人工智能正將科研人員轉(zhuǎn)變?yōu)楦弋a(chǎn)的論文發(fā)表機(jī)器，同時(shí)悄然將他們推向同一批擁擠的研究領(lǐng)域。

這一結(jié)論來源于一項(xiàng)針對超 4000 萬篇學(xué)術(shù)論文的分析。分析發(fā)現(xiàn)，在研究中使用人工智能工具的科研人員，相比不使用該類工具的同行，發(fā)表的論文數(shù)量更多、獲得的引用次數(shù)更可觀，并且能更快晉升至學(xué)術(shù)領(lǐng)導(dǎo)崗位。

但這背后存在一個(gè)隱患。在科研人員個(gè)人學(xué)術(shù)生涯節(jié)節(jié)攀升的同時(shí)，整個(gè)科學(xué)界的探索視野卻在收窄。依賴人工智能開展的研究，覆蓋的主題范圍更窄，扎堆聚焦于相同的海量數(shù)據(jù)驅(qū)動型問題，并且研究之間引發(fā)的后續(xù)關(guān)聯(lián)性互動也更少。

這些研究結(jié)果凸顯了科研人員個(gè)人職業(yè)發(fā)展與科學(xué)界集體進(jìn)步之間的矛盾 —— 諸如 ChatGPT、AlphaFold 這類工具，似乎更青睞研究的速度與規(guī)模，而非創(chuàng)新與突破。

“這其中存在著個(gè)體利益驅(qū)動與科學(xué)整體發(fā)展之間的沖突?！?主導(dǎo)該研究的芝加哥大學(xué)社會學(xué)家 James Evans 表示。

隨著越來越多科研人員涌入相同的研究熱潮，部分專家擔(dān)憂這會形成 “從眾效應(yīng)” 的惡性循環(huán)，導(dǎo)致科研原創(chuàng)性不斷下降?！斑@種現(xiàn)象非常棘手。” 美國西北大學(xué)研究復(fù)雜系統(tǒng)的物理學(xué)家 Luís Nunes Amaral 指出，“我們正在把同一個(gè)坑越挖越深。”

埃文斯及其團(tuán)隊(duì)已于 1 月 14 日在《Nature》期刊發(fā)表了這項(xiàng)研究成果。

長期關(guān)注科學(xué)發(fā)展演變規(guī)律

對于 Evans 而言，科研效率與探索創(chuàng)新之間的矛盾是他長期關(guān)注的研究領(lǐng)域。十多年來，他一直借助海量的論文發(fā)表與引用數(shù)據(jù)，量化分析科學(xué)觀點(diǎn)的傳播、停滯乃至趨同的規(guī)律。

2008 年，他的研究就指出，隨著學(xué)術(shù)出版與檢索全面轉(zhuǎn)向線上，科研人員更傾向于閱讀和引用那些關(guān)注度高的論文。這雖然加速了新觀點(diǎn)的傳播，卻也收窄了學(xué)界流通觀點(diǎn)的范圍。后續(xù)研究進(jìn)一步闡述，學(xué)術(shù)職業(yè)發(fā)展的激勵(lì)機(jī)制，會無形中引導(dǎo)科研人員選擇更穩(wěn)妥、熱門的研究問題，而非更具風(fēng)險(xiǎn)與原創(chuàng)性的方向。

其他相關(guān)研究也發(fā)現(xiàn)，即便論文發(fā)表數(shù)量呈爆發(fā)式增長，大型學(xué)科領(lǐng)域的概念創(chuàng)新速度往往會隨時(shí)間推移逐漸放緩。近年來，埃文斯開始將這種量化分析方法應(yīng)用于人工智能本身，探究算法如何重塑科研領(lǐng)域的集體關(guān)注度、科學(xué)發(fā)現(xiàn)進(jìn)程以及知識體系的構(gòu)建方式。

他此前的研究往往帶有警示意味：那些讓科研工作更高效的工具與激勵(lì)機(jī)制，同時(shí)也可能壓縮科研人員集體探索的思路空間。而這項(xiàng)最新分析則表明，人工智能正進(jìn)一步加劇這種趨勢。

人工智能對科研生涯與研究方向的影響

為了量化人工智能帶來的影響，埃文斯與北京國家信息科學(xué)技術(shù)研究中心的合作團(tuán)隊(duì)，訓(xùn)練了一個(gè)自然語言處理模型，用于在六大基礎(chǔ)自然科學(xué)學(xué)科中識別采用人工智能技術(shù)的研究成果。

