導語

人工智能（AI）的發(fā)展加速了科學發(fā)現(xiàn)。伴隨著近期授予 AI 相關(guān)研究的諾貝爾獎，這些趨勢確立了 AI 工具在科學中的作用。這一進步引發(fā)了關(guān)于 AI 工具對科學家及科學整體影響的疑問，并凸顯了個人利益與集體利益之間潛在的沖突。

為了評估這些問題，近日，清華大學電子工程系李勇教授團隊發(fā)表于 nature 的文章利用預訓練語言模型識別AI賦能的科學研究（AI for Science），發(fā)現(xiàn) AI 工具顯著提升了科學家個人的產(chǎn)出和影響力，加速了職業(yè)晉升，但同時也導致了科學界整體關(guān)注焦點的收縮和多樣性的減少。

在文章最后，我們對比了分別發(fā)表于 Science（詳見集智俱樂部《》）和 Nature 的兩項研究。它們并非給出相互對立的判斷，而是從科研流程的不同環(huán)節(jié)切入，揭示了同一場變革的兩面性：大語言模型一方面拓寬了科學家的閱讀與連接范圍，另一方面卻可能收緊科學發(fā)現(xiàn)的實際路徑。合在一起，這些發(fā)現(xiàn)共同勾勒出一個耐人尋味的圖景——科學家讀得更廣，卻做得更窄。

關(guān)鍵詞：人工智能，科學計量學，科研生產(chǎn)力，馬太效應

任筱芃丨作者

趙思怡丨審校

論文題目：Artificial intelligence tools expand scientists’ impact but contract science’s focus 論文鏈接：https://doi.org/10.1038/s41586-025-09922-y 發(fā)表時間：2026年1月14日 論文來源：nature

研究背景與問題

AI 作為“雙刃劍”

AI 已深度融入知識生產(chǎn)過程，如 AlphaFold 預測蛋白質(zhì)結(jié)構(gòu)等突破性成果展示了其巨大潛力。然而，AI 工具對科學家和科學整體特征的影響尚不完全清楚。盡管現(xiàn)有研究表明 AI 為科學家?guī)砹藗€人利益，但也引發(fā)了對科學領(lǐng)域馬太效應和引用模式變化的擔憂。

核心研究問題

該研究基于 OpenAlex 數(shù)據(jù)庫中 1980 年至 2025 年間的 4130 萬篇 自然科學論文（涵蓋生物學、化學、物理學等六大基礎學科），利用微調(diào)的 BERT 模型識別 AI 輔助的研究，旨在回答以下問題：

1. 個體生產(chǎn)力：采用 AI 工具如何影響科學家的產(chǎn)出、引用和職業(yè)生涯？

2. 集體生產(chǎn)關(guān)系：AI 的廣泛應用是否改變了科學探索的廣度和多樣性？

3. 機制探究：這種新的個體與集體之間的張力是如何產(chǎn)生的？

主要研究發(fā)現(xiàn)

個體層面的“buff”

圖1：AI 擴大了論文影響力并促進了研究人員的職業(yè)生涯。a, AI 論文（紅色）與非 AI 論文（藍色）發(fā)表后的平均年引用次數(shù)（插圖顯示了前 1% 和前 10% 的情況；樣本量 n = 27,405,011），結(jié)果顯示 AI 論文吸引了更多引用。b, 使用 AI 的研究人員與未使用 AI 的同行（對照組）的平均年引用次數(shù)（P < 0.001，樣本量 n = 5,377,346），其中采用 AI 的研究人員獲得的引用次數(shù)是未采用者的 4.84 倍。c, 采用 AI 的初級科學家與未采用 AI 的同行之間兩種角色轉(zhuǎn)變的概率（每個領(lǐng)域 n = 46 年的觀測值）。與未采用 AI 的同行相比，采用 AI 的初級科學家成為知名研究者（established researchers，即項目負責人）的概率更高，而退出學術(shù)界的概率更低。d, 從初級科學家向既定研究者轉(zhuǎn)變的生存函數(shù)（P < 0.001，樣本量 n = 2,282,029）。生存函數(shù)可以很好地用指數(shù)分布擬合，結(jié)果表明采用 AI 的初級科學家更早成為既定研究者。對于所有面板，99% 置信區(qū)間（CIs）均以誤差條形式顯示，其中圖 a 的插圖以 1% 和 10% 分位數(shù)為中心，其他子圖以均值為中心。所有統(tǒng)計檢驗均使用雙側(cè) t 檢驗

