人工智能助力科研職業發展 卻拉平科學發現的創新維度

人工智能正將科研人員變成論文發表的“生產機器”，還在悄然將他們引向科研領域中那些已然擁擠的研究方向。

這一結論來自一項對逾4000萬篇學術論文的分析研究。研究發現，與不使用人工智能工具的同行相比，在研究中運用人工智能工具的科研人員，論文發表量更高、獲得的引用數更多，也能更快躋身科研管理崗位。

但問題的關鍵在于，當科研學者憑借人工智能在學術道路上一路晉升時，整個科學界的探索視野卻在收窄。重度依賴人工智能的研究，涉獵的研究主題范圍更窄，扎堆聚焦于那些數據豐富的同類研究問題，且研究之間引發的后續聯動探索也更少。

這些研究發現凸顯出個人職業發展與科學界整體進步之間的矛盾：ChatGPT、AlphaFold這類人工智能工具，似乎更青睞研究的速度與規模，而非顛覆性的創新發現。

該研究的負責人、芝加哥大學社會學家James Evans表示：“當下，科研人員的個人發展激勵機制，與整個科學界的發展需求之間，正存在這樣的矛盾。”

而隨著越來越多研究者扎堆涌入同一科研熱潮，部分專家擔憂這會形成循規蹈矩、原創性不斷下滑的惡性循環。美國西北大學研究復雜系統的物理學家Luís Nunes Amaral表示：“這一現象問題重重，我們正在同一個坑里越挖越深。”

Evans與其研究團隊已于1月14日將該研究成果發表于《自然》期刊：

https://doi.org/10.1038/s41586-025-09922-y。

在Evans看來，效率與探索之間的這種矛盾早已是他的研究范疇。十余年來，他一直借助海量的論文發表與引用數據集，量化分析科研觀點的傳播路徑、停滯原因，以及有時出現的趨同現象。

2008 年，他的研究就已發現，學術出版與文獻檢索向線上遷移的趨勢，使得科研人員更傾向于研讀和引用那些關注度高的同類論文 —— 這一現象雖加快了新觀點的傳播速度，卻也收窄了學術領域中觀點的傳播范圍。而他后續的研究則進一步闡明（https://www.science.org/doi/10.1126/science.1150473），科研行業的職業發展激勵機制，會悄然引導科研人員選擇更穩妥、研究扎堆的課題，而非那些更具探索性、更具原創性的研究方向（https://journals.sagepub.com/doi/10.1177/0003122415601618）。

其他研究也發現，即便論文發表數量呈爆發式增長，大型學科領域的概念創新速度往往也會隨時間推移逐漸放緩（https://www.pnas.org/doi/abs/10.1073/pnas.2021636118）。而在近期的研究中，埃文斯開始將這套量化分析方法同樣應用于人工智能本身，探究算法如何重塑科研領域的集體關注方向、創新發現路徑與知識體系架構。

他此前的諸多研究均帶有警示意味：那些讓科學研究效率得以提升的工具與激勵機制，同時也會壓縮科研人員集體探索的學術思想邊界。而本次的全新分析則表明，人工智能或許正讓這一趨勢進一步加劇。

為量化分析人工智能的影響，Evans與北京信息科學國家研究中心（Beijing National Research Center for Information Science and Technology）的合作研究者共同訓練了一款自然語言處理模型，用以識別六大自然科學學科中由人工智能輔助開展的研究。

該研究的數據集涵蓋了1980至2025年間，發表在生物學、化學、物理學、醫學、材料科學和地質學領域的4130萬篇英文論文。研究團隊剔除了計算機科學、數學等本身以人工智能方法研發為核心的學科。

研究人員追溯了科研人員的個人職業發展軌跡，分析了其論文獲得的關注度變化，同時從宏觀視角探究了各學科領域的學術研究方向隨時間推移的集聚與分散規律。他們將約31.1萬篇以不同方式運用人工智能的論文（例如通過神經網絡、大語言模型等技術），與數百萬篇未使用人工智能的論文進行了對比分析。

Veda C. Storey：https://www.nature.com/articles/d41586-025-04092-3

研究結果揭示了一組顯著的利弊權衡關系：采用人工智能的科研人員在研究效率與學術知名度上均有提升 —— 平均而言，他們的論文發表量是未使用人工智能者的三倍，獲得的引用量接近五倍，且能比后者提前一至兩年成為團隊負責人。

但將這些論文置于高維度的“知識空間”中分析后發現，重度依賴人工智能的研究，其學術探索的覆蓋面更小，扎堆聚焦于那些熱門、數據豐富的研究問題，且研究之間形成的后續聯動研究網絡也更為薄弱。

