正發生

今年2月，深圳市福田區70名“AI公務員”上崗的新聞迅速登上了熱搜。這批新員工的公文格式修正準確率超過 95% ，審核時間縮短 90% ，能夠適應240個場景……從無人駕駛出租車“蘿卜快跑”，到AI公務員、AI主持人，各行各業都或大或小地受到了AI的影響。

近年來，AI在天文學中的應用取得了重大突破，尤其在尋找系外行星方面，最引人注目的案例之一是Kepler-90i的發現。

NASA的開普勒太空望遠鏡于2009年發射，專門用于尋找圍繞其他恒星運行的行星。它采用“凌日法\"（transitmethod）來尋找行星：當行星經過母恒星前方時，會暫時遮擋一部分恒星的光，使恒星的亮度稍微變暗，這種亮度變化被記錄下來，形成一條光變曲線。開普勒太空望遠鏡觀測了超過15萬顆恒星，記錄的數據量非常龐大。科學家需要逐一檢查可能由行星引起的亮度變化，既費時，又容易遺漏微弱的信號。

2017年，谷歌與NASA合作，訓練了一個“行星偵探\"模型。它學習的過程有點像訓練一個“貓偵探”來識別照片中的貓，AI需要\"看\"成千上萬張帶貓和不帶貓的圖片，學會分辨貓的特征。同樣地，AI通過分析數萬條已經標記好的光變曲線，學習識別\"行星凌日\"的特征信號。

到了學以致用的階段，AI識別的過程類似于一個“篩選器”。AI先將光變曲線的數據分成很多小片段，然后掃描這些數據片段，尋找符合\"行星凌日\"特征的信號。行星通過恒星前方時產生的微弱光變，就像照片中的\"貓耳朵”，是AI重點關注的特征。AI還會過濾許多類似但不是真正的行星的信號，比如恒星活動或望遠鏡儀器誤差。最終，當AI發現符合所有條件的信號時，科學家會進一步驗證。就這樣，AI發現了隱藏在Kepler-90恒星系統中的一個微弱信號，也就是行星Kepler-90i。這意味著Kepler-90恒星系統中發現的行星數量達到了8顆，與太陽系的行星數量相同。

AI在系外行星搜索中取得的成功只是個開始。目前，NASA正在使用類似的AI技術分析來自凌日系外行星勘測衛星（TESS）的數據，TESS觀測了覆蓋85% 天空的恒星，有望發現更多的行星候選體。未來，我們或許能夠發現類似地球的\"第二家園”。

盧健龍（天體物理學博士，新加坡國立大學數學系研究員）

我所在的工作部門叫“精確醫療”，你可以理解成“個人化醫療”。AI醫療的應用，也許比你想象中近得多——由清華大學智能產業研究院打造的人工智能醫院，已于2025年4月正式成立。那么，智能醫療到底是怎么運作的呢？

眾所周知，要成為一名具有獨立診斷資格的醫生，需要多年的學習和住院醫師的培訓。同理，我們可以讓AI去學習這類知識。在這個環節，研發人員會與真正的醫生合作，讓AI去學習權威的、經得起驗證的知識，而不是去網上搜索病人的個人體驗或者江湖郎中的未經驗證的總結。此外，AI將學習自有醫療記錄以來的真實病例數據庫，化身為一名匯集了幾千年全球醫學知識的“神醫”。這就像當年圍棋名將柯潔與阿爾法狗的對決，柯潔面對的是歷史上所有圍棋名將的總和及過去的自己，因此幾乎沒有勝算。當這樣一位AI醫生給你問診時，它不僅能提供給你一些基本的情緒價值，還能通過問答給出相當準確的建議和診斷。

不過，這并不意味著我們可以百分百地信任智能醫療，不論是在研發階段還是在應用階段，都會有真實的醫生參與AI訓練、審核和優化。真實的人在整個過程中會一直起到決定性的作用。

Peter（精確醫療高級研究員）

早在20年前，計算機輔助繪圖的普及就已為建筑行業帶來了變革。彼時，一套完整的建筑圖紙需要繪圖師在巨大的畫板上耗費數周精心繪制，一旦出錯或方案調整，往往只能推倒重來。而電腦制圖不僅大幅縮短了繪圖時間，也使修改變得高效便捷。

如今，AI已經可以一鍵生成圖紙與效果圖，迅速產出看似成熟的設計方案。AI生成的成果本質上是對已有數據的分析與重組，但建筑設計的復雜性遠非“響應問題\"所能涵蓋，真正的設計工作往往始于“提出問題”。

當然，如果你給AI輸入指令，它也會嘗試反問或補充條件，但這與設計師的思維模式大相徑庭。設計師提出問題，是為了回應某種整體性的訴求 一一種對創新、對美的不斷追問。而這種出于自由意志的美學追求，當前的AI顯然還無法做到。