從事 AI 增強研究的科學家，其發(fā)表論文數(shù)量是未使用 AI 同行的 3.02 倍，獲得的引用次數(shù)更是高達 4.84 倍。這種優(yōu)勢在控制了早期職業(yè)地位后依然存在，表明 AI 本身就是造成差異的重要因素。

AI 的使用加速了初級科學家向既定研究者（項目負責人）的轉(zhuǎn)變。采用 AI 的初級科學家成為項目負責人的時間比同行平均縮短了 1.37 年，且不僅增加了晉升概率（高出 13.64%），還降低了退出學術(shù)界的風險。

圖2： AI 研究與研究團隊規(guī)模的縮小有關(guān)，平均減少了 1.33 名科學家（P < 0.001，樣本量 n = 33,528,469）。具體而言，初級科學家（junior scientists）的平均數(shù)量從非 AI 團隊的 2.89 人減少至 AI 團隊的 1.99 人（降幅 31.14%），而既定科學家（established scientists）的數(shù)量從 4.01 人減少至 3.58 人（降幅 10.77%）。

需要注意的是 AI 輔助的研究團隊規(guī)模通常更小，平均減少了 1.33 名成員，且主要減少的是初級科學家。這暗示 AI 可能正在替代部分初級研究人員的數(shù)據(jù)處理和模式識別工作。

集體層面的收縮視野

然而，個體層面的繁榮背后，隱藏著科學探索整體視野的狹窄化。

研究引入了“知識廣度”（Knowledge Extent）這一指標，即論文集合在向量空間覆蓋的“直徑”。結(jié)果顯示，與傳統(tǒng)研究相比，AI 驅(qū)動的研究在所有學科中都導致了集體知識廣度的收縮，中位數(shù)下降了 4.63%。

AI 研究的知識分布熵值更低，表明研究焦點日益不成比例地集中在特定領(lǐng)域的現(xiàn)有熱門問題上，而非探索新的領(lǐng)域。

圖3：AI 的采用與科學領(lǐng)域內(nèi)外知識程度的收縮有關(guān)。a，研究團隊使用預訓練的文本嵌入模型將研究論文嵌入 768 維向量空間;然后測量該空間內(nèi)論文的知識程度。b，為了可視化，研究團隊使用 t 分布隨機鄰域嵌入 (t-SNE) 算法將隨機批次 10,000 篇論文 (其中一半是 AI 論文) 的高維嵌入平鋪到二維圖中。如實心箭頭和圓形邊界所示，在整個自然科學領(lǐng)域，AI 論文的知識程度 (在未平鋪的空間中計算) 較小。此外，AI 論文在知識空間中更加集中，表明對特定問題的關(guān)注更加集中。c，每個領(lǐng)域中 AI 和非 AI 論文的知識程度 (P<0.001，每個領(lǐng)域中 n = 1,000 個樣本)，其中 AI 研究側(cè)重于更加收縮的知識空間。d，每個領(lǐng)域人工智能和非人工智能論文的知識熵 (P<0.001，每個領(lǐng)域 n = 1,000 個樣本)，其中人工智能研究的熵較低。對于面板 c 和 d，方框圖以中位數(shù)為中心，以第一和第三四分位數(shù) (Q1 和 Q3) 為界。所有統(tǒng)計檢驗都使用中位數(shù)檢驗。

如圖 3 所示，在嵌入向量空間的可視化中，AI 論文（紅色點）相比非 AI 論文（藍色點）在知識空間上的分布更為聚集，覆蓋范圍更小。這意味著 AI 正引導科學界在“已知”的數(shù)據(jù)豐富區(qū)域深耕，而非向“未知”的邊緣拓展。

互動的減少與焦點的固化

為何 AI 會導致科學關(guān)注點的收縮？研究揭示了深層的互動機制變化。

研究分析了引用同一篇 AI 論文的后續(xù)論文之間的關(guān)系，發(fā)現(xiàn)它們彼此引用的頻率比非 AI 領(lǐng)域低了22%。這表明 AI 研究往往形成圍繞特定熱門成果的“星狀結(jié)構(gòu)”，而非相互交織的“網(wǎng)絡結(jié)構(gòu)”。AI 論文引發(fā)的后續(xù)研究更像是“孤獨的群體”，彼此缺乏對話。