這一規律貫穿了人工智能數十年的發展歷程，從早期的機器學習、深度學習的興起，再到當下的生成式人工智能浪潮，始終未變。Evans指出：“非但沒有改觀，這一趨勢還在不斷加劇。”

研究視野的收窄并非唯一的意外后果。隨著自動化工具讓批量撰寫論文、提交會議摘要的操作變得愈發容易，期刊編輯與會議組織者發現，低質量、造假的論文或會議報告數量激增，這類成果的產出往往已形成產業化規模（https://www.pnas.org/doi/abs/10.1073/pnas.2420092122）。

Nunes Amaral去年曾詳細剖析過人工智能催生的論文工廠現象，他表示：“我們如今過度執著于科研人員的論文發表數量，卻忽視了研究本身的核心價值 —— 以及這些研究究竟能以何種方式，助力我們更深入地理解現實世界、人類健康與自然規律（

https://www.pnas.org/doi/abs/10.1073/pnas.2420092122）。”

除了近期出現的論文發表亂象外，Evans的分析還表明，人工智能在科研領域的應用，更多是將其中最易解決的環節實現自動化，而非拓展科學研究的邊界。

基于海量現有數據訓練的模型，擅長對定義清晰的問題進行優化求解：比如預測蛋白質結構、對圖像進行分類、從大規模數據集中提取規律。部分系統也已開始嘗試提出新的研究假設與探索方向 —— 這一現象，也讓人們得以窺見如今被稱作“人工智能協作科研者”的雛形。

但Evans指出，若未對這類系統進行針對性的設計與激勵，那么無論是人工智能系統本身，還是依賴這些系統的科研人員，都不太可能主動涉足那些研究體系尚未完善的領域：這些領域往往數據匱乏，研究問題也更為復雜棘手。人工智能帶來的風險，并非讓科學研究的進程放緩，而是讓研究變得愈發同質化。單個實驗室或許能實現研究突破、一路領先，但整個科學界的研究工作，卻可能陷入趨同的困境 —— 研究問題、方法與結論日漸一致，這無異于Evans最早記錄的那類研究視野收窄現象的高速版再現，而彼時的誘因，還是搜索引擎取代了圖書館的文獻檢索體系。

美國匹茲堡卡內基梅隆大學泰珀商學院研究組織行為學的社會心理學家Catherine Shea表示：“思考人工智能應用于科研領域所引發的次級、三級連鎖效應會如何逐步顯現時，這篇論文的研究結論著實令人憂心。”

她指出：“特定類型的研究問題，更適配人工智能工具的發揮。”而在學術圈以論文作為衡量成功核心標尺的大環境下，科研人員自然會傾向于選擇那些最易借助這類工具快速攻克、并轉化為可發表成果的研究問題。Shea稱：“長此以往，這便會形成一種自我強化的循環。”

這一趨勢能否持續，或許取決于下一代人工智能工具的研發思路，以及其在整個科研工作流程中的落地應用方式。

中國上海人工智能實驗室（Shanghai Artificial Intelligence Laboratory in China）的Bowen Zhou及其研究團隊在上月發表的一篇論文中指出，當前人工智能在科研領域的應用仍處于碎片化狀態：數據、算力與假設生成類工具的應用往往各自為戰、僅針對特定任務，這不僅限制了知識的跨領域遷移，也削弱了顛覆性科研發現的產生可能性。而該實驗室的機器學習研究員Bowen Zhou（曾任IBM沃森集團首席科學家）表示，若能將這些要素整合起來，科研專用人工智能系統便能助力拓展科學發現的邊界。

Evans認為存在這種可能性，但他并不覺得這一問題是人工智能算法設計本身固有的缺陷。他指出，相比單純的技術整合，最關鍵的或許是徹底改革科研領域的激勵機制 —— 正是這類機制，從根本上決定了科研人員選擇何種研究方向。

Evans表示：“問題的核心并非算法架構本身，而在于激勵機制。”

他坦言，當下的挑戰在于，需要有意識地調整人工智能在科研領域的應用方向與對應的激勵導向：“從某種意義上說，我們從未真正為人工智能賦能科研的核心價值投入資源 —— 這一核心價值，在于探索人工智能能讓我們實現哪些此前從未做到的突破。”

他補充道：“我本身是人工智能的樂觀派。我希望這篇論文能起到一種啟發作用，推動人們以全新方式運用人工智能 —— 這種方式，能讓科研人員敢于探索更多類型的研究問題，而非僅僅加速攻克那些最易解決的難題。如果我們想要開拓全新的科研領域，這便是我們面臨的重大挑戰。”