AlphaFold获得诺贝尔奖标志着人工智能工具已深入科学的核心地带。

清华大学一项基于41,298,433篇论文的深度研究揭示了一个令人深思的悖论。

AI显著提升了科学家的个人产出与职业进程，却导致整个科学探索的领域变得狭窄且固化。

该研究发表在Nature上，而且被Science深度报道。

AI工具正在极速渗透自然科学

AI在科学发现中的角色已经从辅助工具转变为核心引擎。

AlphaFold不仅解决了困扰生物学界五十年的蛋白质折叠问题，还通过预测未知结构展示了超越人类实验能力的潜力。

深度强化学习模型维持了聚变反应堆中复杂的等离子体配置，甚至发现了能加速自身运算的矩阵乘法新算法。

由大语言模型驱动的自主实验室系统正在帮助化学家和材料科学家扩大高通量实验的规模。

这些成就不仅为科学家赢得了诺贝尔奖等顶级荣誉，更引发了关于AI如何重塑科学面貌的深刻讨论。

为了量化这种影响，研究团队并未局限于计算机科学或数学这些AI的原生领域，将目光投向了生物学、医学、化学、物理学、材料科学和地质学这六大自然科学基础学科。

研究人员利用OpenAlex数据集，调取了从1980年到2025年间出版的41,298,433篇研究论文。

这是一个庞大的数字，涵盖了从传统机器学习到深度学习，再到最新生成式AI的完整发展历程。

为了从这四千多万篇浩如烟海的文献中精准识别出使用了AI工具的研究，研究团队并没有采用简单的关键词搜索，这种传统方法往往会遗漏隐含的或新出现的AI应用。

他们采用了一种更为精细的方法，微调了BERT（Bidirectional Encoder Representations from Transformers）语言模型。

