AI讓科研更快，但會讓科學更原創(chuàng)嗎？

圖源：AI生成

編者按：最近，南京醫(yī)科大學生物醫(yī)學工程與信息學院教授張錫哲在 《Nature》主刊World View欄目，發(fā)表了一篇題為 《Will AI spark a scientific renaissance?》的文章。文章探討了這樣一個問題：AI 對科學的影響，不應只從生產率來衡量，不是 AI 能讓科學界多發(fā)表多少論文，而是它會如何改變科學家選擇問題、組織證據(jù)和判斷原創(chuàng)性的方式。
文章還提出了科研“擴散性同質化”（diffuse monoculture）的概念，研究主題表面上越來越多樣，但底層的數(shù)據(jù)來源、模型流程、解釋模板和科學想象力趨于相似。AI 能否帶來真正的科學復興，取決于科學共同體鼓勵什么：是速度、數(shù)量和模板化產出，還是原創(chuàng)問題、異常證據(jù)和改變領域思考方式的研究。
關于這個話題，《知識分子》邀請張錫哲教授做了更完整的分享。

撰文｜張錫哲?

人工智能正在成為科學研究的基礎設施。

這句話的含義，并不只是科學家多了一個寫代碼、查文獻、潤色論文的工具。更深層的變化在于，科學研究的若干關鍵環(huán)節(jié)正在被重新組織：文獻檢索、假說生成、實驗設計、數(shù)據(jù)分析、模型比較、論文寫作、同行評議，正在被接入同一套自動化或半自動化流程。AI不只是提高了科研活動的速度，也改變了科學家進入問題、理解證據(jù)和組織工作的方式。

在科學史上，工具從來不只是工具。望遠鏡改變了天文學的問題邊界，顯微鏡改變了生命科學的觀察尺度，統(tǒng)計方法改變了醫(yī)學和社會科學的證據(jù)標準，計算模擬改變了物理、氣候、生物和工程研究的推理方式。每一種重要工具都會重新劃定科學能夠看見什么、忽略什么、獎勵什么。AI的特殊之處在于，它不僅影響某一個學科的觀察儀器或分析方法，而且正在嵌入幾乎所有知識生產環(huán)節(jié)。

因此，關于AI與科學的核心問題不應停留在“能否提高效率”。它當然會提高效率。更值得追問的是：當科研活動越來越容易被自動化，科學共同體會提出更多真正不同的問題，還是會以更快速度生產更多相似的論文？

科研生產的門檻正在下降

AI對科學最直接的影響，是降低復雜研究的進入門檻。過去，一個研究者如果要進入陌生領域，往往需要長期訓練、跨學科合作和大量溝通成本。理解文獻需要時間，掌握術語需要時間，把一個學科中的問題翻譯成另一個學科中的模型也需要時間。許多真正重要的問題之所以長期進展緩慢，并不只是因為缺少數(shù)據(jù)或算法，而是因為它們位于多個知識系統(tǒng)的交界處。

現(xiàn)在，這種局面正在變化。基于檢索增強的科學文獻系統(tǒng)已經能夠在大規(guī)模論文庫中尋找相關證據(jù)，并生成帶有引用依據(jù)的綜合回答[1]。自動化科研系統(tǒng)也開始把假說生成、代碼執(zhí)行、實驗設計、數(shù)據(jù)分析和論文寫作連接成連續(xù)流程[2]。在化學、材料、生命科學、機器學習等領域，AI已經不僅用于輔助分析，也開始參與實驗規(guī)劃和研究流程設計[3]。

這帶來一種真實的民主化潛力。較小的團隊可以更快進入復雜領域；年輕研究者可以更容易接觸遠離本專業(yè)的文獻；學科邊界不再像過去那樣構成高墻。一個研究者可以借助AI同時閱讀醫(yī)學、物理、統(tǒng)計、社會科學和工程文獻，從不同知識傳統(tǒng)中尋找可遷移的方法。對于長期依賴大團隊和高門檻基礎設施的復雜科學而言，這種變化具有解放性。

但問題隨之而來。降低進入門檻并不等于擴大科學想象力。一個系統(tǒng)可以幫助更多人進入科學，也可以讓更多人以同樣的路徑進入科學。它可以擴展問題空間，也可以把可發(fā)表路徑變成默認路徑。

更多產出并不必然意味著更多發(fā)現(xiàn)

