AI让科研更快，但会让科学更原创吗？

发布时间：2026-07-17 06:35:48 来源：安智兰德资讯网 作者：知识

图源：AI生成

编者按：近日，让科南京医科大学生物医学工程与信息学院教授张锡哲在《Nature》主刊“World View”栏目发表题为《Will AI spark a scientific renaissance?研更》的文章。文章深刻指出，快但科学评估AI对科学的更原影响，不能仅局限于生产率的让科提升，更不应只看论文数量的研更增加，而应关注它如何重塑科学家提出问题的快但科学方式、组织证据的更原逻辑以及判断原创性的标准。

文章提出了“扩散性同质化”（diffuse monoculture）这一关键概念：尽管研究主题看似日益多样化，让科但底层的研更数据来源、模型流程、快但科学解释模板乃至科学想象力正趋于高度一致。更原AI能否引发真正的让科科学复兴，取决于科学共同体的研更价值导向：是追求速度、数量与模板化产出，快但科学还是坚守原创问题、异常证据及颠覆性思维？

基于此，《知识分子》特邀张锡哲教授进行深度分享。

撰文｜张锡哲

人工智能正在成为科学研究的基础设施。

这一论断的含义远超“科学家多了一个写代码、查文献或润色论文的工具”。更深层的变革在于，科学研究的若干关键环节——从文献检索、假说生成、实验设计，到数据分析、模型比较、论文写作乃至同行评议——正被整合进同一套自动化或半自动化的流程中。AI不仅提升了科研活动的速度，更从根本上改变了科学家进入问题、理解证据和组织工作的方式。

在科学史上，工具从来不仅仅是工具。望远镜重塑了天文学的问题边界，显微镜拓展了生命科学的观察尺度，统计方法确立了医学和社会科学的证据标准，计算模拟则改变了物理、气候、生物和工程研究的推理范式。每一种重大工具的诞生，都会重新划定科学能够“看见”什么、“忽略”什么以及“奖励”什么。AI的特殊性在于，它不仅仅影响单一学科的观察仪器或分析方法，而是正在嵌入几乎所有知识生产环节。

因此，关于AI与科学的核心议题，不应止步于“能否提高效率”。效率提升是既定事实。更值得追问的是：当科研活动日益自动化，科学共同体是会提出更多真正不同的问题，还是会以更快速度生产更多相似的论文？

科研生产门槛的降低与想象力的局限

AI对科学最直接的影响，是大幅降低了复杂研究的进入门槛。

过去，研究者进入陌生领域往往需要长期的训练、跨学科合作以及高昂的沟通成本。理解文献、掌握术语、将某一学科的问题转化为另一学科的模型，都需要耗费大量时间。许多重要问题之所以进展缓慢，并非单纯因为缺乏数据或算法，而是因为它们位于多个知识系统的交界处。

如今，这一局面正在改变。基于检索增强（RAG）的科学文献系统已能在大规模论文库中搜寻相关证据，并生成带有引用依据的综合回答[1]。自动化科研系统开始将假说生成、代码执行、实验设计、数据分析和论文写作连接为连续流程[2]。在化学、材料、生命科学及机器学习等领域，AI已从辅助分析工具演变为参与实验规划和研究流程设计的核心力量[3]。

这带来了真实的民主化潜力：小型团队能更快切入复杂领域；年轻研究者能更轻松地接触非本专业文献；学科边界不再如高墙般难以逾越。借助AI，研究者可以同时阅读医学、物理、统计、社会科学和工程文献，从不同知识传统中迁移方法。对于长期依赖大团队和高门槛基础设施的复杂科学而言，这种变化具有解放意义。

但问题随之而来。降低进入门槛并不等同于扩大科学想象力。一个系统可以帮助更多人进入科学，也可以让所有人以同样的路径进入科学。它可以扩展问题空间，也可以将“可发表路径”固化为“默认路径”。

更多产出 ≠ 更多发现

一项发表于《Nature》的研究分析了4130万篇自然科学论文，利用预训练语言模型识别AI增强型研究。结果显示，从事AI增强研究的科学家，其发表论文数量约为其他科学家的3.02倍，获得引用数约为4.84倍。然而，AI的采用也与集体研究主题范围收缩4.63%、科学家之间互动下降22%相关[4]。