該研究的數(shù)據(jù)集涵蓋了 1980 年至 2025 年間，發(fā)表于生物學(xué)、化學(xué)、物理學(xué)、醫(yī)學(xué)、材料科學(xué)以及地質(zhì)學(xué)領(lǐng)域的 4130 萬篇英文論文。計(jì)算機(jī)科學(xué)、數(shù)學(xué)這類專注于人工智能方法研發(fā)的學(xué)科，則被排除在研究范圍之外。

研究人員追蹤了科研人員的個(gè)人學(xué)術(shù)生涯軌跡，分析其論文獲得的關(guān)注度，并從宏觀層面探究各學(xué)科領(lǐng)域的學(xué)術(shù)研究在不同時(shí)期的聚焦與分散趨勢。他們將約 31.1 萬篇以某種形式運(yùn)用人工智能技術(shù)的論文（例如使用神經(jīng)網(wǎng)絡(luò)、大語言模型等），與數(shù)百萬篇未使用人工智能技術(shù)的論文進(jìn)行對比分析。

圖表：不同學(xué)科領(lǐng)域中使用人工智能工具的論文年度引用量對比柱狀圖。學(xué)科從上至下依次為：生物學(xué)、化學(xué)、地質(zhì)學(xué)、材料科學(xué)、醫(yī)學(xué)、物理學(xué)及綜合領(lǐng)域。數(shù)據(jù)顯示，人工智能的應(yīng)用提升了科研人員的個(gè)人學(xué)術(shù)影響力，使用人工智能工具的研究者，獲得的引用量始終高于不使用者。

研究結(jié)果揭示了一對顯著的矛盾關(guān)系。使用人工智能技術(shù)的科研人員，學(xué)術(shù)產(chǎn)出效率與知名度均有所提升：平均而言，他們發(fā)表的論文數(shù)量是不使用者的 3 倍，獲得的引用次數(shù)接近后者的 5 倍，并且能提前一到兩年晉升為研究團(tuán)隊(duì)負(fù)責(zé)人。

但當(dāng)這些論文被置于高維度的 “知識空間” 中分析時(shí)可以發(fā)現(xiàn)，依賴人工智能的研究占據(jù)的學(xué)術(shù)版圖更小，研究方向更集中于熱門的海量數(shù)據(jù)驅(qū)動型問題，且研究之間形成的后續(xù)關(guān)聯(lián)互動網(wǎng)絡(luò)也更薄弱。

這種趨勢貫穿了人工智能發(fā)展的數(shù)十年歷程，從早期的機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的興起，再到當(dāng)前的生成式人工智能浪潮，始終存在。 Evans 指出，“非但沒有減弱，這種趨勢還在不斷加劇。”

學(xué)術(shù)研究視野收窄并非唯一的意外后果。自動化工具讓批量產(chǎn)出學(xué)術(shù)論文和會議投稿變得更加容易，期刊編輯與會議組織者發(fā)現(xiàn)，低質(zhì)量、存在欺詐嫌疑的論文或報(bào)告數(shù)量激增，且這類成果往往是以產(chǎn)業(yè)化規(guī)模批量炮制的。

“我們過分癡迷于科研人員發(fā)表論文的數(shù)量，卻忽視了研究本身的內(nèi)容，以及這些研究對于加深人類對現(xiàn)實(shí)世界、健康領(lǐng)域和自然萬物理解的貢獻(xiàn)。”  Nunes Amaral 說道。他在去年就曾詳細(xì)闡述過人工智能催生的 “論文工廠” 現(xiàn)象。

自動化攻克易解決的問題

除了近期學(xué)術(shù)發(fā)表領(lǐng)域出現(xiàn)的這些亂象， Evans 的分析還表明，人工智能在科研領(lǐng)域的作用，更多是自動化解決那些相對容易處理的問題，而非拓展科學(xué)研究的前沿邊界。

基于海量現(xiàn)有數(shù)據(jù)訓(xùn)練的人工智能模型，擅長優(yōu)化那些定義明確的問題：比如預(yù)測蛋白質(zhì)結(jié)構(gòu)、圖像分類、從大規(guī)模數(shù)據(jù)集中提取規(guī)律等。部分人工智能系統(tǒng)也已開始具備提出新假設(shè)和研究方向的能力 —— 這讓人們看到了 “人工智能協(xié)作科學(xué)家” 的雛形。

