人工智能促进科研职业发展，但抑制科学发现
人工智能正将科研人员转变为高产的论文发表机器，同时悄然将他们推向同一批拥挤的研究领域。
这一结论来源于一项针对超 4000 万篇学术论文的分析。分析发现，在研究中使用人工智能工具的科研人员，相比不使用该类工具的同行，发表的论文数量更多、获得的引用次数更可观，并且能更快晋升至学术领导岗位。
但这背后存在一个隐患。在科研人员个人学术生涯节节攀升的同时，整个科学界的探索视野却在收窄。依赖人工智能开展的研究，覆盖的主题范围更窄，扎堆聚焦于相同的海量数据驱动型问题，并且研究之间引发的后续关联性互动也更少。
这些研究结果凸显了科研人员个人职业发展与科学界集体进步之间的矛盾 —— 诸如 ChatGPT、AlphaFold 这类工具，似乎更青睐研究的速度与规模，而非创新与突破。
“这其中存在着个体利益驱动与科学整体发展之间的冲突。” 主导该研究的芝加哥大学社会学家 James Evans 表示。
随着越来越多科研人员涌入相同的研究热潮，部分专家担忧这会形成 “从众效应” 的恶性循环，导致科研原创性不断下降。“这种现象非常棘手。” 美国西北大学研究复杂系统的物理学家 Luís Nunes Amaral 指出，“我们正在把同一个坑越挖越深。”
埃文斯及其团队已于 1 月 14 日在《Nature》期刊发表了这项研究成果。
长期关注科学发展演变规律
对于 Evans 而言，科研效率与探索创新之间的矛盾是他长期关注的研究领域。十多年来，他一直借助海量的论文发表与引用数据，量化分析科学观点的传播、停滞乃至趋同的规律。
2008 年，他的研究就指出，随着学术出版与检索全面转向线上，科研人员更倾向于阅读和引用那些关注度高的论文。这虽然加速了新观点的传播，却也收窄了学界流通观点的范围。后续研究进一步阐述，学术职业发展的激励机制，会无形中引导科研人员选择更稳妥、热门的研究问题，而非更具风险与原创性的方向。
其他相关研究也发现，即便论文发表数量呈爆发式增长，大型学科领域的概念创新速度往往会随时间推移逐渐放缓。近年来，埃文斯开始将这种量化分析方法应用于人工智能本身，探究算法如何重塑科研领域的集体关注度、科学发现进程以及知识体系的构建方式。
他此前的研究往往带有警示意味：那些让科研工作更高效的工具与激励机制，同时也可能压缩科研人员集体探索的思路空间。而这项最新分析则表明，人工智能正进一步加剧这种趋势。
人工智能对科研生涯与研究方向的影响
为了量化人工智能带来的影响，埃文斯与北京国家信息科学技术研究中心的合作团队，训练了一个自然语言处理模型，用于在六大基础自然科学学科中识别采用人工智能技术的研究成果。
该研究的数据集涵盖了 1980 年至 2025 年间，发表于生物学、化学、物理学、医学、材料科学以及地质学领域的 4130 万篇英文论文。计算机科学、数学这类专注于人工智能方法研发的学科，则被排除在研究范围之外。
研究人员追踪了科研人员的个人学术生涯轨迹，分析其论文获得的关注度，并从宏观层面探究各学科领域的学术研究在不同时期的聚焦与分散趋势。他们将约 31.1 万篇以某种形式运用人工智能技术的论文（例如使用神经网络、大语言模型等），与数百万篇未使用人工智能技术的论文进行对比分析。
图表：不同学科领域中使用人工智能工具的论文年度引用量对比柱状图。学科从上至下依次为：生物学、化学、地质学、材料科学、医学、物理学及综合领域。数据显示，人工智能的应用提升了科研人员的个人学术影响力，使用人工智能工具的研究者，获得的引用量始终高于不使用者。
研究结果揭示了一对显著的矛盾关系。使用人工智能技术的科研人员，学术产出效率与知名度均有所提升：平均而言，他们发表的论文数量是不使用者的 3 倍，获得的引用次数接近后者的 5 倍，并且能提前一到两年晋升为研究团队负责人。
但当这些论文被置于高维度的 “知识空间” 中分析时可以发现，依赖人工智能的研究占据的学术版图更小，研究方向更集中于热门的海量数据驱动型问题，且研究之间形成的后续关联互动网络也更薄弱。
