AI工具促进科学家个人成功，但收窄研究视野
AI正在把科学家变成论文生产机器——还在悄然将他们推向研究领域中同一处拥挤的赛道。
这是一项基于4000多万篇学术论文的分析得出的结论。研究发现，使用AI工具的科学家比不使用的同行发表论文更多、获得引用量更高、更快晋升到学术领导岗位。
但问题随之而来：当学者个人在学术阶梯上一路攀升时，整个科学界的探索视野却在收窄。依赖AI的研究覆盖的议题范围更小，扎堆于数据充足的热门问题，研究间的后续联动也更弱。
这些发现凸显了个人职业发展与集体科学进步之间的矛盾：ChatGPT、AlphaFold等工具似乎在奖励速度与规模，而非创新与突破。
“个人激励与整体科学发展之间存在冲突。”芝加哥大学社会学家、该研究负责人詹姆斯·埃文斯（James Evans）表示。
随着越来越多研究者涌向同一热门领域，一些专家担忧会形成“从众-原创性下降”的恶性循环。美国西北大学（Northwestern University）研究复杂系统的物理学家路易斯·努涅斯·阿马拉尔（Luís Nunes Amaral）指出：“这非常成问题，我们在同一个坑里越挖越深。”
埃文斯及其团队已于1月14日将研究成果发表在《自然》（Nature）期刊上。
对科学演化规律的长期探索
对埃文斯而言，效率与探索之间的矛盾并不陌生。十多年来，他一直借助海量论文与引用数据，量化分析科学观点的传播、停滞与趋同过程。
2008年，他的研究显示，在线出版与搜索的普及使科学家更倾向于阅读和引用那些高关注度论文，虽加速了新观点的传播，却也缩小了流通观点的范围。后续研究进一步揭示，职业晋升的隐性激励如何引导科学家转向更安全、更热门的研究问题，而非投入高风险的原创性研究。
其他研究也发现，即便论文数量激增，大型学科领域的概念创新速度仍会随时间放缓。近年来，埃文斯开始将这种量化分析视角转向AI本身，研究算法如何重塑集体注意力、科学发现与知识体系。
他此前的研究常带有警示意味：那些提升科研效率的工具与激励机制，同时也会压缩科学家集体探索的思想空间。而此次新分析表明，AI正在将这种趋势推向极致。
AI对科研生涯与研究选题的影响
为量化AI的影响，埃文斯与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（natural language processing）模型，用以识别六大学科中借助AI开展的研究。
他们的数据集涵盖1980年至2025年间发表的4130万篇英文论文，涉及生物学、化学、物理学、医学、材料科学（materials science）与地质学（geology），排除了计算机科学、数学（mathematics）等专注于AI方法开发的领域。
研究人员追踪了科学家的个人职业轨迹，分析其论文获得的关注度，同时从宏观层面观察各学科领域的研究方向是趋于集中还是分散。他们将约31.1万篇采用AI技术（例如神经网络（neural networks）或大语言模型（large language models））的论文，与数百万篇未使用AI的论文进行对比。
“采用AI能提升科学家的个人影响力，使用AI的研究者获得的引用量始终高于不使用者。” ——维达·C·斯托里（Veda C. Storey）
结果揭示了一组鲜明的矛盾：使用AI的科学家在产出效率与学术知名度上显著提升——平均发表论文数量是同行的3倍，获得引用量接近5倍，成为团队负责人的时间也早1至2年。
但将这些论文置于高维度“知识空间”中分析时，依赖AI的研究占据的思想版图更小，更集中于热门、数据充足的问题，研究间的后续联动网络也更薄弱。
这种模式贯穿了AI发展的数十年，从早期的机器学习（machine learning）、深度学习（deep learning）的兴起，到当前的生成式AI（generative AI）浪潮。埃文斯指出：“非但没有缓解，反而愈演愈烈。”
研究视野收窄并非唯一的意外后果。自动化工具让批量生成论文与会议投稿变得更容易，期刊编辑与会议组织者发现，低质量甚至欺诈性的论文或报告呈爆发式增长，且常以工业化规模产出。
努涅斯·阿马拉尔去年曾详细研究过AI驱动的论文工厂现象，他表示：“我们过度痴迷于科学家发表论文的数量，却忽略了研究的内容，以及这些研究如何帮助我们更好地理解现实、健康与自然世界。”
自动化最易攻克的问题
除了近期出现的论文出版乱象，埃文斯的分析还显示，AI在很大程度上是在自动化科学研究中最易处理的部分，而非拓展科研边界。
基于海量现有数据训练的模型擅长优化定义清晰的问题：比如预测蛋白质结构、图像分类、从海量数据中提取规律。部分系统也已开始提出新假设与研究方向——这正是如今被称为“AI协科学家”（AI co-scientist）的雏形。
但埃文斯指出，除非刻意设计并提供激励，否则这类系统及其使用者不太可能涉足那些数据稀缺、问题复杂模糊的未知领域。真正的危险并非科学发展放缓，而是研究变得同质化。单个实验室可能在各自赛道上飞速前进，但整个科研领域却可能在同一类问题、方法与答案上趋同——这正是埃文斯最早记录的“搜索引擎取代图书馆书架导致研究视野收窄”的高速版。
“思考AI在科研中的二阶、三阶效应如何显现时，这篇论文的结论令人不寒而栗。”美国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凯瑟琳·谢伊（Catherine Shea）表示。
她指出：“某些类型的问题更适配AI工具，而在以论文数量为主要成功标尺的学术环境中，研究者自然会倾向于选择那些最容易用AI处理、快速转化为可发表成果的问题。长此以往，便形成了自我强化的循环。”
研究视野收窄是暂时的吗？
这种趋势是否会持续，或许取决于下一代AI工具的研发与科研流程中的应用方式。
上月，中国上海人工智能实验室的周博文（Bowen Zhou）及其团队发表论文指出，AI在科研中的应用仍呈碎片化状态：数据、计算与假设生成工具往往孤立部署、各司其职，限制了知识传递，也削弱了突破性发现的可能。但周博文表示，若能整合这些要素，科研AI系统将助力拓展科学发现的边界。周博文是机器学习研究者，曾任IBM Watson集团首席科学家。
埃文斯对此持保留态度。他认为问题并非源于AI的算法设计本身，相比技术整合，更关键的是彻底改革决定科学家研究选题的激励机制。
“问题不在于算法架构本身，而在于激励机制。”埃文斯说。
如今，埃文斯认为我们面临的挑战是：有意识地调整AI在科研中的使用方式与激励方向。“某种意义上，我们尚未真正挖掘AI对科学的核心价值——即探索AI能让我们完成哪些此前无法实现的事。”
“我对AI持乐观态度，希望这篇论文能激发大家换一种方式使用AI——让AI拓展科学家愿意探索的问题范围，而非仅仅加速处理那些最易攻克的问题。如果我们想开拓新的学科领域，这便是最大的挑战。”
本文刊载于2026年3月印刷版，标题为《AI助力科学家，却阻碍科学发展》。
埃利·多尔金（Elie Dolgin）是专注于生物医学研究与药物研发的科学撰稿人。他曾获线虫群体遗传学博士学位，后来弃虫从文，先后在《科学家》《自然·医学》《STAT》担任编辑，现为自由撰稿人，经常为《新科学家》《自然》《IEEE频谱》等刊物供稿。