AI for Science悖論：成就科學家，卻傷害科學

“AI不會取代你，但使用AI的人可能會。”

這句話流傳已久，如今一項史無前例的大規模學術研究證實，這個預言正在科學界成為現實，結局甚至比想象中更加復雜和令人擔憂。

雙贏還是雙輸？

想象一下，如果有辦法能讓你的工作效率提升3倍，名氣增長近5倍，職業發展速度快一年半，你會怎么選擇？

絕大多數科學家顯然選擇了擁抱AI，但最新研究揭示了一個令人不安的悖論：這種個人層面的巨大成功，正在以科學整體的衰落為代價。

用AI研究AI：透視45年科學軌跡

為厘清AI對科學的影響，研究團隊完成了一項幾乎不可能靠人工實現的工作：

他們分析了自1980年至2025年間，跨越機器學習（1980?2014）、深度學習（2016?2022）與生成式AI（2023至今）三個時代，來自生物、醫學、化學、物理、材料科學和地質學六大領域的4130萬篇論文。

如何判斷一篇論文是否使用了AI？

團隊訓練了一個"AI偵探"，基于BERT模型進行兩階段微調，讓它學會從標題與摘要中識別AI技術的痕跡。這套系統最終從海量論文中找出約31萬篇AI增強論文，占總數的0.75%。

為確保可靠性，多位領域專家進行了人工核驗。結果顯示，模型判斷的準確率（F1分數）達0.875，而專家間的評判一致性更高達0.964，在社科研究中堪稱罕見的高信度。

科學家的"加速人生"：發表多3倍，引用高5倍

數據證實，AI正在成為科研者的"職業加速器"，擁抱AI的科學家們正在經歷前所未有的職業高光時刻：使用AI的科學家發表論文數量是未使用者的3.02倍，獲得的引用數量是4.84倍，更重要的是，他們成為研究項目負責人的速度快了1.37年。

在200多萬名科學家的職業軌跡分析中，使用AI的初級科學家更少中途退出學術界，更有可能成為成熟的領導型研究者。這種優勢跨越了所有研究的學科領域，似乎不受科學分支的影響。

"一旦出現像AlphaFold這樣的突破時，你滿腦子想的就是如何超越別人，搶先完成研究，"論文的共同作者清華大學的徐豐力說，“可如果我們都在攀登同一座山，那就有其他很多山，我們永遠無法探索。”

科學的"收縮"：領域窄化，互動減少

然而全景看，情況就不這么樂觀了，AI for Scicence雖然讓科學家獲得了巨大成功，卻讓整個科學生態系統變得更加狹窄和孤立。

研究發現，AI研究覆蓋的學科領域比傳統研究減少了4.63%。更令人擔憂的是，AI驅動的論文在所有自然科學領域的跨學科互動減少了22%。它們往往圍繞少數"明星論文"形成孤島，而非交織成網。22.2% 的頂尖AI論文獲得了80%的引用，超過一半的引用集中在極少數成果上，科學的"貧富差距"正在拉大。

這種模式產生了一個惡性循環：熱門問題吸引大量數據積累，豐富的datasets讓AI工具變得更有吸引力，使用AI取得的進展又吸引更多科學家涌入同一問題。"我們就像群居動物一樣。"芝加哥大學計算社會科學家詹姆斯·埃文斯（James Evans）說，“熱點問題催生大數據，大數據吸引AI工具，AI的進展又引來更多學者，形成一個自我強化的循環。”

數據為王的選擇邏輯

研究還有一個令人意外的發現：AI for Science選擇研究領域的決定性因素不是原創性、重要性，甚至不是經費的優先級，而是數據的豐富程度。擁有大量數據的領域成為AI研究的"香餑餑"，而那些數據稀缺但同樣重要的領域則被冷落。

這種趨勢正在重塑科學的版圖，就像淘金熱一樣，AI研究者們涌向最容易挖掘的地方，而忽略了那些需要更深層探索的未知領域。

窄化可否逆轉？

耶魯大學社會文化人類學家麗莎·梅西（Lisa Messeri）警告說，這些結果應該為整個學術界敲響警鐘。"科學無非是一種集體事業，"她說，“我們必須深入思考如何處理這種讓個人受益卻摧毀科學的工具。”

西北大學研究科學學的王大順（Dashun Wang）表示，“科學正在經歷一種程度罕見的顛覆”，生成式AI的快速崛起，正在以許多科學機構無法跟上的速度重塑研究工作流程，這只會讓風險更高，科學的未來形態更加不確定。

但研究人員認為，這種科學的窄化趨勢仍然是可以逆轉的。延世大學心理學教授、專門研究科學學的林志成（Zhicheng Lin）認為，一個解決方案是在尚未大量使用AI的領域構建更好、更大的數據集。"我們不能通過強制轉向數據密集型方法來改善科學，"他說，“更光明的未來應該在更多領域創造更豐富的數據集。”

研究合作者、清華大學的李勇進一步指出，未來的AI系統應該從簡單地處理數據進化為具備科學創造力的自主智能體，這將有望再次擴展科學的視野。

埃文斯強調，科學界必須首先反思這些工具如何影響了整個激勵機制。“AI增強的研究正在獲得越來越多資源，它本應催生新領域，而不是只讓我們在舊問題上內卷。”

重新定義AI時代的科學成功

這項研究揭示的不僅是一個技術問題，更是一個深刻的科學哲學命題：在一個AI能夠放大個人能力的時代，我們如何定義真正的科學進步？是在已有領域挖得更深，還是勇敢探索未知的疆界？

當AI工具讓個人效能更強，當工具讓我們走得更快，我們更需記得為何出發——

個人的輝煌，不應以集體視野的狹窄為代價。