一項發(fā)表于Nature的研究分析了4130萬篇自然科學論文，用預訓練語言模型識別AI增強研究。研究發(fā)現(xiàn)，從事AI增強研究的科學家發(fā)表論文數(shù)量約為其他科學家的3.02倍，獲得引用數(shù)約為4.84倍。與此同時，AI采用也與集體研究主題范圍收縮4.63%、科學家之間互動下降22%相關[4]。

這組結果的重要性，不在于它給出了一個簡單結論，而在于它揭示了生產率與多樣性之間可能出現(xiàn)的張力。AI可以顯著提高個體科學家的產出和影響力，卻不一定擴大科學共同體探索的問題范圍。換言之，科學看上去可能更加活躍，論文更多，引用更高，技術更復雜，但其背后的問題類型、文獻來源和推理方式反而可能收縮。

這并不難理解。AI系統(tǒng)通常建立在已有文本、已有數(shù)據(jù)、已有基準和已有評價標準之上。它擅長從過去的知識中提取模式，組織出連貫敘事，并生成符合既有規(guī)范的輸出。對于日常科研而言，這種能力非常有用；但對于突破性科學而言，它也可能形成隱性約束。因為真正有價值的問題，常常不是過去文獻中最容易被總結出來的問題，而是已有文獻沒有很好表達、已有框架沒有充分容納的問題。

AI的危險不只是產生錯誤答案，而是讓一個問題過早顯得成熟。它可以給出充分的文獻綜述、合理的方法選擇、完整的代碼框架、流暢的結果解釋和謹慎的論文語言。這些特征會讓一個研究看起來很完整，但完整不等于深刻。一個尚未被充分理解的現(xiàn)象，可能被迅速包裝成一個可發(fā)表項目；一個本應暴露理論裂縫的異常，可能被納入既有框架并被語言撫平[5]。

科學可能進入一種“擴散性同質化”

AI時代的同質化，不一定表現(xiàn)為所有人研究同一個題目。相反，它可能表現(xiàn)為題目越來越分散，而研究方式越來越相似。

一個團隊可以研究癌癥預后，另一個團隊研究電池材料，第三個團隊研究城市交通，第四個團隊研究教育公平。表面上看，這些領域差異極大，甚至可以被稱為跨學科研究。但如果它們都采用類似流程——尋找公開數(shù)據(jù)集，調用通用模型，比較若干指標，報告顯著關聯(lián)，生成一個看似合理的機制解釋，再寫出結構完整的論文——那么真正趨同的并不是題目，而是科學想象力。

我將這種現(xiàn)象稱為“擴散性同質化”。它不是某一個理論或某一個學派壟斷科學，而是許多看似獨立的研究群體在相似模型、相似語料、相似基準、相似界面和相似評價壓力下，逐漸接受同一種關于“好問題”“好方法”“好結果”“好論文”的隱性模板?？茖W產出看似繁榮，底層的提問方式卻在收斂。

Nature雜志World View欄目刊發(fā)的文章

這種風險尤其難以識別，因為它并不總是低質量的。許多研究可能技術上合格，統(tǒng)計上嚴謹，語言上審慎，也能通過同行評議。問題在于，它們未必改變一個領域的理解方式。它們可能只是把已有范式推進了一小步，把已有數(shù)據(jù)重新分析了一遍，或者把已有解釋包裝得更加精致[6]。

科學當然需要常規(guī)研究。沒有持續(xù)積累，就沒有可靠知識。但如果AI使常規(guī)研究的生產效率大幅提高，而評價體系仍然主要獎勵產出數(shù)量、引用、規(guī)模、復雜流程和表面創(chuàng)新，那么科學共同體會自然地滑向一種高效率的保守性。它會生產越來越多“像論文的論文”，卻未必產生更多改變問題結構的知識。

真正的問題不是論文工廠，而是高質量研究的收斂

關于AI與學術出版的討論，常常集中在論文工廠、虛假圖片、偽造數(shù)據(jù)和批量生成論文。這些問題確實嚴重，也需要技術檢測、出版規(guī)范和學術治理共同應對。Nature等期刊已經多次報道AI如何加劇論文工廠問題，使虛假研究更容易被包裝成看似可信的成果[7]。

但如果只把AI的風險理解為低質量研究的擴散，就低估了問題的深度。更重要的變化會發(fā)生在高質量科學內部。優(yōu)秀研究者也會使用同樣的AI系統(tǒng)檢索文獻、生成代碼、比較模型、撰寫綜述、回應審稿意見。高水平團隊也會面對同樣的發(fā)表壓力、基金周期和評價指標。隨著AI逐漸嵌入科研基礎設施，研究者并不需要降低標準，科學也可能發(fā)生收斂。

