AI 可能會讓科學(xué)研究變得越發(fā)高效，但同時(shí)也可能讓科學(xué)探索變得愈發(fā)保守。

作者丨鄭佳美

編輯丨岑峰

在當(dāng)代科學(xué)研究中，人工智能正在改變的不只是研究效率，而是科研活動本身的結(jié)構(gòu)。

隨著 AI 工具在自然科學(xué)中的廣泛應(yīng)用，越來越多的研究可以在更短時(shí)間內(nèi)完成，論文產(chǎn)出和引用回報(bào)也隨之提高。在以發(fā)表數(shù)量、影響力和速度為核心指標(biāo)的學(xué)術(shù)體系中，這種效率優(yōu)勢正在直接影響研究者的行為選擇和研究方向布局。

然而，效率的提升并不必然意味著科學(xué)探索的拓展。當(dāng) AI 更擅長處理數(shù)據(jù)充足、問題明確、路徑成熟的研究任務(wù)時(shí)，科研活動是否會整體性地向這些方向集中，從而改變科學(xué)知識的分布結(jié)構(gòu)和演化方式，這是一個長期存在但缺乏系統(tǒng)證據(jù)的問題。個體層面的成功是否真的能夠累積為集體層面的進(jìn)步，在 AI 深度介入科研之后，反而變得更加值得重新審視。

在這一問題背景下，清華大學(xué) FIB 實(shí)驗(yàn)室牽頭開展了一項(xiàng)大規(guī)模實(shí)證研究，論文題為《Artificial Intelligence Tools Expand Scientists’ Impact but Contract Science’s Focus》并已被Nature正刊收錄。

研究基于覆蓋 1980–2025 年、超過四千萬篇自然科學(xué)論文和五百多萬名研究人員的長期數(shù)據(jù)，從個人科研回報(bào)與科學(xué)整體結(jié)構(gòu)兩個層面，系統(tǒng)分析了人工智能工具在自然科學(xué)中的擴(kuò)散過程及其深層影響。

研究提出的核心發(fā)現(xiàn)具有明確的張力：人工智能顯著放大了個體科學(xué)家的學(xué)術(shù)影響力，但與此同時(shí)，科學(xué)整體的研究范圍和互動結(jié)構(gòu)卻可能正在收縮。

論文地址：https://www.nature.com/articles/s41586-025-09922-y

對于當(dāng)下火熱的 AI for Science (AI4S) 領(lǐng)域，這篇文章不僅是現(xiàn)狀的描述，更是一份深刻的提醒：真正的科學(xué)突破往往發(fā)生在“數(shù)據(jù)貧瘠”或“非共識”的荒原。如果 AI4S 僅僅淪為“在已有大數(shù)據(jù)的領(lǐng)域刷榜”的工具，它將導(dǎo)致科學(xué)探索的內(nèi)卷化。

01
AI 帶來的并非只有增長，還有重構(gòu)

這篇論文的實(shí)驗(yàn)結(jié)果通過一系列量化分析，系統(tǒng)地揭示了人工智能在自然科學(xué)研究中的真實(shí)影響。

研究首先證明，人工智能在自然科學(xué)中的采用已經(jīng)成為一種規(guī)模巨大且不斷加速的趨勢。作者在 1980–2025 年的自然科學(xué)論文中共識別出 310,957 篇 AI-augmented papers，占全部樣本的約 0.75%，而研究覆蓋的總規(guī)模達(dá)到 41,298,433 篇論文和 5,377,346 名研究者。

進(jìn)一步的時(shí)間序列分析顯示，在傳統(tǒng)機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和生成式 AI 三個階段中，論文和研究者采用 AI 的速度均持續(xù)加快。具體來看，1980 到 2025 年間，AI 論文占比在不同學(xué)科中上升了數(shù)十倍，例如地質(zhì)學(xué)上升 10.70 倍，生物學(xué)上升 51.89 倍。

與此同時(shí)，采用 AI 的研究者占比增長得更快，在地質(zhì)學(xué)中達(dá)到 135.46 倍，在物理學(xué)中高達(dá) 362.16 倍。這些結(jié)果首先表明，AI 在自然科學(xué)中的擴(kuò)散是一種系統(tǒng)性變化，而非個別領(lǐng)域的偶發(fā)現(xiàn)象。