这组数据的重要性，不在于给出简单结论，而在于揭示了生产率与多样性之间可能出现的张力。AI能显著提高个体科学家的产出和影响力，却未必能扩大科学共同体探索的问题范围。换言之，科学表面看似更加活跃、论文更多、引用更高、技术更复杂，但其背后的问题类型、文献来源和推理方式反而可能收缩。

这并不难以理解。AI系统通常建立在已有文本、数据、基准和评价标准之上。它擅长从过往知识中提取模式，组织连贯叙事，并生成符合既有规范的输出。对于日常科研，这种能力极具价值；但对于突破性科学，它可能形成隐性约束。因为真正有价值的问题，往往不是过去文献中最易被总结的问题，而是已有文献未能充分表达、既有框架未能容纳的问题。

AI的危险不仅在于产生错误答案，更在于让一个问题过早显得成熟。它可以提供详尽的文献综述、合理的方法选择、完整的代码框架、流畅的结果解释和谨慎的论文语言。这些特征会让研究看起来“完整”，但完整不等于深刻。一个尚未被充分理解的现象，可能被迅速包装成可发表项目；一个本应暴露理论裂缝的异常，可能被纳入既有框架并被语言“抚平”[5]。

科学可能陷入“扩散性同质化”

AI时代的同质化，不一定表现为所有人研究同一题目，而可能表现为题目日益分散，而研究方式日益相似。

一个团队研究癌症预后，另一个研究电池材料，第三个研究城市交通，第四个研究教育公平。表面上看，这些领域差异巨大，甚至被称为“跨学科”。但如果它们都采用类似流程——寻找公开数据集、调用通用模型、比较若干指标、报告显著关联、生成看似合理的机制解释、撰写结构完整的论文——那么真正趋同的并非题目，而是科学想象力。

我将这种现象称为“扩散性同质化”。它不是某一理论或学派垄断科学，而是许多看似独立的研究群体，在相似模型、相似语料、相似基准、相似界面和相似评价压力下，逐渐接受同一种关于“好问题”“好方法”“好结果”“好论文”的隐性模板。科学产出看似繁荣，底层的提问方式却在收敛。

Nature杂志World View栏目刊发的文章

这种风险尤其难以识别，因为它并不总是低质量的。许多研究可能在技术上合格、统计上严谨、语言上审慎，并能通过同行评议。问题在于，它们未必能改变一个领域的理解方式。它们可能只是将已有范式推进了一小步，重新分析了已有数据，或将已有解释包装得更加精致[6]。

科学当然需要常规研究。没有持续积累，就没有可靠知识。但如果AI使常规研究的生产效率大幅提高，而评价体系仍主要奖励产出数量、引用、规模、复杂流程和表面创新，那么科学共同体自然会滑向一种高效率的保守性。它会生产越来越多“像论文的论文”，却未必产生更多改变问题结构的知识。

真正的问题不是“论文工厂”，而是高质量研究的收敛

关于AI与学术出版的讨论，常集中在论文工厂、虚假图片、伪造数据和批量生成论文。这些问题确实严重，需技术检测、出版规范和学术治理共同应对。《Nature》等期刊已多次报道AI如何加剧论文工厂问题，使虚假研究更易被包装成看似可信的成果[7]。

但如果仅将AI的风险理解为低质量研究的扩散，便低估了问题的深度。更重要的变化发生在高质量科学内部。优秀研究者同样使用AI检索文献、生成代码、比较模型、撰写综述、回应审稿意见。高水平团队也面临同样的发表压力、基金周期和评价指标。随着AI嵌入科研基础设施，研究者无需降低标准，科学也可能发生收敛。

这种收敛并非因为科学家变得不严谨，而是因为许多“严谨”的外观变得更容易自动化。大规模数据、复杂模型、长流程分析、整洁图表、流畅表达，本可作为研究能力的信号；当这些信号被工具显著降低成本后，它们作为科学价值代理指标的可靠性就会下降。

若评价体系不能同步改变，就会奖励最容易被AI放大的部分。AI擅长整理、补全、优化和包装；科学突破则往往需要怀疑、偏离、停顿和重新定义问题。前者更易量化，后者更难进入评价表格。结果可能是，科学越来越擅长回答已被定义好的问题，却越来越少追问这些问题是否仍值得被这样定义。

