知识卡片2026-10-21·阅读 7 分钟

用 AI 接管专业难题的三个实战思路

从抗菌肽发现到端侧反诈，看 AI 如何把专业工作流从“人肉筛”变成“批量跑”。

近期 Google DeepMind 与 OpenAI 的官方动态显示，AI 正在深入科学发现、隐私安全和编程长尾领域。本文提炼三个可迁移的实战技巧，帮普通开发者和从业者把 AI 用在刀刃上。

背景

如果你还觉得 AI 只是“聊天助手”，最近两篇官方发布值得认真看：Google DeepMind 用 Google Antigravity for Science 加速新型抗菌肽的搜索，把原本需要大量人工筛选的科研流程交给 AI 批量跑；另一篇里，DeepMind 与新加坡政府合作，用轻量级端侧 Gemma 模型在完全不联网、数据不出设备的前提下拦截私聊中的诈骗话术（来源）。此外 OpenAI 也在关注低资源编程语言等长尾场景（来源）。

这些动态的共同点是：AI 不再只做“问答”，而是嵌入专业工作流，替代原本最耗人力的筛选和值守环节。下面是三个可以直接借鉴的用法。

DeepMind 与新加坡政府合作的端侧反诈模型

技巧一：把“海量筛选”交给 AI，人只做最后把关

适用场景：任何“候选集巨大、人工逐个看不过来”的工作——文献综述、简历初筛、用户反馈分类、实验候选筛选。
怎么做：参考 DeepMind 用 Antigravity 搜索抗菌肽的思路（来源）：先定义清晰的筛选标准，让 AI 按标准批量打分和排序，人工只复核排名靠前的候选。落到日常，比如做竞品调研时，prompt 可以这样写：“以下是 50 条用户评论，按‘提到定价问题’‘提到性能问题’‘其他’三类打标签并输出表格，不确定的单独标出。”
注意事项：AI 的作用是缩小范围，不是替你做最终决定。保留“不确定”出口，避免模型硬分类掩盖边界案例。

用 Antigravity 加速抗菌肽发现

技巧二：敏感数据场景，优先考虑端侧小模型

适用场景：涉及客户聊天记录、医疗或金融隐私信息的内容审核、风险提示类需求。
怎么做：DeepMind 与新加坡 GovTech 的做法是：用轻量级 Gemma 模型微调后部署在设备端，检测对话中的诈骗模式，零云端数据外流（来源）。对你的启发是：当业务方说“数据不能出内网”时，别直接放弃 AI 方案——评估开源小模型 + 本地微调 + 端侧部署这条路径，先问三个问题：任务是否足够窄？能否拿到标注样本？延迟和算力预算够不够？
注意事项：端侧模型能力有限，适合“分类/检测”这类窄任务，不适合开放生成。任务定义越窄，效果越稳。

技巧三：冷门领域别绕开 AI，先试“喂文档再提问”

适用场景：维护老系统、使用小众语言或框架、接手没人懂的遗留代码。
怎么做：OpenAI 近期专门讨论了低资源编程语言方向（来源），说明“AI 不懂冷门技术栈”正在被官方认真对待。在等模型能力覆盖之前，你可以先自救：把该语言的官方文档、内部规范、历史代码片段作为上下文喂给模型，再让它解释或修改代码。prompt 模板：“这是 X 语言的语法参考和一段报错代码，请先复述你对这种语言的理解，再指出可能的错误，不确定的地方明确说不知道。”
注意事项：冷门领域模型幻觉风险更高，“先复述理解再回答”这一步能显著暴露模型到底懂不懂，别跳过。