哈什·杰加迪桑 照片由受访者提供 “学术出版的未来在于开放获取，在于人工智能（AI），在于全球合作。”施普林格·自然首席出版官哈什·杰加迪桑日前在接受科技日报记者专访时表示，他对中国在科研方面的投入以及中国学者对科研的热情印象深刻，希望能进一步做好中国科研生态中的“长期伙伴”，为中国科研迈向更高阶段助力。 期待中国角色进一步加强 在自然指数榜单中，中国已连续多年位居全球科研产出榜首。中国高质量科研产出正在推动全球科研格局发生深刻变革，也在不断重塑全球学术出版版图。 “过去10年，中国的科研产出增长十分迅猛。”杰加迪桑说，当前，中国发表的科研论文约占全球的30%，这一数据充分说明中国在全球科研体系中的重要性。 施普林格·自然见证了中国科研的快速发展。1997年，《自然》的原创研究论文中仅有4篇有中国作者；到2025年，《自然》的原创研究论文中，约14%的通讯作者来自中国。 “十年前，自然指数全球科研机构十强中只有一家来自中国，如今中国科研机构已占据九席。”杰加迪桑表示，这是一个了不起的变化。 不过，与中国科研产出占全球近三成形成鲜明对比的是，中国科研人员在国际知名学术期刊编委会中所占的比例往往只有个位数。 “对中国科研人员而言，这也意味着巨大的机遇。”杰加迪桑期待，接下来能有更多的中国科研人员加入国际知名学术期刊的编委会，担任同行评审人，并逐步晋升为栏目编辑、副主编和主编。“过去3年，中国科研人员在施普林格·自然编委会中的比例已由此前的约3%—4%，提升至当前的12%，未来仍有进一步的提升空间。” 对AI应用设置“红绿灯” 今年9月，施普林格·自然更新了其AI编辑政策，并提供了实践指引。 “简单来讲，我们并不反对使用AI，而是支持负责任、透明地使用AI。”杰加迪桑说，施普林格·自然对AI的使用情况进行了分类，并设置了“绿灯”“黄灯”和“红灯”，即允许使用、有条件允许使用和禁止使用AI。 “绿灯”适用于辅助性AI使用，如语言润色、翻译改进等；“黄灯”适用于评价性或阐释性AI的使用，如撰写解释性摘要、探索性数据分析中的模式识别等，须对AI的使用进行透明地披露；“红灯”适用于意在替代学术判断的AI使用，如伪造数据和图片等。 “AI不能被列为作者或共同作者，作者必须是人，责任也应在人。”杰加迪桑坦承，当前AI仍在不断进化中，还有很多需要完善的地方，但AI对科研和出版的影响总体为“净正面”，正在加速科研进程，并在重塑出版行业。 施普林格·自然自身也积极拥抱AI，试验并推出了一系列基于AI的工具，以帮助作者选择合适的期刊、为论文匹配合适的编辑和审稿人、帮助科研人员探索学术知识图谱等。 “我们还利用AI来对抗AI造假。”杰加迪桑举例说，去年，施普林格·自然利用各种AI工具，识别出了2.5万份存在剽窃或造假等问题的稿件。 立足长远和全球化 据2025年度《期刊引证报告》，在按期刊影响因子排名的全球前50种顶级期刊中，施普林格·自然旗下的期刊占27席。 在谈到如何办成顶级期刊的秘诀时，杰加迪桑笑言，他也曾就这一问题向施普林格·自然的前辈请教过，答案是“顶级期刊不是一天建成的”。施普林格·自然拥有180多年历史传承，关键是要“持续发表高质量的论文，持续吸引高质量的科研人员投稿，并搭建高质量的学术传播渠道”。 数据显示，2025年，施普林格·自然接收到的投稿量达310万篇，发表原创研究文章53.9万篇，其中53%以开放获取模式出版。 “要做到这一点并不容易，需要不断地进行创新。”杰加迪桑说，以当前业界热议的AI政策和开放获取出版模式为例，“我们都是首批试水者”。 