Nature：AI科研的雙重后果——個(gè)體理性?shī)^進(jìn)，集體探索徘徊

導(dǎo)語(yǔ)

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

為了評(píng)估這些問(wèn)題，近日，清華大學(xué)電子工程系李勇教授團(tuán)隊(duì)發(fā)表于 nature 的文章利用預(yù)訓(xùn)練語(yǔ)言模型識(shí)別AI賦能的科學(xué)研究（AI for Science），發(fā)現(xiàn) AI 工具顯著提升了科學(xué)家個(gè)人的產(chǎn)出和影響力，加速了職業(yè)晉升，但同時(shí)也導(dǎo)致了科學(xué)界整體關(guān)注焦點(diǎn)的收縮和多樣性的減少。

在文章最后，我們對(duì)比了分別發(fā)表于 Science（詳見集智俱樂(lè)部《》）和 Nature 的兩項(xiàng)研究。它們并非給出相互對(duì)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(chǎng)變革的兩面性：大語(yǔ)言模型一方面拓寬了科學(xué)家的閱讀與連接范圍，另一方面卻可能收緊科學(xué)發(fā)現(xiàn)的實(shí)際路徑。合在一起，這些發(fā)現(xiàn)共同勾勒出一個(gè)耐人尋味的圖景——科學(xué)家讀得更廣，卻做得更窄。

關(guān)鍵詞：人工智能，科學(xué)計(jì)量學(xué)，科研生產(chǎn)力，馬太效應(yīng)

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(shí)間：2026年1月14日 論文來(lái)源：nature

研究背景與問(wèn)題

AI 作為“雙刃劍”

AI 已深度融入知識(shí)生產(chǎn)過(guò)程，如 AlphaFold 預(yù)測(cè)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(duì)科學(xué)家和科學(xué)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(xué)家?guī)?lái)了個(gè)人利益，但也引發(fā)了對(duì)科學(xué)領(lǐng)域馬太效應(yīng)和引用模式變化的擔(dān)憂。

核心研究問(wèn)題

該研究基于 OpenAlex 數(shù)據(jù)庫(kù)中 1980 年至 2025 年間的 4130 萬(wàn)篇 自然科學(xué)論文（涵蓋生物學(xué)、化學(xué)、物理學(xué)等六大基礎(chǔ)學(xué)科），利用微調(diào)的 BERT 模型識(shí)別 AI 輔助的研究，旨在回答以下問(wèn)題：

1. 個(gè)體生產(chǎn)力：采用 AI 工具如何影響科學(xué)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(yīng)用是否改變了科學(xué)探索的廣度和多樣性？

3. 機(jī)制探究：這種新的個(gè)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(gè)體層面的“buff”

圖1：AI 擴(kuò)大了論文影響力并促進(jìn)了研究人員的職業(yè)生涯。a, AI 論文（紅色）與非 AI 論文（藍(lán)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(duì)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(jí)科學(xué)家與未采用 AI 的同行之間兩種角色轉(zhuǎn)變的概率（每個(gè)領(lǐng)域 n = 46 年的觀測(cè)值）。與未采用 AI 的同行相比，采用 AI 的初級(jí)科學(xué)家成為知名研究者（established researchers，即項(xiàng)目負(fù)責(zé)人）的概率更高，而退出學(xué)術(shù)界的概率更低。d, 從初級(jí)科學(xué)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(jí)科學(xué)家更早成為既定研究者。對(duì)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(jì)檢驗(yàn)均使用雙側(cè) t 檢驗(yàn)

從事 AI 增強(qiáng)研究的科學(xué)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(dá) 4.84 倍。這種優(yōu)勢(shì)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(jí)科學(xué)家向既定研究者（項(xiàng)目負(fù)責(zé)人）的轉(zhuǎn)變。采用 AI 的初級(jí)科學(xué)家成為項(xiàng)目負(fù)責(zé)人的時(shí)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(xué)術(shù)界的風(fēng)險(xiǎn)。

圖2： AI 研究與研究團(tuán)隊(duì)規(guī)模的縮小有關(guān)，平均減少了 1.33 名科學(xué)家（P < 0.001，樣本量 n = 33,528,469）。具體而言，初級(jí)科學(xué)家（junior scientists）的平均數(shù)量從非 AI 團(tuán)隊(duì)的 2.89 人減少至 AI 團(tuán)隊(duì)的 1.99 人（降幅 31.14%），而既定科學(xué)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(tuán)隊(duì)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(jí)科學(xué)家。這暗示 AI 可能正在替代部分初級(jí)研究人員的數(shù)據(jù)處理和模式識(shí)別工作。

