AI 让科学家跑得更快，却可能让所有人跑向同一条路

一条更快的路，会把人带向哪里

青年科学家面对的日历很具体：项目要在资助周期内出结果，论文要在求职前接收，代码、数据和审稿意见不断堆积。任何能缩短分析、写作、检索或建模时间的工具，都不只是便利，而可能决定一份履历能否及时出现。

AI 正好提供这条快速通道。它擅长处理已经数字化的数据、标准化任务和可重复流程。一位研究者可以更快尝试模型、整理文献、生成代码，甚至发现传统方法难以看见的模式。个人使用它，几乎是理性的选择。

可当许多理性个人同时走向回报更快的方向，科学整体会发生什么？1 月发表于《自然》的一项研究分析了自然科学领域 4130 万篇论文，试图识别哪些工作使用 AI 方法，并比较科学家的职业与知识结构变化。

论文报告，采用 AI 的科学家发表论文数是未采用者的 3.02 倍，获得引用 4.84 倍，并平均早 1.37 年成为研究项目负责人。与此同时，AI 采用与科学主题总体范围收缩 4.63%、研究者之间后续互动减少 22% 相关。两百多个子领域中，超过 70% 出现知识范围收缩关联。

这些数字构成一个诱人的悖论：一个人跑得更快，整支队伍探索的地形却可能变窄。它不是证明 AI 把每位科学家变得保守，而是提醒我们，工具的能力与科研制度的奖励可能共同把人导向同一条数据丰富的主路。

首先要问：研究怎样知道谁用了 AI

4130 万篇论文不可能逐篇人工阅读。研究团队训练预训练语言模型，从论文文本中识别 AI 增强研究，并用专家标注数据验证，F1 分数为 0.875。这个成绩相当不错，却不是完美识别。

AI 在论文里的角色差异很大。有的工作用机器学习分析实验数据，有的研究开发 AI 本身，有的只在一个环节使用算法。文本分类器需要从措辞和方法描述判断，可能漏掉没有明确说明的使用，也可能把传统统计或计算方法误判为 AI。

研究跨越不同时代，早期的“AI”与今天的生成模型也不是同一种工具。论文讨论的是广义 AI 增强科学，不应被压缩成“ChatGPT 让所有学科收缩”。现代大语言模型可能放大、改变或缓解某些趋势，但当前数据不能单独裁定。

F1=0.875 不是一条需要在报道中藏起来的技术细节。分类误差会影响哪些论文被放入 AI 组，也会影响领域和时期比较。大样本可以稳定平均关系，却不会自动消除系统性误判。

因此，文章标题里的“可能”很重要。研究提供的是关联图景和机制线索，不是一次随机试验。

3.02 倍论文，不等于工具凭空创造了三倍生产力

采用 AI 的研究者可能本来就处于数据资源更丰富、团队更大、资金更多或引用更高的领域。他们可能更年轻、更计算化，也可能更愿意尝试新工具。正是这些特征同时推动 AI 使用与职业产出。

研究用匹配和多种分析尽量比较相似研究者，仍无法像随机分配一样消除所有选择。我们不能把 3.02 倍论文数翻译为“给任何科学家 AI，他就会多写 202% 的论文”。4.84 倍引用也不等于质量提高同样倍数：AI 相关主题本身更热门，合作网络、期刊和领域引用习惯都不同。

成为项目负责人早 1.37 年是职业指标，不是科学理解指标。它可能反映更快积累成果，也可能反映机构对 AI 主题的投资、招聘与名额倾斜。对个人而言，这种优势真实到足以影响选择；对制度而言，它需要被拆解，避免把趋势误当成工具纯效果。

研究最有价值的地方不是精确宣布 AI 增产几倍，而是把个人回报与集体知识结构放在同一张表上。即使部分个人优势来自选择，评价体系仍可能通过引用、职位与资金强化进入 AI 丰富领域的动力。

什么叫“科学范围收缩 4.63%”

科学没有一把可以直接测量“范围”的尺。研究者用论文表征和主题空间估计一个领域覆盖的知识范围，再观察 AI 采用前后的变化。4.63% 是这种构造指标上的总体估计，不是说所有学科少研究了 4.63% 的问题。

论文还发现，范围收缩关联出现在两百多个子领域中的 70% 以上，并观察到后续研究互动减少、工作之间更重叠。研究团队据此提出，AI 更常自动化和推进已有数据丰富区域，而不是帮助科学走向数据稀薄的未知处。

这个机制很直观。机器学习需要可读数据、稳定标签、足够样本和可计算目标。已经拥有大型数据库、标准基准与明确指标的领域，更容易获得性能提升并快速发表。只有零散档案、长期田野、难以量化现象或稀少样本的问题，较难进入同一生产线。

但“范围”指标也带有限制。一个领域集中力量解决关键问题，不一定是坏事；主题表征可能把术语统一误读为思想收缩；AI 可以在成熟领域内部发现此前不可见的组合。收缩不是自动等于质量下降，更不是对每篇 AI 论文的否定。

真正值得担心的是系统韧性。如果越来越多资源集中在同类数据和同类目标上，科学可能获得短期效率，却减少未来面对新问题时可调用的方法、现场和概念。

数据丰富的地方，成功也更容易被看见

科研评价依赖可计数对象：论文、引用、影响因子、项目金额、基准性能。AI 不仅加速研究，也擅长生成这些制度容易识别的成果。一个模型在公开数据集上提高几个百分点，可以被迅速比较；十年野外观察避免了一个错误结论，价值却难在年度考核中呈现。