在個體科學(xué)家層面，實(shí)驗(yàn)結(jié)果顯示 AI 的采用與科研回報(bào)之間存在顯著關(guān)聯(lián)。論文給出的核心結(jié)論是，使用 AI 的科學(xué)家，其論文發(fā)表數(shù)量平均是未使用者的 3.02 倍，獲得的引用數(shù)量平均是未使用者的 4.84 倍，并且在職業(yè)發(fā)展上更早成為研究負(fù)責(zé)人，時(shí)間平均提前約 1.37 年。

這些結(jié)論基于大規(guī)模樣本分析得出。在包含 5,377,346 名研究者的數(shù)據(jù)中，六個自然科學(xué)學(xué)科里采用 AI 的研究者，其年均發(fā)表量均顯著高于未采用者，且統(tǒng)計(jì)檢驗(yàn)結(jié)果達(dá)到 P < 0.001。同時(shí)，在 27,405,011 篇引用記錄完整的論文樣本中，AI 論文在發(fā)表后的多年里，其年均引用數(shù)比非 AI 論文高出 98.70%。這些數(shù)據(jù)共同說明，AI 在個體層面顯著放大了科學(xué)家的科研產(chǎn)出和學(xué)術(shù)影響力。

然而，當(dāng)研究視角從個人擴(kuò)展到整體科學(xué)生態(tài)時(shí)，實(shí)驗(yàn)結(jié)果呈現(xiàn)出相反的趨勢。研究人員通過將論文嵌入到 768 維的科學(xué)語義空間中，并測量論文集合覆蓋范圍，發(fā)現(xiàn) AI 研究在整體上的知識廣度明顯小于非 AI 研究，在六個學(xué)科中位數(shù)平均收縮 4.63%，且在細(xì)分到 200 多個子領(lǐng)域后，這種收縮仍然在 70% 以上的子領(lǐng)域中存在。

同時(shí)，AI 研究的知識分布更加集中，研究注意力更容易聚焦在少數(shù)核心問題上。在學(xué)術(shù)互動方面，引用同一篇論文的后續(xù)研究之間，彼此互動的程度平均減少 22%，表明 AI 研究更容易圍繞少數(shù)核心成果展開，而不是形成相互連接的新研究網(wǎng)絡(luò)。

引用分布分析進(jìn)一步顯示，AI 研究中前 22.20% 的論文獲得了 80% 的引用，前 54.14% 的論文獲得了 95% 的引用，其引用不平等程度以 Gini 系數(shù)量化后為 0.754，明顯高于非 AI 研究的 0.690。綜合這些結(jié)果，論文用數(shù)據(jù)清楚地表明，AI 在顯著提升個體科研回報(bào)的同時(shí)，也使科學(xué)研究在整體層面變得更加集中，學(xué)術(shù)互動減少，探索空間隨之收縮。

02
從大規(guī)模文獻(xiàn)數(shù)據(jù)中，構(gòu)建研究樣本

這項(xiàng)研究的實(shí)驗(yàn)設(shè)計(jì)可以理解為一條從識別、對照到結(jié)構(gòu)測量的完整分析流程。

研究團(tuán)隊(duì)首先以 OpenAlex 數(shù)據(jù)庫中的自然科學(xué)論文和研究人員網(wǎng)絡(luò)作為總體樣本，主分析規(guī)模為 41,298,433 篇論文和 5,377,346 名研究人員，時(shí)間跨度覆蓋 1980–2025 年，并按照機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和生成式 AI 三個階段進(jìn)行劃分。

研究團(tuán)隊(duì)刻意將分析重點(diǎn)放在自然科學(xué)中把 AI 作為研究工具的成果，而不是計(jì)算機(jī)科學(xué)或數(shù)學(xué)中開發(fā) AI 方法本身的研究，從而確保研究對象是 AI 對科學(xué)生產(chǎn)方式的外溢影響，而非 AI 學(xué)科內(nèi)部的技術(shù)演化。

