AI讓科研更快，但會讓科學更原創嗎？

圖源：AI生成

編者按：最近，南京醫科大學生物醫學工程與信息學院教授張錫哲在 《Nature》主刊World View欄目，發表了一篇題為 《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 能讓科學界多發表多少論文，而是它會如何改變科學家選擇問題、組織證據和判斷原創性的方式。
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，但底層的數據來源、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、數量和模板化產出，還是原創問題、異常證據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節正在被重新組織：文獻檢索、假說生成、實驗設計、數據分析、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，統計方法改變了醫學和社會科學的證據標準，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節。

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據或算法，而是因為它們位于多個知識系統的交界處。

現在，這種局面正在變化。基于檢索增強的科學文獻系統已經能夠在大規模論文庫中尋找相關證據，并生成帶有引用依據的綜合回答[1]。自動化科研系統也開始把假說生成、代碼執行、實驗設計、數據分析和論文寫作連接成連續流程[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同時閱讀醫學、物理、統計、社會科學和工程文獻，從不同知識傳統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，也可以把可發表路徑變成默認路徑。

更多產出并不必然意味著更多發現

一項發表于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。研究發現，從事AI增強研究的科學家發表論文數量約為其他科學家的3.02倍，獲得引用數約為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系統通常建立在已有文本、已有數據、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象，可能被迅速包裝成一個可發表項目；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，不一定表現為所有人研究同一個題目。相反，它可能表現為題目越來越分散，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——尋找公開數據集，調用通用模型，比較若干指標，報告顯著關聯，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。科學產出看似繁榮，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，把已有數據重新分析了一遍，或者把已有解釋包裝得更加精致[6]。

科學當然需要常規研究。沒有持續積累，就沒有可靠知識。但如果AI使常規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量、引用、規模、復雜流程和表面創新，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、偽造數據和批量生成論文。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。更重要的變化會發生在高質量科學內部。優秀研究者也會使用同樣的AI系統檢索文獻、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。大規模數據、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，更系統地暴露競爭性解釋，更有效地尋找被忽略的證據。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據的其他機制？”“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據結構排除了？”“如果結論是錯的，最可能錯在哪里？”“什么樣的證據能夠區分幾個競爭性解釋？”

這些問題把AI從生產工具轉變為探索工具。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出來。科學復興的可能性不在于AI使論文數量增加，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，識別被主流框架視為噪音的異常，并設計能夠真正區分解釋的關鍵證據。

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過度依賴規模和復雜性來判斷研究價值。大數據、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，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？是否提出了能夠區分競爭性解釋的關鍵證據？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，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就會優化包裝；如果評價體系獎勵真正的問題意識和原創性，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為掌握技術流程：會讀文獻、會寫代碼、會做實驗、會分析數據、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在更高層次的判斷上：選擇重要問題，識別證據邊界，判斷一個模式是否有意義，發現默認輸出中的偏見，連接相距遙遠的知識傳統，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、證據和評價。未來優秀的科學家，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、處理更多數據、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，保護原創性，容納異常，獎勵關鍵證據，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新，基金機構資助什么風險，大學獎勵什么成果，期刊如何區分“看起來復雜”和“真正重要”。

當論文變得越來越容易，科學必須重新捍衛不容易的東西：好的問題，深的證據，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