AI推动研究职业发展，但削弱科学发现的多样性

# AI科研加速，却收窄视野 来源：https://spectrum.ieee.org/ai-science-research-flattens-discovery 人工智能正将科学家变成发表机器——并悄然将他们引向同一片拥挤的研究角落。 这是对超过4000万篇学术论文进行分析后得出的结论。分析发现，在研究中使用AI工具的科学家，比不使用的同行发表更多论文、获得更多引用，并且更早晋升至领导岗位。 但其中有个问题。当个体学者在学术阶梯上快速上升时，整个科学界的求知视野却在收窄。大量使用AI的研究覆盖的课题领域更窄，更集中在数据丰富的同类问题上，并且研究之间引发的后续互动也更少。 这些发现凸显了个人职业发展与集体科学进步之间的张力，因为像ChatGPT和AlphaFold这样的工具似乎奖励速度和规模——而非意外发现。 “个体激励与整体科学之间存在这种冲突。”领导这项研究的芝加哥大学社会学家James Evans说。 随着越来越多的研究者涌向同一条科学“顺风车”，一些专家担忧这会形成一种从众与原创性下降的反馈循环。“这非常成问题，”西北大学研究复杂系统的物理学家Luís Nunes Amaral说，“我们在同一个坑里越挖越深。” Evans及其同事于1月14日在《自然》杂志上发表了这些发现。 ## 对科学如何演化的长期关注 对Evans而言，效率与探索之间的张力是他熟悉的领域。他花了十多年时间，利用海量发表和引用数据集来量化思想的传播、停滞和有时趋同的过程。 2008年，他表明转向在线出版和搜索让科学家更倾向于阅读和引用同一批高度可见的论文，加速了新思想的传播，但也收窄了流通中的思想范围。后续研究详述了职业激励如何悄然引导科学家走向更安全、更拥挤的问题，而非更具风险和原创性的问题。 其他研究追踪了大型领域如何随着时间推移减慢概念创新的速度，即使论文数量激增。而最近，Evans开始将同样的定量视角转向AI本身，考察算法如何重塑集体注意力、发现以及知识的组织方式。 这些早期工作往往带有警示意味：让科学变得更高效的工具和激励，也可能压缩科学家集体探索的思想空间。而新的分析表明，AI可能正在将这种动态推向超速。 ## AI对职业和研究课题的影响 为了量化这种影响，Evans与来自北京信息科学与技术国家研究中心的合作者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的AI增强研究。 他们的数据集包含了1980年至2025年间发表的4130万篇英文论文，涵盖生物学、化学、物理学、医学、材料科学和地质学。他们排除了计算机科学和数学等专注于开发AI方法本身的领域。 研究人员追踪了个体科学家的职业轨迹，考察了他们的论文如何累积关注度，并放大视角审视整个领域在知识上的聚集或分散程度。他们比较了大约31.1万篇以某种方式融入AI的论文——例如通过使用神经网络或大型语言模型——与数百万篇没有使用AI的论文。 结果揭示了一种显著的权衡。采用AI的科学家获得了更高的产出和可见度：平均而言，他们发表的论文数量是未使用者的三倍，获得的引用次数接近五倍，并且比后者早一到两年成为团队领导者。 但是，当这些论文被映射到一个高维的“知识空间”中时，大量使用AI的研究占据的知识足迹更小，更紧密地集中在数据丰富的热门问题周围，并且在研究之间产生的后续互动网络也更弱。 这种模式在数十年的AI发展中持续存在，跨越了早期机器学习、深度学习的兴起以及当前的生成式AI浪潮。“如果说有什么变化，”Evans指出，“那就是它在加剧。” 知识收窄并非唯一意外的后果。随着自动化工具使批量生产手稿和会议投稿变得更加容易，期刊编辑和会议组织者目睹了低质量乃至欺诈性论文或报告的激增，这些常常以工业化规模产生。 “我们已经变得如此痴迷于（科学家发表的）论文数量，以至于我们不再思考我们到底在研究什么——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。”Nunes Amaral说，他去年详细描述了由AI助长的论文工厂现象。 ## 自动化最易处理的问题 除了近期的发表扭曲现象，Evans的分析表明，AI主要是在自动化科学中最易处理的部分，而非拓展其前沿。 基于大量现有数据训练的模型擅长优化定义明确的问题：预测蛋白质结构、对图像进行分类、从海量数据集中提取模式。一些系统也已经开始提出新的假设和探索方向——这让人看到了现在一些人称之为“AI合作科学家”的雏形。 但Evans表示，除非经过刻意设计和激励，否则这些系统——以及依赖它们的科学家——不太可能涉足数据稀缺、问题更混乱、尚未被充分探索的领域。危险不在于科学放缓，而在于科学变得愈发同质化。个体实验室可能飞速前进，而集体事业则可能汇聚到相同的问题、方法和答案上——这是一种高速版本的收窄，与Evans最早在搜索引擎取代图书馆书架时所记录的现象如出一辙。 “这是一篇非常令人担忧的论文，因为它让我们思考在科学中使用AI所产生的二级和三级效应。”匹兹堡卡内基梅隆大学泰珀商学院研究组织行为的社会心理学家Catherine Shea说。 “某些类型的问题更适合AI工具，”她指出。在一个论文是成功主要货币的学术环境中，研究者自然会倾向于那些最容易通过这些工具快速产出并转化为可发表结果的问题。“久而久之，这就变成了一个自我强化的循环。”Shea说。 ## 这种收窄会是暂时的吗？ 这一趋势是否会持续，可能取决于下一代AI工具如何构建并部署到科学工作流程中。 在上个月发表的一篇论文中，周伯文及其在上海人工智能实验室的同事认为，AI在科学中的应用仍然碎片化——数据、计算和假设生成工具通常以孤立和特定任务的方式部署，限制了知识转移并削弱了变革性发现。但机器学习研究员周伯文表示，当这些元素被整合时，AI for science系统可以帮助拓展科学发现。 也许吧，Evans说。但他不认为问题根植于AI的算法设计。他认为，比技术整合更重要的，或许是彻底改革塑造科学家一开始选择研究什么问题的奖励结构。 “这不在于架构本身，”Evans说，“而在于激励。” 现在，Evans表示，挑战在于有意识地引导AI在科学中的使用和奖励方式：“从某种意义上说，我们尚未从根本上投资于AI for science的真正价值主张，那就是探究AI可能让我们做到以前做不到的事。” “我是一个AI乐观主义者，”他补充道，“我的希望是，这篇（论文）能成为以不同方式使用AI的激发因素”——这些方式能拓展科学家愿意探索的问题类型，而非仅仅加速最易处理问题的研究。“如果我们想要发展新领域，这就是巨大的挑战。” *本文以“AI Helps Scientists but Hurts Science”为题刊登于2026年3月印刷版。*