻都误解了一件事：AI并不是来取代你的工作的，它瞄准的是你最枯燥的任务——这个区别至关重要。

数字背后的真相

我们的分析显示，2025年生物物理学家的整体AI暴露度为48%，理论暴露上限为62%，自动化风险评分为34% [事实]。相比之下，更广泛的生命科学劳动力AI暴露度约为34%。这说明生物物理学的暴露程度高于平均水平——但"暴露"并不意味着"可被替代"。它意味着你日常工作中相当大一部分可以被AI增强、加速或直接处理。

48%的暴露度在你的工作周里是什么样子？大约一半的日常任务——数据处理、模拟设置、图像分析、文献检索、统计测试——现在都有AI协作工具，可以大幅缩短你花在这些任务上的时间。另外52%——实验设计决策、假设生成、模糊结果的解读、指导苦苦挣扎的研究生、在会议上为争议性发现辩护——仍然牢牢地属于人类领域。如需更详细的任务级别分解，请参阅生物物理学家职业页面。

AI目前在你的实验室里真正擅长什么

让我们不再抽象地讨论。以下是AI今天在生物物理学实验室中正在真正改变的事情。

蛋白质结构预测已经被彻底改造。 2024年发布的AlphaFold 3现在可以以五年前看似不可能的精度，预测蛋白质复合物与核酸和小分子的结合结构。对于许多过去需要花几个月时间进行晶体生长或NMR指认的问题，你现在可以在不到一小时内生成高置信度的起始模型。这并不意味着实验结构生物学已死——恰恰相反。AlphaFold仍然难以应对的困难案例（本质无序区域、大规模构象变化、没有同源物的新颖折叠）正是值得实验投入的案例。

分子动力学模拟正在AI加速硬件上运行。 Anton 3等工具和机器学习势（MACE、Allegro、NequIP）使研究人员能够在毫秒及以上的时间尺度上模拟生物系统——这在以前是无法企及的。瓶颈正从算力转移到问题本身。目前取胜的实验室不是拥有最大集群的实验室，而是提出最尖锐问题的实验室。

冷冻电镜图像处理现在基本上自动运行。 研究生过去需要花六个月学习粒子选取、分类和图谱重建，而现代AI驱动的工作流程可以在几天内将研究人员从显微图引导至接近原子分辨率的图谱。智识工作已经向上迁移：哪些构象有意义、生物学含义是什么、如何设计下一个实验。

文献挖掘已成为另一番景象。 Elicit、Consensus和SciSpace等工具可以在一个下午内整理出关于某个生物物理问题的完整文献综述。撰写论文中最慢的部分已经大幅加速——尽管论文本身、论证构建的部分，仍然顽固地属于人类领域。

AI仍然在哪些地方表现得极为糟糕

尽管有种种炒作，但生物物理学中有大片区域是AI真正不可靠的，假装这些不存在将是一种误导。

AI无法告诉你该做哪个实验。 它可以告诉你已经做了什么、缺口在哪里、技术上什么是可行的。它无法告诉你哪个缺口在科学上更重要。这需要品味、科学直觉，以及对什么能改变领域理解的深度建模——AI目前不具备这些，在很长一段时间内可能也不会。

AI不知道自己在困难案例中的预测何时是错的。 AlphaFold给出置信度分数，但这些分数是在训练分布上校准的。对于一个没有同源物的真正新颖蛋白质，置信度数字可能会产生误导。一位看过数千个结构的资深生物物理学家，有时能一眼看出一个模型是错的，而这种判断是任何自动检查程序都无法捕捉到的。

AI无法管理一个实验室。 它无法激励一个灰心丧气的博士后，无法写一份能够传达为什么你的问题比其他三千份申请更重要的基金申请，也无法修复一段出了问题的合作关系。科学中的人际、政治和激励性工作，完全属于你的领域。

我们的数据与外部基准的比较

当我们将48%的暴露度数字与外部来源交叉对比时，图景是一致的，但有一些值得关注的差异。经合组织2023年就业展望将"生物科学家"的生成式AI暴露度估计为约31% [主张，OECD 2023]。ILO 2024年生成式AI研究将生命科学研究人员置于35-45%区间 [主张，ILO 2024]。两个数字都低于我们的估计。