這種收斂不是因為科學家變得不嚴謹，而是因為許多“嚴謹”的外觀變得更容易自動化。大規(guī)模數(shù)據(jù)、復雜模型、長流程分析、整潔圖表、流暢表達，本來可以作為研究能力的信號；當這些信號被工具顯著降低成本之后，它們作為科學價值代理指標的可靠性就會下降。

評價體系若不能同步改變，就會獎勵最容易被AI放大的部分。AI擅長整理、補全、優(yōu)化和包裝；科學突破則往往需要懷疑、偏離、停頓和重新定義問題。前者更容易被量化，后者更難進入評價表格。結果可能是，科學越來越擅長回答已經被定義好的問題，卻越來越少追問這些問題是否仍然值得被這樣定義。

AI 應當被用于擴大問題空間，而不是壓縮問題空間

AI對科學的積極意義，不在于把論文寫得更快，而在于幫助科學家更早跨越知識邊界，更系統(tǒng)地暴露競爭性解釋，更有效地尋找被忽略的證據(jù)。換言之，AI最有價值的用法，不應只是“把已有流程自動化”，而應是“讓問題變得更開放”。

一個好的AI輔助科研流程，不應只問：“如何把這個結果寫成論文？”它還應追問：“這個結果可能在哪些條件下失效？”“是否存在同樣可以解釋數(shù)據(jù)的其他機制？”“哪些文獻群體討論了相似問題卻彼此很少引用？”“這個研究缺少哪些負對照？”“哪些變量被方便的數(shù)據(jù)結構排除了？”“如果結論是錯的，最可能錯在哪里？”“什么樣的證據(jù)能夠區(qū)分幾個競爭性解釋？”

這些問題把AI從生產工具轉變?yōu)樘剿鞴ぞ?。生產工具的目標是讓已有路徑更快；探索工具的目標是讓未被看見的路徑顯現(xiàn)出來。科學復興的可能性不在于AI使論文數(shù)量增加，而在于它能否幫助更多研究者進入過去難以進入的問題空間：跨越學科語言的斷裂，連接相互隔離的文獻傳統(tǒng)，識別被主流框架視為噪音的異常，并設計能夠真正區(qū)分解釋的關鍵證據(jù)。

在這個意義上，AI更像一種認知放大器。它可以放大好問題，也可以放大壞問題；可以放大原創(chuàng)性，也可以放大從眾性；可以幫助科學家反思既有框架，也可以幫助既有框架自動復制自身。關鍵不在模型本身，而在科學共同體如何使用模型。

評價體系需要重新定義“科學價值”

如果AI讓科研生產變得更快，那么科學評價就必須變得更精細。期刊、基金、大學和評審委員會不能繼續(xù)過度依賴規(guī)模和復雜性來判斷研究價值。大數(shù)據(jù)、復雜模型、長參考文獻、跨學科包裝和流暢寫作，越來越可能只是工具能力與資源投入的體現(xiàn)，而不一定代表科學洞察[8]。

更重要的問題應當是：這項研究是否提出了一個新的可檢驗問題？是否識別了被忽視的機制？是否提出了能夠區(qū)分競爭性解釋的關鍵證據(jù)？是否改變了一個領域理解問題的方式？是否讓某種被忽視的異常變成可以被檢驗的科學主張？是否使不同學科之間形成真正的概念轉譯，而不只是方法套用？

這也要求科學評價承認“慢”的價值。原創(chuàng)性研究往往需要在不確定性中停留更久，需要經歷更多失敗，需要容納負結果，需要解釋異常，而不是立刻把它轉化為可發(fā)表結論。當AI使快速完成一個標準化項目變得越來越容易時，科學制度更應當保護那些暫時不那么完整、但可能改變問題框架的工作。

對于中國科研生態(tài)，這一點尤其重要。近年來，科研評價改革不斷強調破除“唯論文”“唯帽子”“唯影響因子”，但在實際運行中，論文數(shù)量、期刊等級、項目產出和短周期績效仍然有強大慣性。AI一旦進入這種評價結構，最容易被首先吸收為生產力工具：更快寫申請書，更快整理文獻，更快生成論文初稿，更快回應審稿意見，更快形成可展示成果。

如果評價體系獎勵速度，AI就會放大速度；如果評價體系獎勵包裝，AI就會優(yōu)化包裝；如果評價體系獎勵真正的問題意識和原創(chuàng)性，AI才可能成為科學探索的放大器。模型不會自動修正制度偏差。相反，它會把制度偏差變得更高效、更隱蔽、更像專業(yè)能力。