在區(qū)分 AI 與非 AI 研究時(shí)，研究團(tuán)隊(duì)沒有采用關(guān)鍵詞匹配的方法，而是對預(yù)訓(xùn)練的 BERT 語言模型進(jìn)行兩階段微調(diào)，分別在論文標(biāo)題和摘要上訓(xùn)練模型，并將兩者集成為統(tǒng)一的識別器，以減少人為選擇觸發(fā)詞所帶來的偏差。

為驗(yàn)證這種識別方式的可靠性，研究人員組織具備相關(guān)背景的專家對隨機(jī)抽樣論文進(jìn)行盲審標(biāo)注，結(jié)果顯示專家之間的一致性 Fleiss’ κ 達(dá)到 0.964，而模型在以專家標(biāo)注為真值的評估中 F1 值達(dá)到 0.875。這一步為后續(xù)所有分析提供了關(guān)鍵前提，即 AI 與非 AI 研究成果的劃分具有足夠的準(zhǔn)確性和穩(wěn)定性。

在個人層面的分析中，研究團(tuán)隊(duì)主要使用研究人員的年度論文發(fā)表數(shù)量和年度引用數(shù)量來衡量科研產(chǎn)出與學(xué)術(shù)影響力，并結(jié)合職業(yè)階段變化來刻畫研究人員從 junior 階段轉(zhuǎn)變?yōu)?established 或 leader 的過程?；谶@些指標(biāo)，研究人員得出了使用 AI 的科學(xué)家發(fā)文數(shù)量增加 3.02 倍、引用數(shù)量增加 4.84 倍，并且更早成為研究負(fù)責(zé)人的結(jié)論，這些結(jié)果在不同學(xué)科中表現(xiàn)出一致的顯著性。

在集體層面的分析中，研究團(tuán)隊(duì)通過兩類指標(biāo)來量化科學(xué)結(jié)構(gòu)的變化。第一類是知識廣度，研究人員使用 SPECTER 2.0 將研究成果映射到 768 維語義空間中，并將一組抽樣成果在該空間中所覆蓋的最大距離定義為知識廣度，用以比較 AI 與非 AI 研究在主題覆蓋范圍上的差異。

第二類是后續(xù)互動，研究人員將引用同一項(xiàng)原始研究的后續(xù)成果視為一個整體，統(tǒng)計(jì)這些成果之間的相互引用密度，結(jié)果發(fā)現(xiàn) AI 研究的后續(xù)互動減少約 22%。研究團(tuán)隊(duì)據(jù)此指出，AI 研究更容易圍繞少數(shù)熱門核心成果形成放射式結(jié)構(gòu)，而不是像新興研究領(lǐng)域那樣形成相互連接、不斷擴(kuò)展的研究網(wǎng)絡(luò)。

03
被效率機(jī)制擠出的探索空間

這項(xiàng)研究的意義不在于簡單地得出人工智能好或不好的結(jié)論，而在于研究團(tuán)隊(duì)用系統(tǒng)的數(shù)據(jù)指出了一個更深層的問題：人工智能在明顯提升個人科研收益的同時(shí)，可能正在改變科學(xué)整體前進(jìn)的方式，而且這種改變未必是理想的。

研究人員發(fā)現(xiàn)，使用 AI 的科學(xué)家在個人層面獲得了非常明確的好處，包括論文發(fā)表數(shù)量增加 3.02 倍、引用數(shù)量增加 4.84 倍，以及平均提前 1.37 年成為研究負(fù)責(zé)人。但與此同時(shí)，在整體層面，科學(xué)研究覆蓋的知識范圍卻收縮了 4.63%，研究之間的互動也減少了 22%。這些數(shù)據(jù)共同表明，個人影響力的擴(kuò)大，正在伴隨著集體探索范圍的縮小。

進(jìn)一步來看，研究團(tuán)隊(duì)并不認(rèn)為這種現(xiàn)象是因?yàn)檠芯咳藛T變得不努力或缺乏創(chuàng)造力，而是指出了一種更現(xiàn)實(shí)的機(jī)制。當(dāng)人工智能更容易在數(shù)據(jù)充足的研究方向上帶來更高效率和更好表現(xiàn)時(shí)，研究人員在理性選擇下，自然會把更多時(shí)間和資源投入這些方向。