但 Evans 表示，除非對人工智能系統(tǒng)進(jìn)行針對性設(shè)計(jì)與激勵(lì)，否則這類系統(tǒng)以及依賴它們的科研人員，不太可能主動涉足那些數(shù)據(jù)稀缺、研究問題更復(fù)雜模糊的未知領(lǐng)域。真正的風(fēng)險(xiǎn)不在于科學(xué)發(fā)展速度放緩，而在于研究內(nèi)容變得越來越同質(zhì)化。單個(gè)實(shí)驗(yàn)室或許能在研究賽道上一路疾馳，但整個(gè)科學(xué)界卻可能面臨這樣的困境：所有人都在研究相同的問題、使用相同的方法、得出趨同的答案。這正是埃文斯最早發(fā)現(xiàn)的 “研究視野收窄” 現(xiàn)象的加速版 —— 當(dāng)年，搜索引擎取代圖書館書架時(shí)，這種趨勢就已初現(xiàn)端倪。

“這篇論文揭示了人工智能在科研領(lǐng)域應(yīng)用的二階、三階效應(yīng)，細(xì)思恐極?！?美國卡內(nèi)基梅隆大學(xué)泰珀商學(xué)院研究組織行為學(xué)的社會心理學(xué)家 Catherine Shea 評論道。

她指出：“某些類型的研究問題更容易借助人工智能工具解決?！?而在一個(gè)以論文發(fā)表量作為核心評價(jià)指標(biāo)的學(xué)術(shù)環(huán)境中，科研人員自然會傾向于選擇那些最容易被人工智能工具攻克、并轉(zhuǎn)化為可發(fā)表成果的研究問題?！熬枚弥?，這就形成了一個(gè)自我強(qiáng)化的惡性循環(huán)?！?/p>

研究視野收窄的趨勢會是暫時(shí)的嗎？

這種趨勢能否持續(xù)，或許取決于下一代人工智能工具的研發(fā)方向，以及它們在科研工作流程中的應(yīng)用方式。

中國上海人工智能實(shí)驗(yàn)室的周博文（Bowen Zhou）及其團(tuán)隊(duì)在上月發(fā)表的一篇論文中指出，當(dāng)前人工智能在科研領(lǐng)域的應(yīng)用仍處于碎片化狀態(tài)：數(shù)據(jù)、計(jì)算能力與假設(shè)生成工具往往各自獨(dú)立、針對特定任務(wù)部署，這限制了知識的遷移應(yīng)用，也削弱了人工智能推動顛覆性科學(xué)發(fā)現(xiàn)的潛力。但周博文表示，一旦將這些要素整合起來，科研人工智能系統(tǒng)將有助于拓展科學(xué)發(fā)現(xiàn)的邊界。周博文是一名機(jī)器學(xué)習(xí)研究者，曾擔(dān)任 IBM 沃森集團(tuán)首席科學(xué)家。

Evans 認(rèn)為這種可能性是存在的，但他強(qiáng)調(diào)，問題的根源并非在于人工智能的算法設(shè)計(jì)本身。他提出，相比技術(shù)層面的整合，更關(guān)鍵的是徹底改革現(xiàn)有的學(xué)術(shù)激勵(lì)機(jī)制 —— 正是這些機(jī)制決定了科研人員選擇研究方向的初衷。

“這與算法架構(gòu)本身無關(guān)，”Evans 表示，“核心在于激勵(lì)機(jī)制?！?/p>

Evans 指出，當(dāng)下的挑戰(zhàn)在于，有意識地調(diào)整人工智能在科研領(lǐng)域的應(yīng)用方式與評價(jià)導(dǎo)向：“從某種意義上說，我們尚未真正挖掘出人工智能服務(wù)科學(xué)研究的核心價(jià)值 —— 也就是利用它去完成那些我們從未涉足過的探索?！?/p>

“我是一名人工智能樂觀主義者?！?他補(bǔ)充道，“我希望這篇論文能夠起到一種激勵(lì)作用，推動人們以全新的方式使用人工智能 —— 這種方式應(yīng)當(dāng)拓展科研人員愿意探索的問題范疇，而非僅僅加速那些容易解決的研究工作。如果我們想要培育新的學(xué)科領(lǐng)域，這才是亟待應(yīng)對的重大挑戰(zhàn)?！?/p>