Nature | AI工具提升个体科研效率，却可能制约整体科学进步

DRUGONE

对数十万篇自然科学论文的系统分析揭示了一个耐人寻味的悖论：使用AI工具的科学家产出更多研究成果，但研究主题却集中在更狭窄的领域范围内。

人工智能正深刻影响社会的多个方面，其中也包括科学研究。近期发表于《Nature》的研究指出，在自然科学领域，AI工具的采用一方面扩大了科学家的学术影响力，另一方面却缩小了研究探索的知识空间。

研究人员分析了超过4100万篇论文，其中约31万篇在研究过程中以某种方式引入了AI技术，例如机器学习方法或生成式AI。结果显示，开展AI辅助研究的科学家发表论文数量更多，被引用频率更高，职业发展速度也更快。然而，这些研究往往集中在已有成熟领域，而非开拓全新的研究方向。

这一现象引发了对AI工具如何塑造科学研究生态的广泛关注。

从机器学习到生成式AI：工具推动科研加速

人工智能通常指计算机执行原本需要人类认知能力的任务。早期AI以模拟人类智能行为为目标，随后发展出机器学习技术，使算法能够从数据中识别模式并作出预测。这些方法已被广泛应用于医学、工业等领域。

在此基础上，深度学习进一步模拟人脑神经网络结构，使模型能够从超大规模数据中自动发现复杂规律。

近年来，生成式AI（如大语言模型）则能够基于概率生成文本内容，并借助互联网级别的数据训练，实现近似人类的表达能力，即使面对未被专门训练的任务也能给出合理回应。

AI让科研更高产，却更趋同质化

研究人员提出一个关键问题：当个体科学家大量采用AI工具后，这种变化将如何影响科学整体的探索路径？

他们分析了1980年至2025年间自然科学领域使用AI技术的研究论文，并将AI发展分为三个阶段：机器学习时代、深度学习时代以及生成式AI时代。

结果显示，在这三个阶段中，AI辅助研究均更容易发表在高影响力期刊上，被引用次数也显著更高。使用AI的科学家不仅产出更多成果，还更快在学术领域站稳脚跟。

然而，与这些积极表现相伴的是研究主题范围的明显收缩：科研活动更加集中于少数数据丰富、技术成熟的领域。

换言之，AI提升了效率，却倾向于强化已有研究方向，而非推动跨领域探索与新领域诞生。

确定性算法与概率模型的科研挑战

AI工具本身存在显著差异。部分方法是确定性的，即在相同输入下始终产生相同输出；而生成式AI则具有概率特性，即便面对相同提示，也可能给出不同结果。

科学研究强调一致性与可重复性。生成式AI的随机性虽然赋予其类人创造能力，但也可能带来难以解释的结果波动。此外，这类模型不断更新迭代，使其输出处于持续变化之中。

这为基于生成式AI的科研工作提出了新的验证与规范挑战。

数据丰富领域成为AI时代的“研究高地”

研究发现，AI辅助研究更集中于数据资源充足的领域。这并不令人意外——AI工具在大规模数据环境中表现最优。

随着自动化数据采集、存储和处理技术的发展，许多科研任务早已无法依靠人工完成。AI的引入使研究人员能够分析此前难以触及的问题规模与复杂度。

从某种意义上看，AI不仅提升了效率，也重塑了科学问题的可行边界。

快思考与慢思考：AI与人类智慧的互补

科学问题解决通常依赖两类思维系统：一类是从数据中迅速识别模式的“快速思考”，这一过程非常适合由机器学习辅助完成；另一类是将数据与高层次概念相联系的“慢速思考”，则依赖人类的逻辑推理与创造性洞察。

AI工具在模式识别方面表现卓越，有可能将科学家从繁重的数据处理中解放出来，使其投入更多精力进行概念创新和理论构建。

这种互补关系或许将成为未来科研的重要范式。

AI是加速器，也是潜在的收缩器

研究人员认为，这项工作为后续评估AI对科学发展趋势的影响提供了重要框架。未来还可扩展至其他学科领域，特别是AI技术本身的研究领域。作为概率工具，生成式AI仍需遵循科学研究的基本验证原则，才能确保其辅助角色的可靠性。

总体来看，AI在科研中的应用呈现出明显的“双刃剑效应”：它极大提升了个体科研效率与影响力，却可能在无意中推动研究主题的集中化与路径依赖。这种现象仍需长期观察，尤其是生成式AI尚处于发展初期。

或许可以类比17世纪显微镜的出现——当时科学家尚不理解光学原理，却直觉地意识到微观世界的重要性。AI在今天的科研中，或许正扮演着类似的变革性角色。

整理 | DrugOne团队

参考资料

https://doi.org/10.1038/d41586-025-04092-3

内容为【DrugOne】公众号原创｜转载请注明来源