Google 近期發布了 AI & Economy ATLAS 的最新研究洞察，這是一個旨在追蹤人工智慧如何影響全球經濟與勞動市場的長期研究計畫。透過分析數百萬個全球數據點，ATLAS 揭示了不同國家、不同職業在 AI 採納率上的顯著差異，並特別深入探討了 AI 在科學研究領域的實際應用狀況。這項研究不僅關注技術的普及程度，更試圖解析 AI 如何改變工作流程以及在提升效率後所面臨的新挑戰。
全球 AI 採納的區域性特徵
根據 ATLAS 的數據顯示，AI 的應用模式在全球範圍內呈現出強烈的區域性與職業特性。在美國等技術領先國家，AI 的採納主要集中在技術密集型職業，其中電腦與數學相關職業的 AI 使用率佔工作相關用途的 30%，幾乎是全球平均水平的兩倍。相較之下，印度在創意產業的 AI 應用表現尤為突出，藝術、設計與媒體職業的 AI 使用率達到 19%，約為全球平均值的 1.6 倍。
在不同經濟體系中，AI 的應用重點也截然不同。在經濟合作與發展組織（OECD）成員國中，電腦數學、商業與金融操作是 AI 使用率最高的領域；但在非 OECD 國家，AI 更多地被應用於辦公行政支援、教育教學以及藝術設計等領域。此外，AI 的普及程度雖與國家所得水平正相關，但巴西與阿拉伯聯合大公國等國家表現出超越其人均 GDP 預測的採納率。在實體操作方面，巴西與德國在設備即時診斷與故障排除等手動任務上的 AI 使用率較高，顯示出 AI 在工業維護領域的潛力。
科學研究中的 AI 協作模式
Google 與 Google DeepMind 並與麻省理工學院（MIT）的 FutureTech 合作，針對科學家如何使用 AI 進行了深入研究。該研究分析了 2,600 個專用 AI 模型，並對英美兩國的 600 多名科學家進行調查。結果發現，科學家的 AI 採納率高於大多數職業，近半數的受訪科學家每天都會使用某種形式的 AI。
在技術路徑上，科學家採取的是大語言模型（LLM，如 Gemini）與專用 AI 模型（Specialized AI Models，針對特定科學領域訓練的模型）並行的策略。LLM 被廣泛應用於各種科學領域的通用任務，而專用模型則集中在健康、生命科學以及特定領域的數據預測、生成與模擬任務中。這兩種模型在科學研究中形成互補，共同推動研究效率的提升。
生產力提升與流程瓶頸的悖論
從量化數據來看，AI 為科學家帶來了顯著的時間紅利，平均每週可節省近 7 小時。然而，研究發現這種時間上的節省並未立即轉化為突破性的科學發現，反而產生了一種生產力悖論。
首先，科學家需要投入大量時間來驗證 AI 產出的結果，以確保其準確性。其次，由於 AI 能在極短時間內生成大量候選方案，導致待測試的假設（Hypotheses）大量積壓，形成了新的後端瓶頸。目前的限制在於物理實驗與臨床驗證等實體流程無法跟上 AI 生成假設的速度。這意味著，儘管 AI 提升了前端的構思與分析效率，但整個研究管線（Production Pipeline）的整體產出仍受限於傳統實驗的物理速度。
實務意義與未來展望
ATLAS 的研究結果揭示了一個核心議題：AI 雖然能大幅提升單一環節的生產力，但若要將其轉化為大規模的產出增加或科學突破，必須對整體的工作流程與研究體系進行重新設計。單純地將 AI 嵌入現有流程中，僅能將壓力從一個環節轉移到另一個環節，而無法真正打破產出上限。
這對所有行業都有啟發，無論是創意產業、金融分析還是尖端科學，AI 的真正價值不在於取代單一任務，而是在於優化整個價值鏈的協作方式。Google 將持續透過 ATLAS 計畫與學術界合作，追蹤 AI 如何持續形塑全球經濟，並探索如何透過流程再造來釋放 AI 的完整潛能。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。