結(jié)果是，科學(xué)研究不斷在數(shù)據(jù)豐富的領(lǐng)域中被加速、優(yōu)化和重復(fù)，而那些數(shù)據(jù)稀缺、但可能更基礎(chǔ)、更具開創(chuàng)性的研究問題，則更容易被邊緣化。研究人員還發(fā)現(xiàn)，一些直覺上可能重要的因素，例如研究主題本身是否熱門、早期影響力大小或是否獲得優(yōu)先資助，與這種集中趨勢的關(guān)系并不明顯，相比之下，數(shù)據(jù)是否容易獲得更可能是推動 AI 集中使用的關(guān)鍵原因。

基于這些發(fā)現(xiàn)，研究團(tuán)隊(duì)對科研政策和 AI for Science 的發(fā)展方向提出了提醒。如果學(xué)術(shù)評價(jià)體系和資源分配機(jī)制繼續(xù)主要獎勵更快產(chǎn)出和更高引用，那么人工智能帶來的個人激勵會被進(jìn)一步放大，而科學(xué)整體層面的研究集中、互動減少和探索范圍變窄，也可能隨之加劇。

換句話說，人工智能可能會讓科學(xué)研究變得越來越高效，但同時(shí)也可能讓科學(xué)探索變得越來越保守，這正是研究團(tuán)隊(duì)希望通過這項(xiàng)研究引起關(guān)注的核心問題。

04
項(xiàng)目背后的科研力量

這篇論文的一作是郝千越，他目前是清華大學(xué)電子工程系的博士研究生，研究方向主要集中在人工智能領(lǐng)域，包括強(qiáng)化學(xué)習(xí)和大語言模型等方向。

本科階段，郝千越同樣就讀于清華大學(xué)電子工程系，在博士階段持續(xù)從事人工智能方法及其應(yīng)用相關(guān)的研究工作。在科研成果方面，他在 NeurIPS、KDD 等國際頂級人工智能會議和期刊上發(fā)表過多篇論文，其中多項(xiàng)工作獲得 Spotlight 等認(rèn)可。

參考資料：https://haohaoqian.github.io/

這篇論文的通訊作者之一是徐豐力。徐豐力現(xiàn)任清華大學(xué)電子工程系助理教授、博士生導(dǎo)師，于 2023 年入職清華大學(xué)，在該系開展人工智能、數(shù)據(jù)科學(xué)、社會計(jì)算與復(fù)雜網(wǎng)絡(luò)等方向的研究工作。他早期在清華大學(xué)獲得工學(xué)博士學(xué)位，隨后曾在香港科技大學(xué)和芝加哥大學(xué)從事博士后研究。

在研究方向上，徐豐力教授主要關(guān)注基于數(shù)據(jù)驅(qū)動和人工智能的方法來建模復(fù)雜信息系統(tǒng)和人類行為模式，尤其聚焦大語言模型、社會行為計(jì)算、城市科學(xué)等交叉領(lǐng)域。

目前，他已在 Nature Communications、Nature Human Behaviour、PNAS 等頂級綜合性學(xué)術(shù)期刊，以及 NeurIPS、KDD、WWW 等國際會議上發(fā)表多篇高水平論文，并獲得吳文俊人工智能優(yōu)秀青年獎、CAAI 社會計(jì)算新星學(xué)者獎、微軟學(xué)者獎研金等多項(xiàng)學(xué)術(shù)榮譽(yù)。

參考資料：https://fenglixu.github.io/

這篇論文的另外兩位通訊作者分別是清華大學(xué)的李勇教授和芝加哥大學(xué)的 James Evans 教授。

其中，李勇是清華大學(xué)電子工程系的長聘教授、博士生導(dǎo)師，并擔(dān)任城市科學(xué)與計(jì)算研究中心負(fù)責(zé)人，是教育部長江學(xué)者。他長期從事人工智能、數(shù)據(jù)科學(xué)、復(fù)雜系統(tǒng)與社會計(jì)算等交叉學(xué)科研究，主持了多個國家重點(diǎn)研發(fā)計(jì)劃和國家自然科學(xué)基金重點(diǎn)項(xiàng)目。

