AI让个体科学家“加速”，却让科学边界“收缩”

Artificial intelligence tools expand scientists’ impact but contract science’s focus

 

引用格式：
Hao, Q., Xu, F., Li, Y. et al. Artificial intelligence tools expand scientists’ impact but contract science’s focus. Nature (2026). https://doi.org/10.1038/s41586-025-09922-y

编者按

　　当AI在蛋白质预测、自动化实验乃至论文写作中屡建奇功，一个悖论也随之浮现：它正以前所未有的效率助推科学家个人成功，却可能让整个科学探索的版图悄然收缩。

　　2026年1月14日，清华大学徐丰力、李勇团队与芝加哥大学James Evans教授在《Nature》发表的系统研究，首次通过分析1980-2025年间六大自然科学领域的4100余万篇论文，量化揭示了AI融入科研带来的“双重效应”：个人效率飙升与集体视野收窄之间的深刻张力。

▍个人科研的“加速器”：AI使用者的显著优势

　　研究团队首先训练了一个专门的BERT模型，用于从海量论文标题和摘要中精准识别出那些实质性采用AI方法的研究（而非仅提及AI）。分析发现，使用AI的科学家在学术产出和职业发展上获得了全方位的提升：

• 论文产出与影响力：与未使用AI的同行相比，采用AI的研究者年均发表论文数量高出3.02倍，获得的年均引用量更是高出4.84倍。

• 职业发展提速：从“初级研究者”（未领导过项目）成长为“资深研究者”（项目负责人）的过渡时间，AI使用者平均缩短了1.37年。他们的职业轨迹显示，他们更早成为团队领导，也更少退出学术界。

• 论文本身更受关注：AI相关论文的年均引用量比非AI论文高出98.70%，且更多发表在高影响力期刊。

▍科学整体的“收缩器”：集体知识疆域的隐性收窄

　　然而，当视角从个体切换到整个学科时，趋势发生了逆转。研究者通过将论文嵌入高维知识空间，并测量其覆盖的“知识范围直径”发现：

• AI驱动的科学研究，其集体关注的知识范围中位数收缩了4.63%。这一趋势在宏观的六个学科层面普遍存在，并向下渗透：在超过70%的细分子领域中均可观测到类似的收缩现象。

• AI研究的知识分布熵值更低，表明其注意力越来越不均匀地集中在某些特定核心问题上，而非广泛探索。

▍机制探源：数据引力与“中心-边缘”型知识网络

　　为何AI研究在整体上会收窄视野？关键在于其研究课题的选择性聚集。进一步分析表明，数据可获取性是驱动AI研究选择性聚集的首要因素。那些已存在大量结构化、标准化数据的领域（如蛋白质结构预测、材料性能计算），对AI方法展现出不成比例的吸引力，形成强大的“数据引力”，将研究人员与资源持续吸入这些“富矿区”。相比之下，数据稀缺、问题定义模糊或实验成本高昂的领域，则难以获得AI的青睐与投入。

　　更值得警惕的是，AI研究形成了独特的“中心-边缘”型知识网络。引文网络分析显示，AI领域呈现出极强的“马太效应”：其引用分布的基尼系数高达0.754，显著高于非AI研究的0.690。这意味着极少数的“明星”论文（如开创性的SOTA模型或基准数据集研究）获得了绝大部分的学术注意力。

　　然而，这种集中并未催生紧密的学术对话。尽管大量后续研究都引用了这些核心论文，但这些后续研究彼此之间却缺乏横向的知识互动——即“后续参与度”（Follow-on engagement）降低了22%。这意味着，后续研究大多只是各自引用同一个“明星”起点，却很少相互借鉴、批评或融合，未能形成推动领域深度演化的讨论网络。因此，知识扩散呈现为围绕少数核心的“星状”放射结构。这种模式暗示，当前许多AI增强研究更像是在对已知范式进行高效的自动化迭代，而非通过思想的碰撞与融合去开辟新的问题疆域。

▍启示与未来：迈向“边界拓展”

　　这项《自然》研究提供的并非意在否定AI，而是一份基于海量证据的“诊断”。它揭示了一个关键矛盾：在现有“重产出、重引用”的科研评价体系驱动下，AI主要被用作提升个人效率的“加速器”，却可能在系统层面导致科学探索整体视野的战略性收缩。

　　这促使每一位研究者反思：我们选择课题，究竟是被其深刻的科学内核所吸引，还是仅仅因为它能便捷地利用现有数据和AI工具快速产出？真正的突破性机遇，往往正潜伏于那些当前数据匮乏、AI尚且“无力”的原始问题之中。

　　因此，研究的最终指向是呼吁一场AI赋能科研的范式演进：未来的“AI for Science”不应止步于在既有数据中做更优的模型（内卷式优化），而应致力于成为科学家感知与实验能力的延伸。这意味着我们需要开发能主动主动创造新的数据前沿和问题空间，将科学的边界推向未知。

　　AI是最好的副驾驶，但方向盘应当始终掌握在具有独立科学品味的研究者手中。

公众号原文链接（文末附论文资源）：

Nature | 清华&芝大团队：AI让个体科学家“加速”，却让科学边界“收缩”

注：文章由史国鑫解读、投稿分享，向本公众号授权发布。