AI会取代古生物学家吗？

51%。这是古生物学家面临的AI自动化暴露评分——这一数字落在一个有趣的中间地带：高到足以预示真正的变化即将到来，低到足以说明这门学科的核心工作是真正安全的。

如果你以研究化石为生，有关AI的讨论通常会走向两个方向之一：要么有人告诉你机器学习将彻底革新你的领域，要么有人告诉你ChatGPT已经可以帮你做文献综述。两种说法都有一定道理，但都没有抓住重点。BLS将古生物学家归类于地球科学家，预计2034年前就业增长+5.4%——快于所有职业的平均水平。古生物学家的就业市场规模虽小，但相当稳定。

真正值得探讨的问题不是AI是否会取代古生物学家——它不会。真正的问题是：工作的哪些部分将发生如此大的变化，以至于你在2030年的日常工作对2020年的人来说会感到陌生？这才是本文真正要讨论的内容。

51%暴露评分涵盖的范围

古生物学可以分解为大约五个活动簇：野外工作（采集标本）、制备工作（清洁和稳固化石）、描述工作（正式的分类学工作）、分析工作（系统发育、生物力学、古生态学）以及沟通工作（论文、讲座、公众参与）。51%的暴露评分是对这些活动加权平均的结果，而权重至关重要。

野外工作对AI的暴露几乎为零。你仍然需要走过露头、判读地层，并把锤子打在正确的地方。无人机图像和激光雷达能帮助你决定在哪里寻找，但无法告诉你挖什么。制备工作同样安全。用微型气磨机暴露化石的工作无法由机器人完成，原因与机器人难以完成包装工作相同——在小尺度上、用脆性材料进行操作所需的空间推理和触觉反馈远超当前系统的能力。

描述、分析和沟通工作才是暴露评分所在之处。这些是工作中涉及办公桌和屏幕的部分，而且变化正在加速。

AI已经进入工作流程的地方

几何形态测量学——形状的定量描述——在自动化标志点检测方面已经进步了大约十年。SAM（Segment Anything Model）等工具和专业卷积神经网络可以以2018年还是科幻的速度在CT扫描切片和照片测量中识别解剖特征。一篇在2015年需要三个月手动标志点数字化的论文，今天使用半自动化工具大约需要三周时间完成，而瓶颈主要在于人工核验，而非机器识别。

微化石鉴定是另一个活跃领域。有孔虫、牙形虫、花粉和硅藻的自动化分类流水线在精心策划的训练集上已经达到了85-95%的准确率。对于商业微古生物学工作——例如石油和天然气行业的生物地层学——这些系统已经投入生产使用。主要服务公司的资深微古生物学家现在花更多时间验证模型输出和处理边缘案例，而不是在显微镜下数有孔虫。工作发生了变化，但并没有消失。

新一波浪潮是大型语言模型与古生物学文献的整合。能够综合约200万篇地质和古生物学论文的工具开始产出有用的文献综述初稿、分类学背景部分，甚至假设建议。史密森尼学会和几所主要大学的研究人员发表了使用LLM辅助系统发育特征矩阵构建的概念验证工作。早期结果对狭窄任务前景可期，对广泛任务则令人汗颜——这大体上是LLM在每个研究领域中的共同故事。

不会改变的东西

有一点值得清楚认识。AI不涉及的古生物学部分不仅更安全，而且正在变得相对更重要。

野外采集历来是这门学科的瓶颈。你无法研究尚未被发现的化石。随着自动分析变得更快，对新标本的需求增长了，而能够开展富有成效的野外项目的人变得更有价值。野外经验是这门学科中不断升值的资产。

分类学判断——关于一件标本是否代表新物种、已知物种的形态变异，还是病理情况的判断——仍然需要深厚的专业知识。自动化系统可以标记出候选对象，但判断某件事物在分类学上是否有意义或只是噪音，需要对保存模式、个体发育、性别二态性、地理变异以及生物如何变成化石的混乱现实有所了解。目前没有任何模型具备这项工作所需的上下文理解，通向这种理解的路径尚不清晰。

真正重要的科学写作——你在论文中提出论点、捍卫解释或提出新框架的部分——是审稿人花费时间和编辑做出决定的地方。LLM可以起草，但知识内容完全属于你。能阅读古生物学论文的任何人都可以分辨出经过深思熟虑的论文和没有经过深思熟虑的论文，这种区别正是论文能否发表在《自然》、《科学》、《美国国家科学院院刊》和顶级专业期刊上的关键。