差距部分是方法论上的——我们对2025年版工具的评分，而这些工具在那些报告分析时尚不存在。AlphaFold 3、GPT-4级别的科学文献推理，以及AI加速MD模拟都是2023年后才有的现象。差距也有定义上的因素：生物物理学比广义的"生物科学家"更具计算性，而计算性工作正是AI进展最快的地方。

前瞻性问题是我们的48%数字是否低估了2027-2030年的暴露度。我们认为很可能如此。生物学基础模型仍处于青少年期。等今天的一年级研究生完成论文答辩时，暴露度数字可能轻易超过65%。

三条职业轨迹，三种不同结局

我们看到生物物理学中出现了三条截然不同的职业道路，未来各不相同。

第一条路——精通AI的实验学家。 将深厚湿实验室技能与强大AI素养结合的研究人员将处于极高需求状态。他们能够设计产生AI模型所需数据类型的实验，用严格的基准验证AI预测，并带来纯计算研究人员所缺乏的实验直觉。这个群体的薪酬，尤其是在工业界，将显著上升。

第二条路——深度专业化的理论家。 在AI目前尚未攻克的问题（本质无序蛋白质、变构机制、远离平衡态的生物物理学、单分子统计学）上工作的理论生物物理学家将继续受到重视。数学很难，AI还不能做到。社区足够小，全球只有五十个人真正理解你的问题仍然赋予了有意义的职业安全感。

第三条路——计算通才。 价值主张是"我会运行MD模拟"或"我会做生物信息学"的研究人员面临最不确定的未来。这些技能正在被商品化——先是被更好的软件，现在是被能驱动软件的AI代理。要生存，这个群体需要向上移动（成为决定模拟什么的科学家，而非运行模拟的技术员），或者横向进入相邻领域（计算药物发现、蛋白质工程、AI科学平台开发），在那里生物物理学培训是一个差异化因素。

未来六个月该做什么

如果你是一位正在阅读本文的生物物理学家，以下是五个具体行动。

首先，在你领域中的至少三个蛋白质上实际运行AlphaFold 3。不是"我读过相关报道"，而是真正运行它。与你拥有的任何实验数据进行比较，找到一个它出错的案例并理解原因。这是新的流利度要求。

其次，了解足够多的ML势和等变神经网络知识，以便知道何时使用它们、何时经典力场更好。MACE和NequIP的论文是可以理解的，去读一读。

第三，掌握至少一种AI文献工具——Elicit、Consensus或Scite——并在下个季度的每次文献综述中使用它。将结果与手动操作的结果进行比较，校准你的信任程度。

第四，找出你科学问题中AI肯定无法完成的那部分，并在这上面加倍投入。写一页纸解释为什么你的问题对AI来说很困难。在基金申请和教职讲座中使用这个说明。资助机构和搜索委员会正在越来越多地提出这个问题，好的回答会得到奖励。

第五，跨越实验-计算鸿沟建立合作关系。未来将蓬勃发展的生物物理学家是那些能够同时讲两种语言的人。如果你主要做实验，找一个计算合作者；如果你主要做计算，每月去湿实验室待一段时间。

诚实的结论

生物物理学正在被重塑，而不是被取代。这个领域正在向规模更大、更具整合性的问题迈进，这些问题将实验、模拟和机器学习结合在一起。拥抱这种整合的研究人员将发现他们的职业生涯得到加速；将AI视为敌人或时尚风潮的研究人员将发现自己在与把AI视为天然工具的年轻研究人员竞争。

好消息是生物物理学的问题变得越来越有趣，而不是越来越少。蛋白质设计、细胞尺度建模、单分子物理学、疾病的生物物理学——这些是重大的开放问题，AI正在让它们比以往任何时候都更容易处理。坏消息是精通AI和抵触AI的生物物理学家之间的差距正在迅速扩大，接下来十八个月将决定你站在哪一边。

更新历史

• 2026-04-15：首次发布
• 2026-05-14：扩展了AlphaFold 3分析、OECD/ILO基准比较、三条职业轨迹框架和具体六个月行动计划。

---

_本分析由AI辅助生成并经准确性审查。标注[事实]的数据点来源于我们的内部模型；[主张]指所引用的外部来源；[估计]反映在精确数字尚不可用时的方向性分析。_