An Empirical Investigation of Pre-Trained Deep Learning Model Reuse in the Scientific Process
该研究通过自动化分析 17,511 篇同行评审论文，首次实证考察了自然科学与领域内预训练深度学习模型的复用模式及其对科学流程的影响，发现生化、遗传与分子生物学领域复用最为活跃，“适配”是最普遍的复用模式，且“测试”阶段受模型集成影响最大。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
这篇论文就像是在做一场**“科学界的软件大普查”**。
想象一下，科学家们以前做研究（比如研究蛋白质结构、预测地震或分析基因），就像厨师做菜。以前，每个厨师（科学家）都要从种菜、养牛开始，自己从头培育食材，再从零开始研发食谱。这不仅慢，而且极其昂贵，需要巨大的厨房（超级计算机）和大量的时间。
现在，情况变了。深度学习（Deep Learning）就像是一个已经由顶级大厨们共同研发好的**“万能预制菜包”（也就是论文里说的预训练模型 PTM**）。这些菜包里已经包含了处理复杂食材的秘诀和半成品。
这篇论文就是由一群来自洛约拉大学芝加哥分校和普渡大学的研究员组成的“调查组”，他们想搞清楚：在自然科学领域（生物、化学、物理等），科学家们到底是怎么使用这些“预制菜包”的？他们是用得顺手吗？对科学研究有什么影响？
为了回答这个问题，他们搞了一个超级厉害的**“自动阅卷机器人”（基于大语言模型 LLM 的自动化流程），扫描了从 2000 年到 2025 年发表的17,511 篇**同行评审的开源科学论文。
以下是他们发现的几个核心故事：
1. 谁最热衷于用“预制菜包”？
发现： “生物化学、遗传学和分子生物学”领域的科学家是头号大厨。
比喻： 就像在厨房里，做分子料理的厨师最先发现预制菜包能帮他们节省时间，于是用得最多。相比之下，物理或环境科学领域的厨师虽然也开始用了，但还没那么疯狂。
2. 他们是怎么用这些包的？（三种用法）
研究人员把科学家使用这些模型的方式分成了三类，就像你使用预制菜的不同方式：
- 概念复用 (Conceptual Reuse)： 就像看着别人的食谱，自己重新买食材、重新做一遍，试图证明“这个食谱确实有效”。（论文发现这种用法最少，只有约 5%）。
- 适应复用 (Adaptation Reuse)： 这是最流行的用法（占 70%！）。就像你买了一个“宫保鸡丁”的预制包，但你想吃“鱼香肉丝”，于是你在这个包的基础上，加了一点醋、换了一点肉，稍微改改就做出了新菜。科学家把通用的模型拿来，微调一下，用来解决自己特定的科学问题。
- 部署复用 (Deployment Reuse)： 就像把做好的菜打包，送到不同的餐厅（不同的电脑环境或软件框架）里去卖。这种用法也比较常见（约 24%）。
3. 这些“预制菜”改变了科学研究的哪个环节？
科学研究通常分几步：观察现象 -> 提出假设 -> 设计实验 -> 测试/验证 -> 分析结果。
发现： 科学家们主要把“预制菜包”用在了**“测试/验证” (Test)** 这个环节。
比喻： 这就像厨师在菜出锅前，用预制菜包里的“万能调味剂”来尝一尝味道，看看咸淡对不对。
遗憾： 论文指出，这些强大的工具目前很少被用在“提出假设”或“设计实验”的早期阶段。也就是说，大家还是习惯先自己想好怎么做实验，最后才用 AI 来帮忙验证。这其实有点可惜，因为如果早点用，也许能帮科学家想出更棒的实验点子。
4. 为什么这很重要？
- 省钱省力： 以前训练一个模型需要烧掉很多电费和算力（就像自己种菜太累），现在直接复用现成的，大大降低了门槛。
- 科学加速： 这种“拿来主义”让科学家能更快地做研究，从“手工作坊”转向了“高科技流水线”。
- 未来潜力： 既然大家现在主要在最后一步用 AI，未来的机会在于让 AI 更早地介入，比如帮科学家想点子（生成假设）或者设计实验。
总结
这篇论文告诉我们：自然科学界正在经历一场“预制菜革命”。科学家们不再每个人都从零开始训练 AI 模型，而是聪明地**“改编”和“复用”**现有的强大模型。
虽然目前大家主要把它们当作“验货工具”（在测试阶段使用），但未来，如果能把这些工具用到科学研究的“创意阶段”，那可能会彻底改变我们探索世界的方式，让科学发现变得更快、更便宜、更有趣。
一句话概括： 科学家们正在从“从零种菜”转向“聪明地改良预制菜”，虽然目前主要用来“尝味道”，但未来它们可能会帮科学家“想菜谱”。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。