集體層面的收縮視野

然而，個(gè)體層面的繁榮背后，隱藏著科學(xué)探索整體視野的狹窄化。

研究引入了“知識(shí)廣度”（Knowledge Extent）這一指標(biāo)，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(dòng)的研究在所有學(xué)科中都導(dǎo)致了集體知識(shí)廣度的收縮，中位數(shù)下降了 4.63%。

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

圖3：AI 的采用與科學(xué)領(lǐng)域內(nèi)外知識(shí)程度的收縮有關(guān)。a，研究團(tuán)隊(duì)使用預(yù)訓(xùn)練的文本嵌入模型將研究論文嵌入 768 維向量空間;然后測(cè)量該空間內(nèi)論文的知識(shí)程度。b，為了可視化，研究團(tuán)隊(duì)使用 t 分布隨機(jī)鄰域嵌入 (t-SNE) 算法將隨機(jī)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(shí)心箭頭和圓形邊界所示，在整個(gè)自然科學(xué)領(lǐng)域，AI 論文的知識(shí)程度 (在未平鋪的空間中計(jì)算) 較小。此外，AI 論文在知識(shí)空間中更加集中，表明對(duì)特定問(wèn)題的關(guān)注更加集中。c，每個(gè)領(lǐng)域中 AI 和非 AI 論文的知識(shí)程度 (P<0.001，每個(gè)領(lǐng)域中 n = 1,000 個(gè)樣本)，其中 AI 研究側(cè)重于更加收縮的知識(shí)空間。d，每個(gè)領(lǐng)域人工智能和非人工智能論文的知識(shí)熵 (P<0.001，每個(gè)領(lǐng)域 n = 1,000 個(gè)樣本)，其中人工智能研究的熵較低。對(duì)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(jì)檢驗(yàn)都使用中位數(shù)檢驗(yàn)。

如圖 3 所示，在嵌入向量空間的可視化中，AI 論文（紅色點(diǎn)）相比非 AI 論文（藍(lán)色點(diǎn)）在知識(shí)空間上的分布更為聚集，覆蓋范圍更小。這意味著 AI 正引導(dǎo)科學(xué)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(dòng)的減少與焦點(diǎn)的固化

為何 AI 會(huì)導(dǎo)致科學(xué)關(guān)注點(diǎn)的收縮？研究揭示了深層的互動(dòng)機(jī)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(luò)結(jié)構(gòu)”。AI 論文引發(fā)的后續(xù)研究更像是“孤獨(dú)的群體”，彼此缺乏對(duì)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(gè)采樣論文組），表現(xiàn)出更強(qiáng)的馬太效應(yīng)。

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(jìn)一步強(qiáng)化了對(duì)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(dòng)因素。AI 傾向于涌向那些數(shù)據(jù)最豐富的領(lǐng)域，從而導(dǎo)致知識(shí)空間的集中，而那些缺乏數(shù)據(jù)的基礎(chǔ)性或新興問(wèn)題則可能被邊緣化。

討論與啟示

這項(xiàng)研究揭示了一個(gè)加速后的兩難。AI 既是科學(xué)家個(gè)人成功的加速器，也可能是科學(xué)集體探索的減速帶。

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

這一發(fā)現(xiàn)對(duì)科學(xué)政策提出了挑戰(zhàn)。僅僅增加對(duì) AI 科研的資助可能會(huì)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(chǔ)問(wèn)題。

為了保持科學(xué)探索的多樣性，至少未來(lái)的 AI 系統(tǒng)不應(yīng)僅局限于認(rèn)知能力的增強(qiáng)（如數(shù)據(jù)分析），更需要擴(kuò)展“感知和實(shí)驗(yàn)”能力（Sensory and experimental capacity）。我們需要能幫助科學(xué)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(tuán)隊(duì)指出了本工作的幾個(gè)局限性，需要予以考量：

1. 識(shí)別方法的局限：使用的 BERT 模型雖然經(jīng)過(guò)專家驗(yàn)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(xué)，排除了計(jì)算機(jī)科學(xué)和數(shù)學(xué)（AI 方法的誕生地），也未包含社會(huì)科學(xué)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(fù)雜性：盡管使用了對(duì)照分析，但難以完全確定 AI 采用與科學(xué)影響之間的嚴(yán)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(shí)別的 AI 應(yīng)用（如機(jī)器學(xué)習(xí)、深度學(xué)習(xí)），對(duì)新式 AI 的長(zhǎng)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(xué)界。它讓科學(xué)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(shí)保持科學(xué)探索的廣度與好奇心，是該團(tuán)隊(duì)認(rèn)為的未來(lái)科學(xué)發(fā)展的關(guān)鍵命題。