于是，工具和制度形成正反馈。数据多的领域更容易使用 AI，AI 使用带来更多论文和关注，更多资源又产生更多数据。冷门问题不仅缺工具，还因为缺可见回报更难吸引年轻人。

这不是科学家的道德失败。处在短合同、激烈竞争和有限资助中的研究者，选择成功概率更高的路线很合理。把责任推给个人“勇敢探索”，会忽略评价系统设计了道路坡度。

资助机构和大学若希望保留问题多样性，不能只鼓励“负责任使用 AI”，还要改变资源配置：支持数据基础薄弱但公共价值高的问题，允许更长时间尺度，奖励数据集、方法和负面结果，对高重叠热门方向设置组合视角。多样性需要预算和职位，不是一句文化口号。

AI 也可能帮助走向支路，条件是什么

同一种工具不必只能加速主路。AI 可以帮助整理散落档案、翻译小语种文献、从昂贵实验中提取更多信息，或为资源不足团队降低计算门槛。它也能提出跨学科连接，使研究者发现自己领域之外的概念。

关键在目标和基础设施。若训练数据只覆盖主流文献，推荐系统按引用和相似度排序，生成结果自然把人带回中心。若项目主动纳入非主流语料、保存不确定性、邀请领域专家校正，并把“发现差异”而非“复制热门性能”设为目标，AI 才可能拓宽探索。

开放工具也不自动带来多样性。计算资源、清洗数据和人才仍然不均。容易获得模型的人，可能正是已经位于主流网络中心的人。研究访问公平与选题多样性相关，却不是同一个问题：前者问谁能使用工具，后者问使用后集体向哪里走。

对实验室，最实用的做法可能是把“AI 能做什么”之外再加一问：如果没有这个工具，我们原本会提出哪个问题？把被算法判定为数据不足的方向留下，而不是把不可计算当作不重要。

编辑和审稿人也在塑造道路

论文不是只由作者选择。期刊喜欢及时、可比较、技术明确的结果；审稿人要求更多基准和数据；会议围绕热门任务设置赛道。AI 研究更容易在这套结构中形成共同语言，也更容易让不同问题被压成相似评价表。

编辑可以要求作者说明 AI 在研究链中的真实角色、非 AI 替代方法、数据覆盖与失败边界。更重要的是，评审不应把“用了最新模型”当作创新本身。若新工具只提高速度而没有改变科学问题或证据，技术新颖性不该代替知识贡献。

对跟进研究，论文报告的 22% 互动下降值得进一步验证。科学进步需要他人读取、挑战、复现和延伸。如果 AI 论文大量产生却缺少深入后续，它们可能增加文献体积而非知识连接。引用数量高与互动广度下降可以同时发生：许多人引用同一热门节点，却更少跨向远处问题。

这也给自动生成研究提出边界。系统能快速写出看似完整的论文，评审资源却是有限的。产量增长如果不伴随来源、代码、数据与责任透明，会把成本转移给审稿人和后来者。

不要用一篇观察性论文否定所有 AI 科研

研究结论本身也可能被同一种热点机制放大。“AI 让科学变窄”是好传播的句子，比方法限制更容易获得引用。我们应当用它要求更多测量，而不是把它变成另一条单一化叙事。

需要的后续证据包括：不同 AI 工具和使用环节是否有不同效果；生成模型时代是否延续早期机器学习趋势；小语种、低资源和非数字学科发生了什么；同一研究者在采用前后的选题变化能否被更强设计识别；知识范围指标能否与专家判断和真实突破对应。

实验性政策也可以比较。资助项目若专门奖励数据稀薄问题、跨方法团队和高风险探索，AI 的效率红利是否会扩大而不收缩组合？期刊若减少对同质基准增量的奖励，研究者会不会把工具带向更陌生方向？

观察性研究没有给出最终答案，但它已经指出一个容易被个人生产力叙事遮住的层级：工具可能对个体有利，同时对集体产生需要治理的外部性。

科学需要一些没有自动扶梯的路

一位青年科学家不该因为拒绝 AI 才能证明原创，也不该因为使用 AI 就被怀疑偷懒。真正需要改变的，是让个人无需在职业生存与集体多样性之间独自承担选择。

AI 可以把成熟任务做快，把庞大资料变得可搜索，把某些高门槛方法带给更多人。这些都是实在价值。可科学的公共价值不仅来自更快解决已定义问题，也来自有人愿意定义还没有数据、基准和主流语言的问题。

4130 万篇论文的分析不能证明 AI 必然把科学带向单一化。它更像一张路况图：主路上速度和回报都更高，许多人的理性选择在远处汇聚，支路则越来越少人维护。

回到那位赶着下一份合同的青年研究者，我们不能只对他说“请保持好奇”。如果制度仍把速度、引用和热门方向当作主要通行证，好奇会成为一项昂贵的私人美德。科学要保留广度，就需要为那些没有自动扶梯、暂时也没有大数据的道路，持续留下时间、经费和位置。

来源与边界

• 数据规模、AI 识别性能、个人职业指标与集体知识范围结果来自 Nature 原始研究。
• 方法意义与争议背景参考 Nature News & Views 评论。
• 本文不把观察性关联写成 AI 对个人产出或科学收缩的确定因果，不将广义 AI 增强研究等同于今天所有生成式 AI 使用。