对于那些致力于创办顶级期刊的中国期刊来说，杰加迪桑建议，在创刊之初，就应着眼长远，在植根于本土科研优势的同时，还要拥有全球化视野，并建立全球化的合作网络，“因为真正意义上的学术顶级期刊，一定是全球化的”。 此外，建立可持续的商业模式同样至关重要。财报显示，2025年，施普林格·自然营收达19.26亿欧元，同比增长6.2%。值得一提的是，自2021年以来，施普林格·自然对先进技术和人才的投入累计已达1.88亿欧元。 “从最初的单一订阅制，到现在的订阅制、开放获取、转换协议等，施普林格·自然的商业模式同样在与时俱进。”杰加迪桑认为，要实现成为顶级期刊的雄心，建立一个可持续的商业模式不可或缺。

美国康奈尔大学研究团队开展的一项最新研究发现，向由四层石墨烯构成的材料施加电压，可改变各层之间的相对排列，使材料在非磁性与磁性状态之间切换。更值得注意的是，撤去电压后，这种磁性状态仍能保持。这一发现为调控二维材料的量子特性提供了新思路。相关论文发表于新一期《自然·纳米技术》杂志。 研究示意图。图片来源：《自然·纳米技术》杂志 材料的性质不仅取决于它由哪些原子构成，还取决于这些原子如何排列。石墨和金刚石便是一个典型例子：二者都由碳原子组成，却因原子排列和电子结构不同，在颜色、硬度、透明度、导电性等方面差异巨大。 此前，科学家想要改变材料结构，往往需要打破强化学键并重新排列原子，过程耗时耗能，通常还需高温高压。团队希望找到一种更简便、高效且实用的方法。 在本研究中，团队聚焦由四层石墨烯构成的材料。石墨烯是由碳原子按六边形排列形成的单原子厚二维材料。研究发现，施加电压可以改变石墨烯层之间的堆叠方式。四层石墨烯最稳定、最常见的堆叠模式对应非磁性状态；而电压可将其转变为较少见、较不稳定的菱面体堆叠构型，这种构型与磁性、超导性以及多种奇异量子现象密切相关。 团队表示，这项技术的特别之处在于其“非易失性”：一旦电压使原子层发生位移，材料便会稳定停留在新的堆叠状态，即使撤去电压，磁性也不会立即消失。这意味着，这种结构变化本身可成为一种可靠的记忆载体，并且能在两种状态之间较为稳定地反复切换。 团队表示，能用电可逆地改变材料结构，为设计可按需“重写”特性的材料开辟了新路径。通过电场调控堆叠结构，不仅有望切换磁性，还可能调控超导及其他量子态，从而为可重构量子材料和新型非易失性存储器提供新的研究方向。

图片由AI生成 担心被人工智能（AI）取代的员工，更容易在工作中消极怠工、迟到早退，甚至出现顺手拿走同事的午餐等人际越界行为。 这是美国及欧洲研究人员日前在《职业健康科学》期刊上发表的一项覆盖18个行业的调查研究。该研究显示，对职业前景的担忧会通过一种名为“道德脱钩”的心理机制，转化为损害组织运转的反生产行为。在受AI冲击最严重的行业，这一效应尤为明显。 研究人员据此提醒，企业在引入AI技术时，如何看待和实施这项技术，本身就是一道需要认真作答的管理课题。 跨行业调查凸显“道德脱钩”效应 这项研究由华盛顿州立大学温哥华分校心理学教授塔希拉·普罗布斯特牵头，合作者还包括来自意大利和比利时的研究人员。 研究团队考察了两个变量：一是“职业不安全感”，即从业者担心自己赖以谋生的整个职业走向消亡；二是行业层面的AI暴露度，即AI取代该行业工作任务的潜在可能性。他们借助一个客观的既有数据库“AI行业暴露指数”，识别出哪些行业面临的潜在冲击最大，再对多个行业的从业者展开问卷调查，了解他们的心态与行为。结果显示，金融和保险业从业者的AI暴露度最高，农业和林业从业者最低。 