朱文瀚（建筑設計師）

大家都知道，法律工作是非常嚴肅的，特別是涉及意思表示和引用時。目前，AI在法律領域的主要應用場景有：一、法律法規檢索，通常搜索引擎也可以做到；二、案例檢索，相比于專業庫中有限的案例，AI能找到最新的案例或非官方的案例；三、合同預審；四、法律分析，為使用者提供思路;五、法律語言的外語翻譯。

但我不得不吐槽AI的\"主觀能動性”。以案例檢索為例，AI試圖提供準確的

搜索結果，但它會對部分符合要求的案例進行\"二次創作”，從而達到全面符合

要求的目的。這種二次創作在法律工作中是個巨大的雷點！因此，在使用AI檢索案例的時候，我們還得加以復核。

湯明亮（律師）

對語言感興趣的同學或許會擔憂：“將來翻譯還是不是一份體面的工作？\"我們公司做的事就是，訓練機器翻譯模型，并運用于翻譯中。自ChatGPT誕生之后，AI翻譯從神經網絡轉向了大模型，不但效果更好，而且潛力巨大。粗略地說，目前我們使用機器翻譯的比例已經超過 50% 。當然，機器翻譯的結果還需經過人工修正，才能交給客戶。同學們可以自行比對機器翻譯和翻譯大家的作品，不難發現，AI確實能夠把字面的含義流暢地翻譯出來，但在句子組織、信息傳遞、情感傳遞等方面做得還很不夠。現階段，AI可以幫助提升翻譯效率，但人依然是翻譯的核心。

劉海明（深圳新宇智慧科技有限公司副總經理）

讓AI來預測股票趨勢，靠譜嗎？確實還行！目前國內券商對AI大模型的探索集中在風險管理、投資顧問、交易等領域。我們在工作中接觸到的很多量化交易工具，都與算法息息相關。AI可以通過算法學習識別和捕捉股票非線性的高頻特征，短期內預測股票價格的波動及走勢，在為投資者提高交易效率的同時，嘗試獲取超額收益。當然，算法的預測并非完全準確，會受很多因素影響。根據我們的觀察，當股票單邊上漲（股票價格幾乎只漲不跌）時，算法預測的準確率會高一些，可以達 70% 左右。鑒于金融市場存在太多的不確定因素，我們應該給AI更多的包容，它也會給我們帶來更多的驚喜。盡管如此，還是得記住那句老話：“股市有風險，入. 市需謹慎。\"

容謙（證券行業從業者）

黃強豪（電子信息專業博士，浙江大學控制科學與工程學院科研助理）

還記得蛇年春晚上驚艷四座的人形機器人表演《秧BOT》嗎？在浙江大學控制科學與工程學院和西湖區靈隱街道聯合打造的石虎山機器人創新基地，你能見到各種形態的機器人。在機器人的創新研究中，AI必不可少，比如我們在日常工作中就需要用AI來訓練機器人的各種體態、步態。這里有個小知識點，大家有沒有想過機器和機器人有什么區別呢？一個機器只有具備了感知、決策、執行3個要素，才能叫機器人，否則它只是一個單純的機器。世界上公認的第一個機器人是被美國通用公司用在流水線作業上的一個機械臂，它完成了熱壓鑄件的搬運和點焊作業，替代工人去進行高溫環境下的重復作業。還是以流水線分揀貨物舉例，假如一個機器的所有動作都是固定的，無法智能區分貨物的大小、貨物的好壞、出現的位置，就算它的外形非常“高大上”，也只是個機器而已。當它能夠通過攝像頭識別出表面受損的貨物，這就具備一定的自主智能了。我們的工作就是借助AI的力量，制作出越來越智能的機器人，未來能夠應用于生活的方方面面。

我曾讓學生用AI輔助策展。一方面，AI能快速處理大量文獻和圖像數據，比如學生以《宋畫全集》為語料，通過AI快速形成了以\"衣、食、住、行\"為主題分類的畫作清單；它能幫助策展人拓展創意，比如學生以宋代花鳥畫為靈感，使用AI構建了具有博物學特色的展覽框架；AI還能通過數據分析提供觀眾的反饋，對展覽的敘事結構、展品選擇和展示方式進行優化。另一方面，AI生成的內容往往比較“套路化”，難以滿足策展對創意的高要求。

今天，AI的應用已經在許多博物館悄然展開，國外如紐約現代藝術博物館（MoMA）舊展覽照片識別項目、大都會藝術博物館的GAN藝術品生成項目，國內如上海博物館的“滿庭芳菲：卡地亞的藝術魔力\"展。這些實踐大多停留在技術工具層面。“AI是放大鏡，能讓我們看見更多細節；但選擇看什么、如何解讀，永遠需要人類的眼光。\"AI時代，最成功的展覽必定是人類與AI優勢互補的成果—AI提供效率，人類貢獻智慧。

毛若寒（浙江大學藝術與考古學院“百人計劃”研究員）