圖4：AI 與非 AI 論文的引用分布情況。AI 論文往往更多地集中在少數(shù)頂尖論文上（P < 0.001，n = 100 個采樣論文組），表現(xiàn)出更強的馬太效應。

AI 領(lǐng)域的引用分布極不均衡。前22.20%的頂尖論文占據(jù)了80%的引用量，其基尼系數(shù)（0.754）顯著高于非 AI 論文（0.690）。這種符合“二八定律”的局面進一步強化了對少數(shù)熱門主題的關(guān)注。

分析顯示，數(shù)據(jù)可用性是 AI 選題的主要驅(qū)動因素。AI 傾向于涌向那些數(shù)據(jù)最豐富的領(lǐng)域，從而導致知識空間的集中，而那些缺乏數(shù)據(jù)的基礎性或新興問題則可能被邊緣化。

討論與啟示

這項研究揭示了一個加速后的兩難。AI 既是科學家個人成功的加速器，也可能是科學集體探索的減速帶。

科學家為了追求更高的產(chǎn)出和影響力，有強烈的動力采用 AI。然而，這種微觀上的理性選擇，在宏觀上卻導致了科學界扎堆解決已知問題，甚至是在重復性地優(yōu)化現(xiàn)有方案，而非開辟新天地。

這一發(fā)現(xiàn)對科學政策提出了挑戰(zhàn)。僅僅增加對 AI 科研的資助可能會加劇“富數(shù)據(jù)”領(lǐng)域的擁擠，而忽視那些數(shù)據(jù)稀缺但至關(guān)重要的基礎問題。

為了保持科學探索的多樣性，至少未來的 AI 系統(tǒng)不應僅局限于認知能力的增強（如數(shù)據(jù)分析），更需要擴展“感知和實驗”能力（Sensory and experimental capacity）。我們需要能幫助科學家收集新數(shù)據(jù)、探索未知領(lǐng)域的 AI，而不僅僅是處理現(xiàn)有數(shù)據(jù)的 AI。

該研究的局限性

研究團隊指出了本工作的幾個局限性，需要予以考量：

1. 識別方法的局限：使用的 BERT 模型雖然經(jīng)過專家驗證，但可能遺漏了一些微妙或未在摘要中明確提及的 AI 使用情況

2. 樣本范圍：研究聚焦于自然科學，排除了計算機科學和數(shù)學（AI 方法的誕生地），也未包含社會科學等領(lǐng)域，這可能限制了結(jié)論的普適性。

3. 因果關(guān)系的復雜性：盡管使用了對照分析，但難以完全確定 AI 采用與科學影響之間的嚴格因果鏈條，且目前主要反映的是基于數(shù)據(jù)處理和模式識別的 AI 應用（如機器學習、深度學習），對新式 AI 的長期影響分析顯然處于初步階段

AI 正在以前所未有的速度重塑科學界。它讓科學家跑得更快，但也可能讓我們跑在同一條擁擠的跑道上。如何在利用 AI 提升效率的同時保持科學探索的廣度與好奇心，是該團隊認為的未來科學發(fā)展的關(guān)鍵命題。

AI 黑箱或許在促進個體的認知擴張的同時

也導致了集體的行動收縮

結(jié)合集智俱樂部昨日解讀Science 論文 (Kusumegi et al., 2025，詳情請見《》)，我們會發(fā)現(xiàn)我們似乎面臨一個悖論：

? Science：LLM 讓科學家引用了更多跨學科、跨文化、更老或更新的文獻，似乎拓寬了視野。

? nature：AI 工具（主要是 ML/DL）導致科學探索的視野收縮。

這并非立場的沖突，而是通過不同的切面拼湊出了完整的科研圖景——現(xiàn)在我們讀得更廣，做得更窄。

LLM 作為輔助工具，確實幫助我們跨越了語言和閱讀障礙，讓我們能“看到”——至于人是否真的看了我們無從得知——更多的東西。但是，當涉及到核心的科學發(fā)現(xiàn)環(huán)節(jié)時，算法的本質(zhì)鼓勵了我們只能去那些有數(shù)據(jù)富集的領(lǐng)域，導致我們的原型（archetype）選擇變得擁擠和趨同。