在科研成果方面，李勇教授在人工智能和數(shù)據(jù)科學(xué)方向積累了豐富研究成果，在 Nature Computational Science、Nature Machine Intelligence、Nature Human Behaviour、Nature Cities 等綜合性期刊，以及 ACM KDD、NeurIPS、ICLR、WWW 等國際會議上發(fā)表了大量高水平論文，累計(jì)引用超過三萬多次，并擁有多項(xiàng)授權(quán)專利。

他曾入選全球高被引科學(xué)家、國家萬人計(jì)劃青年拔尖人才，獲得教育部科技進(jìn)步一等獎、IEEE ComSoc 亞太杰出青年學(xué)者獎、吳文俊人工智能優(yōu)秀青年獎等多項(xiàng)榮譽(yù)，同時(shí)也擔(dān)任多個國際會議籌委會成員和國際期刊編委。

參考資料：https://fi.ee.tsinghua.edu.cn/~liyong/

James Evans是芝加哥大學(xué)社會學(xué)系的 Max Palevsky 教授，同時(shí)擔(dān)任該校 Knowledge Lab 的主任和計(jì)算社會科學(xué)項(xiàng)目的學(xué)術(shù)負(fù)責(zé)人，并在 Santa Fe Institute 等機(jī)構(gòu)任客座或外部教授。他的研究重點(diǎn)是理解知識與集體思維系統(tǒng)的形成與演化機(jī)制，包括注意力分布、思想起源、共享思維模式、協(xié)同與爭議過程，以及確定性與不確定性如何在群體中積累。

在研究方法上，James Evans 常使用大規(guī)模數(shù)據(jù)、機(jī)器學(xué)習(xí)和生成模型等工具來探討人類理解與創(chuàng)新的集體機(jī)制。他的研究成果發(fā)表在 Nature、Science、PNAS 等頂級學(xué)術(shù)期刊，并經(jīng)常受到 The New York Times、The Economist、BBC、CNN 等國際媒體的關(guān)注與報(bào)道。此外，James Evans 還長期在學(xué)術(shù)界從事編輯、評論和項(xiàng)目指導(dǎo)等工作。

參考資料：https://sociology.uchicago.edu/directory/james-evans

值得一提的是，研究團(tuán)隊(duì)并未止步于對問題的識別和診斷，而是嘗試在實(shí)踐層面回應(yīng)這一結(jié)構(gòu)性挑戰(zhàn)。圍繞人工智能在科研中可能加劇研究集中、壓縮探索空間的風(fēng)險(xiǎn)，徐豐力、李勇教授團(tuán)隊(duì)進(jìn)一步提出了一種面向未來科研范式的解決思路，推出了一個強(qiáng)調(diào)全流程協(xié)同與跨學(xué)科探索的科研智能體系統(tǒng)OmniScientist（訪問網(wǎng)址：OmniScientist.ai）。

訪問地址：OmniScientist.ai

與將 AI 僅作為單點(diǎn)工具嵌入科研流程不同，OmniScientist 試圖將人工智能引入科研問題定義、文獻(xiàn)理解、假設(shè)生成、方法設(shè)計(jì)和結(jié)果分析等多個關(guān)鍵環(huán)節(jié)，通過多智能體協(xié)作的方式，幫助研究者系統(tǒng)性地拓展研究視角，降低跨領(lǐng)域探索的門檻，從而緩解單一數(shù)據(jù)密集方向?qū)蒲新窂降倪^度吸引。

某種意義上，OmniScientist 正是對論文所揭示問題的直接回應(yīng)，即在承認(rèn) AI 顯著提升科研效率的同時(shí)，嘗試通過更具結(jié)構(gòu)意識的設(shè)計(jì)，引導(dǎo)人工智能服務(wù)于更廣泛、更具探索性的科學(xué)研究目標(biāo)。

未經(jīng)「AI科技評論」授權(quán)，嚴(yán)禁以任何方式在網(wǎng)頁、論壇、社區(qū)進(jìn)行轉(zhuǎn)載！

公眾號轉(zhuǎn)載請先在「AI科技評論」后臺留言取得授權(quán)，轉(zhuǎn)載時(shí)需標(biāo)注來源并插入本公眾號名片。