这种趋势贯穿了人工智能发展的数十年历程，从早期的机器学习、深度学习的兴起，再到当前的生成式人工智能浪潮，始终存在。 Evans 指出，“非但没有减弱，这种趋势还在不断加剧。”
学术研究视野收窄并非唯一的意外后果。自动化工具让批量产出学术论文和会议投稿变得更加容易，期刊编辑与会议组织者发现，低质量、存在欺诈嫌疑的论文或报告数量激增，且这类成果往往是以产业化规模批量炮制的。
“我们过分痴迷于科研人员发表论文的数量，却忽视了研究本身的内容，以及这些研究对于加深人类对现实世界、健康领域和自然万物理解的贡献。” Nunes Amaral 说道。他在去年就曾详细阐述过人工智能催生的 “论文工厂” 现象。
自动化攻克易解决的问题
除了近期学术发表领域出现的这些乱象， Evans 的分析还表明，人工智能在科研领域的作用，更多是自动化解决那些相对容易处理的问题，而非拓展科学研究的前沿边界。
基于海量现有数据训练的人工智能模型，擅长优化那些定义明确的问题：比如预测蛋白质结构、图像分类、从大规模数据集中提取规律等。部分人工智能系统也已开始具备提出新假设和研究方向的能力 —— 这让人们看到了 “人工智能协作科学家” 的雏形。
但 Evans 表示，除非对人工智能系统进行针对性设计与激励，否则这类系统以及依赖它们的科研人员，不太可能主动涉足那些数据稀缺、研究问题更复杂模糊的未知领域。真正的风险不在于科学发展速度放缓，而在于研究内容变得越来越同质化。单个实验室或许能在研究赛道上一路疾驰，但整个科学界却可能面临这样的困境：所有人都在研究相同的问题、使用相同的方法、得出趋同的答案。这正是埃文斯最早发现的 “研究视野收窄” 现象的加速版 —— 当年，搜索引擎取代图书馆书架时，这种趋势就已初现端倪。
“这篇论文揭示了人工智能在科研领域应用的二阶、三阶效应，细思恐极。” 美国卡内基梅隆大学泰珀商学院研究组织行为学的社会心理学家 Catherine Shea 评论道。
她指出：“某些类型的研究问题更容易借助人工智能工具解决。” 而在一个以论文发表量作为核心评价指标的学术环境中，科研人员自然会倾向于选择那些最容易被人工智能工具攻克、并转化为可发表成果的研究问题。“久而久之，这就形成了一个自我强化的恶性循环。”
研究视野收窄的趋势会是暂时的吗？
这种趋势能否持续，或许取决于下一代人工智能工具的研发方向，以及它们在科研工作流程中的应用方式。
中国上海人工智能实验室的周博文（Bowen Zhou）及其团队在上月发表的一篇论文中指出，当前人工智能在科研领域的应用仍处于碎片化状态：数据、计算能力与假设生成工具往往各自独立、针对特定任务部署，这限制了知识的迁移应用，也削弱了人工智能推动颠覆性科学发现的潜力。但周博文表示，一旦将这些要素整合起来，科研人工智能系统将有助于拓展科学发现的边界。周博文是一名机器学习研究者，曾担任 IBM 沃森集团首席科学家。
Evans 认为这种可能性是存在的，但他强调，问题的根源并非在于人工智能的算法设计本身。他提出，相比技术层面的整合，更关键的是彻底改革现有的学术激励机制 —— 正是这些机制决定了科研人员选择研究方向的初衷。
“这与算法架构本身无关，”Evans 表示，“核心在于激励机制。”
Evans 指出，当下的挑战在于，有意识地调整人工智能在科研领域的应用方式与评价导向：“从某种意义上说，我们尚未真正挖掘出人工智能服务科学研究的核心价值 —— 也就是利用它去完成那些我们从未涉足过的探索。”
“我是一名人工智能乐观主义者。” 他补充道，“我希望这篇论文能够起到一种激励作用，推动人们以全新的方式使用人工智能 —— 这种方式应当拓展科研人员愿意探索的问题范畴，而非仅仅加速那些容易解决的研究工作。如果我们想要培育新的学科领域，这才是亟待应对的重大挑战。”
加入微信
获取电子行业最新资讯
搜索微信公众号：EEPW
或用微信扫描左侧二维码