总体上看，对本职业未来感到忧虑的员工，更容易在工作中出现“道德脱钩”，也就是更容易为那些自己平时认为不妥的行为找到正当理由。相应地，这些员工自我报告了更多反生产行为，例如上班时间浏览无关网页、迟到等。值得注意的是，在林业、建筑业等预计受AI影响较小的行业，“道德脱钩”效应并不突出；而在保险、金融等高度暴露于AI冲击的行业，效应则被明显放大。 “职业没了”不同于“工作丢了” 这项研究关注的焦虑与以往显著不同。普罗布斯特举了一个例子来说明：如果你是一名调酒师，供职的酒吧倒闭了，你还可以去别的地方继续当调酒师，因为这个职业不会消失。但受AI影响的职业未必如此。以医疗转录员为例，大量的编码和转录工作如今已能完全自动化，一旦失业，从业者很难再找到同类岗位。 以往研究早已表明，随着智能机器人、自动化系统和算法管理等AI技术的普及，员工会对自身工作产生不安全感，由此带来的压力可能导致职业倦怠、工作满意度和投入度下降，以及身心健康状况恶化。而普罗布斯特团队希望审视一个更深层的问题：当AI引发的担忧升级为对整个职业将被淘汰的恐惧时，会发生什么？ 答案正是“道德脱钩”这一心理机制的启动。普罗布斯特解释说，“道德脱钩”本质上是为不良行为开脱的一种方式。人们并非不知道对错，并非不清楚组织规章允许什么、禁止什么，“道德脱钩”只是通过重构认知，把越界行为重新包装成“可以接受”的事。研究人员认为，当员工感到自己的职业岌岌可危时，他们看待职场规范和期望的眼光会发生变化，会把偷工减料、排挤他人之类的行为合理化，视之为自我保护的手段，或是对自认为遭受不公的一种补偿。 这类行为的危害不可小觑。普罗布斯特指出，反生产行为侵蚀的是组织内部的人际关系：有人缺勤，工作就得摊到同事头上；个人行为影响自己或同事正常完成工作，或是在浪费组织资源，损害的就不仅是账面利润，更是整个组织的有效运转。 AI与人的关系，需要企业认真作答 AI对就业的影响正成为全球性的公共议题。国际货币基金组织2024年发布的报告估计，全球约40%的就业岗位暴露于AI的影响之下，在发达经济体这一比例约为60%。高盛公司2023年的分析认为，相当于约3亿个全职岗位的工作量可能受到AI自动化的影响。世界经济论坛《2025年未来就业报告》则预计，到2030年，全球将新增约1.7亿个岗位，同时有约9200万个现有岗位被取代。数字口径不一，方向却高度一致：几乎没有哪个行业的从业者能对这场技术变革置身事外。 正因如此，新研究给出的提醒更具现实意义——AI带来的职业不安全感若处理不当，伤害的将是员工和企业双方。对雇主而言，技术落地从来不是单纯的效率问题：在讨论和引入AI的过程中，能否让员工保持投入、获得支持，直接关系到组织的健康运转。毕竟，在AI的阴影之下，人心安定与否，最终也会写在企业的成绩单上。

图片由AI生成 科技日报北京10月20日电 （记者张佳欣）比利时布鲁塞尔自由大学人工智能（AI）实验室和那慕尔大学团队在一项大规模研究中证明，即使没有人类教授语言，也没有预设交流规则，AI智能体仍能通过反复互动，自发形成一套共享的、彼此能够理解的词汇体系。相关成果发表于最新一期《计算语言学学报》。 ChatGPT等大型语言模型主要通过训练，学习和使用英语等人类语言。但人类语言植根于人的感官体验，未必适合描述机器感知到的所有信息。如激光雷达获取距离数据、红外传感器捕捉热辐射、声呐探测周围物体、化学传感器分析物质成分等。即使两台机器配备相同类型的传感器，实际测量结果也可能存在偏差，进一步增加彼此交流的难度。 