科學家的價值將向上移動

AI不會取消科學家的價值，但會改變科學家的稀缺性所在。

在過去，科研能力很大程度上體現(xiàn)為掌握技術流程：會讀文獻、會寫代碼、會做實驗、會分析數(shù)據(jù)、會寫論文。未來，這些能力仍然重要，但其中相當一部分會被AI輔助、加速甚至部分自動化。人的價值將更多體現(xiàn)在更高層次的判斷上：選擇重要問題，識別證據(jù)邊界，判斷一個模式是否有意義，發(fā)現(xiàn)默認輸出中的偏見，連接相距遙遠的知識傳統(tǒng)，抵抗看似合理但缺乏洞察的解釋，并決定一個異常是否值得繼續(xù)追究。

科學家的核心能力，將不只是生產答案，而是維護問題的開放性。AI可以生成答案，但科學家必須判斷哪些答案值得相信，哪些答案只是語言上的連貫；AI可以提出假說，但科學家必須判斷哪些假說有可檢驗性，哪些只是已有知識的重組；AI可以給出綜述，但科學家必須識別哪些文獻被忽略，哪些爭論被過早綜合，哪些不確定性被流暢敘事掩蓋。

這是一種更高層次的科學主體性。它要求研究者不僅會使用AI，也要理解AI如何塑造注意力、證據(jù)和評價。未來優(yōu)秀的科學家，未必是最會讓AI寫論文的人，而是最會讓AI暴露問題的人。

科學的未來不在模型里，而在制度選擇里

AI是否會帶來科學復興，并不是一個由技術性能單獨決定的問題。更強的模型可以生成更多文本、處理更多數(shù)據(jù)、連接更多知識，但科學復興需要的不只是信息處理能力。它需要科學共同體擴大問題空間，保護原創(chuàng)性，容納異常，獎勵關鍵證據(jù)，并抵抗把一切研究都轉化為標準化產品的沖動。

如果AI被主要用于提高論文生產速度，科學可能進入一種更高效的同質化：更多論文，更快發(fā)表，更復雜方法，更流暢敘事，但真正新的問題變少。如果AI被用于連接分散知識、檢驗競爭性解釋、識別被忽視的異常和支持高風險探索，它也可能讓更多研究者進入過去難以進入的知識邊界，推動科學提出更大、更難、更有變革性的問題。

AI正在改變科學，但它不會自動決定科學的方向。方向來自科學共同體的日常選擇：研究者向AI提出什么問題，審稿人把什么稱為創(chuàng)新，基金機構資助什么風險，大學獎勵什么成果，期刊如何區(qū)分“看起來復雜”和“真正重要”。

當論文變得越來越容易，科學必須重新捍衛(wèi)不容易的東西：好的問題，深的證據(jù)，真正的分歧，以及改變一個領域思考方式的能力。

參考文獻：

• [1] Asai, A. et al. Synthesizing scientific literature with retrieval-augmented language models. Nature 650, 857–863 (2026). https://doi.org/10.1038/s41586-025-10072-4
• [2] Lu, C. et al. Towards end-to-end automation of AI research. Nature 651, 914–919 (2026). https://doi.org/10.1038/s41586-026-10265-5
• [3] Boiko, D. A., MacKnight, R., Kline, B. & Gomes, G. Autonomous chemical research with large language models. Nature 624, 570–578 (2023). https://doi.org/10.1038/s41586-023-06792-0
• [4] Hao, Q. et al. Artificial intelligence tools expand scientists’ impact but contract science’s focus. Nature 649, 1237–1243 (2026). https://doi.org/10.1038/s41586-025-09922-y
• [5] Messeri, L. & Crockett, M. J. Artificial intelligence and illusions of understanding in scientific research. Nature 627, 49–58 (2024). https://doi.org/10.1038/s41586-024-07146-0
• [6] Kuhn, T. S. The Structure of Scientific Revolutions. University of Chicago Press, 1962.
• [7] Liverpool, L. AI intensifies fight against ‘paper mills’ that churn out fake research. Nature 618, 222–223 (2023). https://doi.org/10.1038/d41586-023-01780-w
• [8] Hicks, D., Wouters, P., Waltman, L., de Rijcke, S. & Rafols, I. Bibliometrics: The Leiden Manifesto for research metrics. Nature 520, 429–431 (2015). https://doi.org/10.1038/520429a