Nature丨清华等团队揭示AI科研双重效应：个人效率亦或是科学边界

编辑丨&

在过去十年里，人工智能几乎渗透进所有自然科学领域：从蛋白结构预测，到材料筛选，再到自动化实验与论文写作。AI 被反复证明能「加速发现」，但一个更深层的问题长期被忽略——当越来越多科学家依赖 AI，科学整体究竟发生了什么变化？

为了突破这一局限，来自清华大学等的徐丰力、李勇教授团队最终推出了「全流程、跨学科的科研智能体系统」—OmniScientist。他们通过对跨越 45 年、覆盖 4100 余万篇科研论文的分析，首次全景式揭示了 AI 工具融入科学研究后所带来的复杂图景。

相关研究内容以「Artificial intelligence tools expand scientists’ impact but contract science’s focus」为题，于2026 年 1 月 14 日发布在《Nature》。

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

个人扩张与集体收缩

研究团队构建了一个基于 BERT 的语言模型，用于识别「AI 增强型科研论文」。不同于关键词匹配，他们直接让模型学习论文标题与摘要中的语义特征，判断研究是否在方法层面实质性使用了 AI。

最终研究覆盖了 1980–2025 年间的 41,298,433 篇论文，横跨生物、医学、化学、物理、材料与地质六大自然科学领域，并按 AI 发展阶段划分为：传统机器学习 → 深度学习 → 生成式 AI 三个时代。

图 1：AI 在科学领域应用普及率的提升。

在此谨将研究结果分为个人与学术界两个层级进行解读。

对于研究者个人而言：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，获得的引用量高出 4.84 倍。他们的职业发展也明显提速，从「初级研究者」晋升为「资深研究者」的平均时间缩短 1.37 年。AI论文本身也更具影响力，年均引用量高出 98.70%，且更多发表于高影响力期刊。

但对于学术界可能不算什么好事：尽管个体论文影响力增强，但 AI 驱动的科学研究，其集体关注的科学主体空间收缩了 4.63%。这意味着 AI 研究倾向于更集中地围绕已有热门主题展开，而非开拓新的知识疆域。在超过 70% 的细分研究领域中，都观察到了这种知识范围的收缩现象。

图 2：AI 的采用与自然科学领域知识广度的收缩相关。

究其原因，并非是 AI 不善于创新，而是它更容易在数据充足、问题定义清晰、评价标准明确的领域发挥优势。这使得研究资源、注意力与后续工作，持续向「已有数据密集区」聚集——例如成熟学科、热门问题、已有大规模数据集的方向，而冷门问题、新领域、缺乏标准数据的问题则进一步边缘化。

除此之外，AI 研究催生的后续科学互动模式也发生了变化。单篇 AI 论文能启发较广的知识衍生范围，但后续引用该原始工作的论文之间，彼此相互引用的「后续互动」程度降低了 22%。

这种「孤星」结构，与 AI 领域的学术认可分配不均现象，加剧了科学研究的选择偏颇。

效率与探索之间的张力

这项研究触及了科学发展的一个根本性张力：在追求研究效率、产出速度和个体成功的激励下，AI 工具正将科研资源引向那些最容易通过数据驱动模型取得快速进展的领域。这固然能加速解决现有范式内的核心问题，提升效率，但可能同时削弱了对数据匮乏、高风险、高不确定性的原创性、颠覆性问题的探索动力。

研究团队指出，这种趋势可能导致科学界困于现有认知的「局部最优解」，而减少了在更广阔、更多元的未知领域进行「分散搜索」的机会。长此以往，科学发现的内涵可能从「提出新问题」向「优化旧方案的答案」倾斜。

图 3：AI 领域后续参与度降低且重叠研究更多。

该研究实质上是在呼吁一种更全面、更平衡的 AI 赋能科学愿景。研究者建议，未来的 AI 系统不应仅仅作为认知能力的放大器，更应发展为感知与实验能力的拓展器。

这意味着 AI 需要帮助科学家去探索、选择并收集来自此前难以触及领域的新型数据，例如设计新型实验、操控机器人实验室、或模拟极端条件，从而主动创造知识探索的新前沿，而非仅仅在现有数据上精耕细作。

笔者小结

作为科技前沿的参与者与旁观者，笔者在日常中也常能看到 AI 闪烁的发光点。遍历内容，却发现这些发光点大都依托在已有的实验基础之上，算是站在了巨人的肩膀上更进一层。

AI 带来的学术突破似乎已经将重点从学术转变为了 AI，各类大模型、智能框架的产生，都是为了方便研究者快速完成实验、达到理想中的结果。这并非不是 AI 所带来的时代红利，但人类总要保持对探索未知的热忱。

论文中表示，分析的局限，包括识别方法可能遗漏未明确提及的 AI 使用、主要聚焦自然科学而未涵盖人文社科等。生成式 AI 的影响也尚数据来充分评估。但在 AlphaFold、自动化实验室和大模型辅助写作不断加速科研的当下，这种张力，可能正是未来科学必须正视的问题。

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