将会改变的具体任务

让我具体说明你的日常工作在五年内将有何不同。

文献综述将大量借助AI辅助完成。起草背景部分将涉及查询可以跨数千篇论文进行总结、找到特定历史观察、并识别当前理解空白的工具。重要的技能将是知道要索取什么以及如何核实所得到的内容。实际写作仍然是你的，因为这些工具产生的综合内容称职而平淡，而你希望你的论文两者都不是。

标本记录将部分实现自动化。从手机照片生成出版质量3D模型的摄影测量工作流程已经可以在野外条件下部署。自动标志点检测将处理研究较多类群的大量形态测量数据采集工作。剩余的手工工作将集中于罕见标本、复杂类群和击败自动化流水线的边缘案例。

系统发育分析将迎来新工具，但方法论争论不会消失。贝叶斯方法和简约法、模型选择、特征编码决策——这些领域中人类判断和方法论选择推动科学发展，AI更多是加速器而非替代者。

公众沟通是AI为在职古生物学家提供最大价值的领域。帮助你从已发表工作中制作插图、动画和互动网络内容的工具可以极大地扩展你的影响力，而无需聘请图形设计师。博物馆和大学越来越希望他们的研究人员进行这种沟通，擅长此道的人在获得研究经费、公众演讲和学术影响力方面具有优势。

未来十年的职业路线图

如果你是研究生或早期职业古生物学家，实际建议是直截了当的。

培养深厚的野外经验。 这是这门学科最具防御性的部分，也是以后最难获得的部分。你能参加的每一个野外季，都要参加。你能学习的每一个地点，都要学习。

对工具保持流利，但不要成为工具。 学习足够的Python来运行形态测量流水线、查询数据库和定制分析。学习足够的LLM知识来有效使用它们而不被它们欺骗。目标是成为使用这些工具来进行更好古生物学研究的人，而不是与它们竞争的人。

向相邻定量领域交叉培训。 系统发育比较方法、古生态建模、深时气候重建——这些都是计算技能和古生物学知识结合起来做出双方都无法单独完成工作的领域。这些交叉地带的就业市场比经典描述性古生物学好得多，而且更难自动化，因为需要两种专业知识。

在工作中保持面向公众的部分。 博物馆、大学推广活动和科学传播渠道越来越多地影响资金决策。具有强大公众沟通能力的研究人员比十年前更有价值，而且差距正在扩大。

工作实际在哪里

古生物学的纯研究职位一直供不应求，这一点没有改变。传统学术路径产生的博士数量远多于终身教职职位。

正在增长的工作在相邻应用领域。能源公司的储层表征（特别是地热、碳封存和剩余油气）为生物地层学和古环境工作雇用了大量古生物学家。随着理解过去气候类比物的紧迫性增加，气候古生态学获得了真正的资金增长。政府调查机构（美国地质调查局、州地质调查机构及其他国家的同等机构）持续招聘，尤其是与烃类和关键矿物相关的工作。

博物馆职位仍然竞争激烈但相对稳定。自然历史博物馆越来越重视能够处理数字馆藏工作、公众参与和展览开发的研究人员。具有馆藏经验和公众参与技能的古生物学家比只有研究资历的人更具就业竞争力。

诚实的总结

2035年的古生物学将与2025年的显著不同，但区别更多体现在工作流程而非就业人数上。工作中涉及办公桌的部分变得更快。野外部分保持不变。需要判断的部分变得更重要。沟通部分扩展到新媒体。

51%的暴露评分是真实的，应该促使你认真对待这一转变。但它是任务的评分，而不是工作的评分，而做这项工作的人将一直做下去，只要人类想知道我们之前发生了什么。这种需求不会消失。

---

方法说明：暴露评分遵循GPT影响框架（Eloundou等人，2023年），通过O\NET和脊椎动物古生物学学会工作流程调查的任务级分析应用于科学职业。就业预测来自BLS 2024-2034年就业预测（地球科学家类别，19-2042）。微化石自动化精度数据来自2021-2024年同行评审临床验证研究。[估计]标签表示综合数据；[事实]标签表示原始来源数据；[主张]标签表示未经独立核实的已发表主张。*