對于黑箱以外的觀察是信息攝入（Input）變寬了，但我們的知識生產(chǎn)（Output）變窄了。所以現(xiàn)在的局面就變成了一種很微妙的反向約束。AI 在閱讀端幫我們打破了壁壘；但在生產(chǎn)端，其“數(shù)據(jù)饑渴”的屬性又把我們按回了那些最擁擠的熟地里。這里有一個案例：MOSAIC（Multiple Optimized Specialists for AI-assisted Chemical Prediction）基于 Llama-3.1-8B-instruct 架構(gòu)構(gòu)建，通過在 Voronoi 聚類空間中訓練 2498 個專業(yè)化學專家模型，為復雜合成提供具有置信度指標的可復現(xiàn)、可執(zhí)行的實驗方案。(Li et al., 2026, p. 1) 然而，MOSAIC 的運作機制也恰恰印證了 Nature 論文所指出的隱憂。MOSAIC 之所以強大，是因為有數(shù)百萬反應方案的既有數(shù)據(jù)供其挖掘。這種基于海量歷史數(shù)據(jù)訓練出來的專家混合模型，本質(zhì)上是在“自動化既有領(lǐng)域（automate established fields）”（Hao et al., 2026），在已知的數(shù)據(jù)空間里進行極致的優(yōu)化和預測。

與其說是 AI 限制了我們，不如說是我們?yōu)榱俗非蟀l(fā)表效率，主動選擇了去摘那些 AI 夠得著的低垂果實，即使是以一種極其繁復的手段。結(jié)果就是大家方法越來越花哨，做出來的東西卻越來越像。未來的挑戰(zhàn)之一可能不在于怎么用 AI 分析數(shù)據(jù)，而在于怎么用 AI 去那些沒有數(shù)據(jù)的地方“感知”出新數(shù)據(jù)來。

論文作者：

參考文獻

Hao, Q., Xu, F., Li, Y., & Evans, J. (2026). Artificial intelligence tools expand scientists’ impact but contract science’s focus. Nature. https://doi.org/10.1038/s41586-025-09922-y

Kusumegi, K., Yang, X., Ginsparg, P., de Vaan, M., Stuart, T., & Yin, Y. (2025). Scientific production in the era of large language models. Science, 390(6779), 1240–1243. https://doi.org/10.1126/science.adw3000

Li, H., Sarkar, S., Lu, W., Loftus, P. O., Qiu, T., Shee, Y., Cuomo, A. E., Webster, J.-P., Kelly, H. R., Manee, V., Sreekumar, S., Buono, F. G., Crabtree, R. H., Newhouse, T. R., & Batista, V. S. (2026). Collective intelligence for AI-assisted chemical synthesis. Nature, 1–3. https://doi.org/10.1038/s41586-026-10131-4

AI+Science 讀書會

AI+Science 是近年興起的將人工智能和科學相結(jié)合的一種趨勢。 一方面是 AI for Science，機器學習和其他 AI 技術(shù)可以用來解決科學研究中的問題，從預測天氣和蛋白質(zhì)結(jié)構(gòu)，到模擬星系碰撞、設計優(yōu)化核聚變反應堆，甚至像科學家一樣進行科學發(fā)現(xiàn)，被稱為科學發(fā)現(xiàn)的“第五范式”。 另一方面是 Science for AI，科學尤其是物理學中的規(guī)律和思想啟發(fā)機器學習理論，為人工智能的發(fā)展提供全新的視角和方法。

集智俱樂部聯(lián)合斯坦福大學計算機科學系博士后研究員吳泰霖（Jure Leskovec 教授指導）、哈佛量子計劃研究員扈鴻業(yè)、麻省理工學院物理系博士生劉子鳴（Max Tegmark 教授指導），共同發(fā)起以”為主題的讀書會，探討該領(lǐng)域的重要問題，共學共研相關(guān)文獻。 讀書會已完結(jié)，現(xiàn)在報名可加入社群并解鎖回放視頻權(quán)限。

詳情請見：

1.

2.

3.

4.

5.

6.

7.