AI提升研究职业却使科学发现趋于扁平化

背景

科学出版正经历一场由人工智能驱动的深刻变革。一项基于 4000 余万篇学术论文的大规模分析发现，在研究中采用 AI 工具的科学家与未采用者之间出现了显著的分化：前者论文产出量更高、被引次数更多、晋升速度更快。然而，这份由芝加哥大学社会学家 James Evans 领导、1 月 14 日发表于《Nature》的研究同时揭示了一个令人担忧的副作用：AI 的普及正在收窄科学探索的视野，使研究集中在少数数据丰富的问题上，削弱了学科之间的交叉互动。研究者指出，个人学术生涯的腾飞与集体科学进步之间正形成一种紧张关系——AI 系统奖励速度和规模，却不奖励意外发现。

核心内容

Evans 团队与北京国家信息科学技术研究中心合作，训练了一个自然语言处理模型，用以识别六大自然科学学科中“AI 增强型”研究。数据集涵盖 1980 年至 2025 年间发表的 4130 万篇英文论文，涉及生物学、化学、物理学、医学、材料科学和地质学；计算机科学和数学等以开发 AI 方法本身为核心的领域被排除在外。研究者追踪了个体科学家的职业生涯，分析其论文累积的关注度，并观察整个领域在知识空间中的分散或收敛趋势。他们比较了大约 31.1 万篇以某种方式融入 AI（例如使用神经网络或大语言模型）的论文，与数百万篇未使用 AI 的论文。

结果揭示了一种鲜明的权衡：采用 AI 的科学家平均发表论文数量是不使用者的三倍，被引次数接近五倍，成为团队领导者的时间提前一到两年。然而，当将这些论文映射到高维“知识空间”时，AI 密集型研究占据的知识足迹更小，更紧密地聚集在流行且数据丰富的问题周围，且研究中产生的后续互动网络更弱。这种模式在数十年的 AI 发展历程中（从早期机器学习到深度学习崛起，再到当前生成式 AI 浪潮）始终存在，且 Evans 指出“这种情况正在加剧”。

除了知识窄化，自动化工具有其意想不到的后果：自动化工具使批量生产稿件和会议投稿变得更容易，期刊编辑和会议组织者发现低质量甚至欺诈性的论文或演示激增，往往以工业规模产出。西北大学研究复杂系统的物理学家 Luís Nunes Amaral 去年详细描述了 AI 驱动的“论文工厂”现象，他表示：“我们变得如此痴迷于论文数量，以至于不再思考我们在研究什么，以及这些研究如何有助于更好地理解现实、健康和自然世界。”

Evans 的分析表明，AI 在很大程度上自动化了科学中最易处理的部分，而不是拓展前沿。基于丰富已有数据训练的模型擅长优化定义明确的问题（如预测蛋白质结构、图像分类、从大规模数据集中提取模式），一些系统已开始提出新假设和研究方向。但 Evans 指出，除非经过刻意设计和激励，这类系统及其依赖的科学家不太可能进入数据稀缺、问题杂乱的未开垦领域。危险不在于科学变慢，而在于它变得同质化：单个实验室或许能飞速前进，但整个事业却可能收敛于相同的问题、方法和答案。

这种窄化趋势是否暂时，取决于下一代 AI 工具如何构建和部署。上海人工智能实验室的周伯文团队在最近一篇论文中认为，AI 在科学中的应用仍然碎片化，数据、计算和假设生成工具常以孤立的、任务特定的方式部署，限制了知识迁移并削弱了变革性发现。但当这些要素集成时，AI 用于科学的系统可以拓展科学发现。Evans 对此持谨慎态度，他认为问题不在于 AI 的算法设计本身，而在于重塑科学家最初选择研究什么的那套奖励结构。“关键不在架构本身，”Evans 说，“而在于激励。”

关键要点

• 个人 vs. 集体的权衡：AI 大幅提升了个体科学家的生产力、可见度和晋升速度，但与此同时，科学作为一个整体的探索范围在缩小，研究主题趋于同质化。
• 知识足迹收缩：AI 密集型研究在知识空间中占据更小的足迹，更紧密地聚集在少数数据丰富的问题上，后续研究之间的互动网络变弱。
• 低质量论文泛滥：自动化工具降低了论文生产和会议投稿的边际成本，导致“论文工厂”现象，低质量和欺诈性成果激增。
• 自动化易处理的问题：AI 擅长优化定义明确、数据充足的问题（如蛋白质结构预测、图像分类），但不擅长探索数据稀缺、问题杂乱的未知领域。
• 激励结构是关键：多位专家指出，当前学术评价体系以论文数量、被引次数为主要货币，驱使研究者选择 AI 最容易处理并产出结果的课题，形成自我强化的循环。
• 并非算法本身的问题：Evans 认为，问题不在于 AI 架构的设计，而在于科研资助、晋升和奖励机制需要彻底改革，以引导 AI 服务于更广泛的科学探索。
• 暂时的希望：下一代 AI 工具若能实现数据、计算和假设生成的集成，或许能帮助拓展发现边界，但前提是与之配套的激励体系也随之改变。

意义与影响

这项研究揭示了一个紧迫的警示：在 AI 极大提高科研效率的同时，它也在重塑科学知识生产的生态。如果不对激励体系进行有意识的调整，科学家可能会被自动引导到越来越窄的研究路径上，形成“挖掘同一个坑越来越深”的反馈循环。对于科技公司、学术机构和政策制定者而言，这意味着不能仅仅关注 AI 带来的短期效率提升，还需要设计更复杂的评价指标——例如研究原创性、跨学科影响力、问题多样性等——以避免集体性的知识窄化。同时，AI 开发者需要思考如何让模型能够主动探索低数据、高不确定性的领域，而不是只优化那些容易量化的目标。最终，科学进步的本质不仅在于更快地找到答案，更在于提出新的问题——而这恰恰是当前 AI 系统最不擅长、也最容易被激励结构忽略的部分。