此次研究中，团队没有给AI智能体准备现成的词汇表，也没有设置一套固定的通信编码，而是让它们在互动中逐步摸索。智能体可自行创造词语、调整词语对应的概念，并根据交流是否成功来修正表达方式。两个智能体先进行局部交流，随着越来越多的互动不断累积，整个群体逐渐形成共同遵循的语言规则。 这有点像一群彼此陌生的人，在没有统一教材的情况下，通过一次次交流慢慢约定某个词代表什么。不过，AI智能体形成的语言并不需要模仿人类的表达习惯，而是直接服务于它们所感知的数据和需要完成的任务。 团队在37组不同类型、复杂程度各异的数据集上验证了这一方法的适用性。数据涉及葡萄酒的物理化学性质、美国国家航空航天局的系外行星数据、视觉信息，以及鸟类和人脸图像。测试表明，AI智能体成功发展出自己的词汇体系，用于交流多种数据的信息。 这种语言也并非人类完全无法理解的“黑话”。由于每个词语对应的概念原型能够与底层传感器数据建立联系，人们可以进一步分析词语表达的含义，了解机器究竟在交流什么。 这一方法有望为自动驾驶汽车、机器人和工业传感器等自主系统之间的通信提供新思路。 【总编辑圈点】 人们总在调侃，如果两个AI聊天，它们还会说人话吗？这次，科研人员试了一下。他们让一群AI智能体在没有人教、也没有预设沟通规则的情况下自行互动。有趣的事情发生了，它们摸索出了一套自己的共同语言。未来，我们有望让自动驾驶汽车、机器人、工业传感器这些设备实现自主沟通，或许效率会更高，协同工作起来会更顺畅。不过需要注意的是，人类要时刻关注机器沟通语言的可理解性，要保证有办法对它们的沟通进行干预和校正。

图片由AI生成 近期，两笔横跨不同赛道的融资，透露出AI产业底层逻辑的悄然转向。一边是大模型数据服务商Snorkel AI完成新一轮融资后估值突破35亿美元，一年内实现三倍增长，营收暴涨18倍；另一边是人形机器人数据企业Mecka AI拿下红杉资本领投的6000万美元B轮融资，成立仅两年估值达5亿美元。两家企业业务领域不同，却遵循同一条成长逻辑：不做终端AI产品，专注生产高质量训练数据。 可用性不足制约发展 《2026年国际AI安全报告》指出：“前沿人工智能的发展由三个方面驱动：计算能力、算法进步和数据。”报告中还指出，高质量的语言数据是有限的，这意味着未来的发展可能会因数据可用性不足而受到限制。 值得关注的是，Snorkel AI的发展路径正在成为行业缩影。过去，它主要向开发者售卖数据标注工具；如今，企业彻底转型，直接为科研机构、科技巨头、医药企业提供“现成可用”的高质量训练数据集。简单来说，以前企业自己做数据，现在直接买高质量数据。 这一变化背后，藏着AI产业最真实的趋势：当算法框架日趋成熟、算力资源持续扩容，训练数据的质量、精度和专业性，正在成为拉开大模型之间差距的关键变量。 摩根大通首席执行官杰米·戴蒙曾表示，AI最困难的环节并非算法模型本身，而是数据，包括数据整合、预处理及治理，以训练并喂养AI/ML模型。 虽然现有互联网信息海量充盈，但对于大模型而言，网上的数据已经不够“好用”，也不够“安全”。数据的质量、丰富度、精准度，直接决定大模型最终好用与否。随着互联网公开优质文本资源逐步枯竭，合规、专业、可溯源的高质量训练数据，已成为AI领域的硬通货。 公开数据红利消失 早期大模型的快速成长，高度依赖网络公开爬虫数据。以GPT-4为例，其训练数据规模达到万亿token量级，若暂不考虑版权边界，这一体量几乎相当于将人类有文字记录以来的知识积累悉数摄入。