AI 黑箱或許在促進(jìn)個(gè)體的認(rèn)知擴(kuò)張的同時(shí)

也導(dǎo)致了集體的行動(dòng)收縮

結(jié)合集智俱樂(lè)部昨日解讀Science 論文 (Kusumegi et al., 2025，詳情請(qǐng)見《》)，我們會(huì)發(fā)現(xiàn)我們似乎面臨一個(gè)悖論：

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

? nature：AI 工具（主要是 ML/DL）導(dǎo)致科學(xué)探索的視野收縮。

這并非立場(chǎng)的沖突，而是通過(guò)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(shí)幫助我們跨越了語(yǔ)言和閱讀障礙，讓我們能“看到”——至于人是否真的看了我們無(wú)從得知——更多的東西。但是，當(dāng)涉及到核心的科學(xué)發(fā)現(xiàn)環(huán)節(jié)時(shí)，算法的本質(zhì)鼓勵(lì)了我們只能去那些有數(shù)據(jù)富集的領(lǐng)域，導(dǎo)致我們的原型（archetype）選擇變得擁擠和趨同。

對(duì)于黑箱以外的觀察是信息攝入（Input）變寬了，但我們的知識(shí)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(gè)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(guò)在 Voronoi 聚類空間中訓(xùn)練 2498 個(gè)專業(yè)化學(xué)專家模型，為復(fù)雜合成提供具有置信度指標(biāo)的可復(fù)現(xiàn)、可執(zhí)行的實(shí)驗(yàn)方案。(Li et al., 2026, p. 1) 然而，MOSAIC 的運(yùn)作機(jī)制也恰恰印證了 Nature 論文所指出的隱憂。MOSAIC 之所以強(qiáng)大，是因?yàn)橛袛?shù)百萬(wàn)反應(yīng)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(xùn)練出來(lái)的專家混合模型，本質(zhì)上是在“自動(dòng)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(jìn)行極致的優(yōu)化和預(yù)測(cè)。

與其說(shuō)是 AI 限制了我們，不如說(shuō)是我們?yōu)榱俗非蟀l(fā)表效率，主動(dòng)選擇了去摘那些 AI 夠得著的低垂果實(shí)，即使是以一種極其繁復(fù)的手段。結(jié)果就是大家方法越來(lái)越花哨，做出來(lái)的東西卻越來(lái)越像。未來(lái)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(méi)有數(shù)據(jù)的地方“感知”出新數(shù)據(jù)來(lái)。

論文作者：

參考文獻(xiàn)

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(huì)

AI+Science 是近年興起的將人工智能和科學(xué)相結(jié)合的一種趨勢(shì)。 一方面是 AI for Science，機(jī)器學(xué)習(xí)和其他 AI 技術(shù)可以用來(lái)解決科學(xué)研究中的問(wèn)題，從預(yù)測(cè)天氣和蛋白質(zhì)結(jié)構(gòu)，到模擬星系碰撞、設(shè)計(jì)優(yōu)化核聚變反應(yīng)堆，甚至像科學(xué)家一樣進(jìn)行科學(xué)發(fā)現(xiàn)，被稱為科學(xué)發(fā)現(xiàn)的“第五范式”。 另一方面是 Science for AI，科學(xué)尤其是物理學(xué)中的規(guī)律和思想啟發(fā)機(jī)器學(xué)習(xí)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(lè)部聯(lián)合斯坦福大學(xué)計(jì)算機(jī)科學(xué)系博士后研究員吳泰霖（Jure Leskovec 教授指導(dǎo)）、哈佛量子計(jì)劃研究員扈鴻業(yè)、麻省理工學(xué)院物理系博士生劉子鳴（Max Tegmark 教授指導(dǎo)），共同發(fā)起以”為主題的讀書會(huì)，探討該領(lǐng)域的重要問(wèn)題，共學(xué)共研相關(guān)文獻(xiàn)。 讀書會(huì)已完結(jié)，現(xiàn)在報(bào)名可加入社群并解鎖回放視頻權(quán)限。

詳情請(qǐng)見：

1.

2.

3.

4.

5.

6.

7.