这是一种能够理解上下文语境的深度学习模型。

研究人员首先在明确的AI导向期刊和会议文章上训练模型，使其学会“像专家一样”识别AI相关的语义特征。

这个识别过程分为两个阶段。

模型分别根据论文的标题和摘要进行独立训练，整合两个模型的判断来确定一篇论文是否属于“AI增强型研究”。

这种方法有效避免了人工筛选触发词的局限性。

为了验证这一自动化流程的准确性，团队聘请了人类专家对随机抽样的论文进行人工标注。

结果显示，专家之间达成了一致性极高的共识，平均Fleiss’ κ系数达到0.964，而BERT模型与专家判断的对比验证中，F1分数高达0.875。

这表明机器的判断已高度接近人类专家的水平。

数据揭示了一个清晰的趋势：AI增强型论文的比例正在经历爆发式增长。

从1980年到2025年，生物学领域的AI论文份额增长了51.89倍，地质学增长了10.70倍。

采用AI工具的研究人员比例增长更为迅猛，物理学领域的增长甚至达到了362.16倍。

这种增长并非线性，在机器学习、深度学习和生成式AI这三个技术迭代的浪潮中，增长率呈现出逐级加速的态势。

这表明AI不再是边缘的尝试，已成为自然科学研究中不可或缺的主流范式。

AI显著的职业加速与影响力红利

这种技术采纳的背后是巨大的职业激励。

统计数据显示，那些将AI工具融入研究的科学家，在职业生涯的各个维度上都全面超越了未采用AI的同行。

从论文发表的那一刻起，AI增强型论文就展现出更强的生命力。

平均而言，AI论文的年度引用量比非AI论文高出98.70%。

这种优势不仅体现在平均数上，在最高引用和最低引用的统计指标中，AI论文都保持着一致的领先地位。

这种引用优势在不同影响因子的期刊中呈现出异质性分布。

在影响力最高的Q1分区期刊中，AI论文的比例比平均水平高出18.60%。

这说明高水平期刊更倾向于接收和发表利用AI技术的研究成果，或者说，AI技术更容易帮助研究成果达到高水平期刊的要求。

这种“高曝光度”直接转化为了科学家的个人学术资本。

对于个体科学家而言，拥抱AI带来的回报是丰厚的。

数据表明，采用AI的研究人员平均每年发表的论文数量是未采用者的3.02倍，获得的引用次数则是4.84倍。

即使排除了核心研究者在采用AI之前的既有成就差异，通过对比早期职业生涯起点相似的科学家，这种生产力和影响力的提升依然显著存在。

这说明并非仅仅是“优秀的科学家选择了AI”，AI本身确实对科学家的产出产生了巨大的增益效应。

这种增益最直接的体现是在职业晋升的速度上。

研究将科学家分为“初级”和“资深”两类，标准是有无领导过研究项目。

分析228万名科学家的职业轨迹后发现，使用AI的初级科学家晋升为资深科学家的概率比不使用者高出13.64%。

他们不仅更有可能跨越学术生涯的这道关键门槛，还能更快地跨越。

通过生灭模型（birth–death model）拟合职业轨迹，发现AI使用者的预期晋升时间缩短了1.37年。

在这个竞争激烈的学术环境中，接近一年半的先发优势是巨大的。

AI的引入改变了科研团队的微观结构。

AI增强型研究项目通常由更精简的团队完成，平均减少了1.33名成员，其中主要是初级科学家。

这种现象暗示了AI工具可能正在替代部分原本由初级研究人员承担的数据处理和分析工作。

尽管团队规模缩小，产出却在增加，这进一步印证了AI作为效率倍增器的作用。

资深科学家在AI项目中的平均年龄也比非AI项目年轻10.77%，显示出年轻一代的实验室领导者更倾向于利用这一新技术来建立自己的学术领地。

科学探索版图的收缩与固化

个人层面的繁荣景象掩盖了集体层面的隐忧。

AI在提升个体效率的似乎正在让整个科学界的视野变得狭窄。

为了衡量这一点，研究引入了“知识广度”（Knowledge Extent）的概念。

他们使用SPECTER 2.0模型，这是一个在海量科学文献上预训练并结合引文信息微调的文本嵌入模型，将每一篇研究论文映射到一个768维的向量空间中。

在这个高维空间里，可以通过计算论文集合所覆盖的向量空间“直径”来量化它们探讨的科学话题的广度。

分析结果令人警醒：与传统研究相比，AI增强型研究的知识广度中位数收缩了4.63%。

这一趋势在所有六个自然科学学科中是一致的。

进一步将学科细分为两百多个子领域后，超过70%的子领域都出现了这种知识版图收缩的现象。

此外，AI研究的知识分布熵值更低，意味着注意力过度集中在了少数几个核心问题上，而忽略了更广泛的探索可能性。

这种收缩并非因为AI论文本身的衍生能力差。

恰恰相反，单篇AI论文激发的后续引用所覆盖的领域往往比非AI论文更广。

问题的根源在于“跟随者”的行为模式。

研究发现，AI研究激发了“独善其身”式的引用结构。

在非AI研究中，引用同一篇基础论文的后续研究者之间往往会形成复杂的互动网络，彼此引用，形成一个紧密的学术社区。

在AI研究中，后续论文往往只关注那篇核心的AI论文，彼此之间却极少互动。

数据显示，AI研究的后续参与度（follow-on engagement）降低了22%。

这种星型而非网状的引用结构导致了“孤独的人群”（lonely crowds）现象。

大量研究者涌向同一个热门的AI模型或数据集，彼此之间却缺乏思想碰撞。

这直接导致了科研工作的重复和同质化。对5.9亿对论文引证关系的分析显示，那些引用同一来源但互不引用的“不参与”论文对，其在向量空间中的距离比那些互相引用的论文对要近得多。

这意味着大量科学家在互不知情的情况下，在极其相似的细分领域内进行着重复劳动，也就是所谓的“更重叠的研究”。

数据可用性是造成这一现象的主要驱动力。

分析表明，AI研究倾向于聚集在数据最丰富的领域，而不是科学问题最紧迫或最基础的领域。

那些缺乏大规模数据集的根本性科学问题，如自然现象的起源等，往往被AI浪潮所遗忘。

科学家们利用AI在已知数据的领域内进行深耕和优化，通过改进模型在既定基准上刷出更高的分数，从而获得发表和引用的奖励。

这种机制鼓励了“利用”（exploitation）而非“探索”（exploration）。

这构成了AI时代科学发展的核心悖论：个体科学家通过采用AI获得了影响力的扩张和职业生涯的加速，但这种基于个人利益的最优选择，在宏观上导致了科学探索方向的趋同和集体知识边界的收缩。

AI工具目前更多地是在自动化现有的领域，而不是在开拓新的领域。

科学正变得越来越像是一场在路灯下找钥匙的游戏，因为那里的光线（数据）最充足。

面对这一挑战，科学界需要重新思考AI的发展路径。

如果AI仅仅被用作数据处理和模式识别的认知增强工具，它将不可避免地加剧这种“富数据领域”的马太效应。

为了保持科学探索的多样性和广度，未来的AI系统需要从单纯的认知能力扩展到感知和实验能力。

我们需要能够主动搜索、选择和收集新类型数据的AI，帮助科学家进入那些数据匮乏的未知领域，而不是仅仅停留在舒适的数据富矿区。

只有当AI能够帮助我们通过新的视角观察自然，而不仅仅是更快地处理已有数据时，它才能真正成为拓展人类知识边界的工具，而非导致科学内卷的加速器。

参考资料：

https://www.nature.com/articles/s41586-025-09922-y

https://www.science.org/content/article/ai-has-supercharged-scientists-may-have-shrunk-science

https://rdcu.be/eY5f7