但经过多年大规模抓取，免费、合规、高质量的公开文本资源正在快速减少。 行业研究机构Epoch AI测算，按照当前的训练消耗速度，适合训练通用大模型的优质公开人类文本将在2026—2032年间接近枯竭。当通用数据的增量红利消失，单纯堆砌参数和算力已经难以带来模型能力的线性提升。 更突出的问题是公开数据“专业度严重不足”。日常网络内容大多偏向生活化、娱乐化、大众化，缺少医疗、工业、法律、精密制造等领域的专业知识体系。这也是为什么通用大模型日常对话流畅自然，但面对专业问诊、设备运维、法律研判等场景，就容易出现漏洞。 同时，大模型与各类生成式AI产出的合成内容正在海量涌入线上内容生态，持续污染公开数据环境。这给未来的AI训练工作埋下了显著风险，也就是业内所称的“模型坍缩”效应：用掺杂大量合成内容的数据反复训练新一代模型，会导致事实偏差与逻辑错误持续累积放大，最终模型的输出会越来越脱离真实认知，内容质量与实用价值不断下降。 企业革新传统数据生产方式 在这样的大背景下，以Snorkel AI为代表的新模式快速走红。不同于传统人工标注的廉价流水线作业，也不同于纯机器生成的粗放模式，它采用的是一套“专家主导、人机协同、可控合成”的新型数据生产方式。 通俗来讲，就是让行业专家先建立专业标准，再结合少量真实脱敏样本，通过程序规则批量生成标准化数据，最后辅以可控AI合成内容，打造出一套干净、规范、精准、可溯源的专属数据集。 在医疗领域，这套模式已经落地验证。美国纪念斯隆-凯特琳癌症中心曾联合Snorkel AI构建HER-2阳性患者筛选AI模型：由临床生物信息专家结合诊疗规范制定8项病历分类规则，以3200份专家人工标注的真实病历作为验证集迭代优化标注逻辑。最终模型对HER-2分型识别的整体准确率达到93%，效率远超传统纯人工标注模式，该系统已正式用于临床试验受试者的快速筛查。还有Scale AI与梅奥诊所合作的10亿美元F轮融资、FDA监管的注释合作，涵盖了150万次超声心动图。每个FDA批准的算法都必须在严格策划的数据集上训练，这些数据集可追溯到认证专家。 与此同时，数据赛道的热度正从大模型快速向更多AI领域蔓延。在人形机器人赛道，真实、精细的人类动作数据同样是训练核心资源。Mecka AI通过招募普通人佩戴体感设备、使用手机记录日常生活动作，比如冲咖啡、修理器械，再将这些真实人体运动数据处理成标准化数据集，供给人形机器人企业用于运动控制训练。 监管趋严倒逼训练数据升级 市场需求之外，全球AI监管规则的收紧，正在从政策端倒逼训练数据向高质量、可溯源方向升级，数据质量不再只是企业的技术选择，更成为合规层面的硬性要求。 欧盟《人工智能法案》第10条明确规定，高风险AI系统的训练、验证、测试数据集必须符合严格质量标准：具备相关性、代表性、无错误，能有效避免偏见，且数据来源和处理过程必须透明可追溯。这套规则2027年正式实施后，不合规的低质量数据将无法用于医疗、教育、安防等重点领域的AI系统。 美国国家标准与技术研究院也更新了AI风险管理框架中的数据质量标准，对数据集的标注规范、溯源记录、偏见检测提出明确要求，成为美国政府AI项目采购的硬性门槛。 中国国家数据局也在今年出台相关方案，完善国家级AI数据资源体系。 眼下，全球AI治理规则持续分化，粗放式爬取、无规范标注、低质数据堆砌的发展模式，已经走到尽头。未来的AI迭代，必然建立在高质量、合规化、专业化的数据体系之上。 从拼算力、拼参数，到拼数据、拼精度、拼合规，大模型的竞争下半场已然开启。