AI应被用于扩大问题空间，而非压缩问题空间

AI对科学的积极意义，不在于把论文写得更快，而在于帮助科学家更早跨越知识边界，更系统地暴露竞争性解释，更有效地寻找被忽略的证据。换言之，AI最有价值的用法，不应只是“把已有流程自动化”，而应是“让问题变得更开放”。

一个好的AI辅助科研流程，不应只问：“如何把这个结果写成论文？”它还应追问：
* “这个结果可能在哪些条件下失效？”
* “是否存在同样可以解释数据的其他机制？”
* “哪些文献群体讨论了相似问题却彼此很少引用？”
* “这个研究缺少哪些负对照？”
* “哪些变量被方便的数据结构排除了？”
* “如果结论是错的，最可能错在哪里？”
* “什么样的证据能够区分几个竞争性解释？”

这些问题将AI从生产工具转变为探索工具。生产工具的目标是让已有路径更快；探索工具的目标是让未被看见的路径显现出来。科学复兴的可能性不在于AI使论文数量增加，而在于它能否帮助更多研究者进入过去难以进入的问题空间：跨越学科语言的断裂，连接相互隔离的文献传统，识别被主流框架视为噪音的异常，并设计能够真正区分解释的关键证据。

在这个意义上，AI更像一种认知放大器。它可以放大好问题，也可以放大坏问题；可以放大原创性，也可以放大从众性；可以帮助科学家反思既有框架，也可以帮助既有框架自动复制自身。关键不在模型本身，而在科学共同体如何使用模型。

评价体系需要重新定义“科学价值”

如果AI让科研生产变得更快，那么科学评价就必须变得更精细。期刊、基金、大学和评审委员会不能继续过度依赖规模和复杂性来判断研究价值。大数据、复杂模型、长参考文献、跨学科包装和流畅写作，越来越可能只是工具能力与资源投入的体现，而不一定代表科学洞察[8]。

更重要的问题应当是：
* 这项研究是否提出了一个新的可检验问题？
* 是否识别了被忽视的机制？
* 是否提出了能够区分竞争性解释的关键证据？
* 是否改变了一个领域理解问题的方式？
* 是否让某种被忽视的异常变成可以被检验的科学主张？
* 是否使不同学科之间形成真正的概念转译，而不只是方法套用？

这也要求科学评价承认“慢”的价值。原创性研究往往需要在不确定性中停留更久，需要经历更多失败，需要容纳负结果，需要解释异常，而不是立刻把它转化为可发表结论。当AI使快速完成一个标准化项目变得越来越容易时，科学制度更应当保护那些暂时不那么完整、但可能改变问题框架的工作。

对于中国科研生态，这一点尤其重要。近年来，科研评价改革不断强调破除“唯论文”“唯帽子”“唯影响因子”，但在实际运行中，论文数量、期刊等级、项目产出和短周期绩效仍然有强大惯性。AI一旦进入这种评价结构，最容易被首先吸收为生产力工具：更快写申请书，更快整理文献，更快生成论文初稿，更快回应审稿意见，更快形成可展示成果。

如果评价体系奖励速度，AI就会放大速度；如果评价体系奖励包装，AI就会优化包装；如果评价体系奖励真正的问题意识和原创性，AI才可能成为科学探索的放大器。模型不会自动修正制度偏差。相反，它会把制度偏差变得更高效、更隐蔽、更像专业能力。

科学家的价值将向上移动

AI不会取消科学家的价值，但会改变科学家的稀缺性所在。

在过去，科研能力很大程度上体现为掌握技术流程：会读文献、会写代码、会做实验、会分析数据、会写论文。未来，这些能力仍然重要，但其中相当一部分会被AI辅助、加速甚至部分自动化。人的价值将更多体现在更高层次的判断上：
* 选择重要问题
* 识别证据边界
* 判断一个模式是否有意义
* 发现默认输出中的偏见
* 连接相距遥远的知识传统
* 抵抗看似合理但缺乏洞察的解释
* 决定一个异常是否值得继续追究

科学家的核心能力，将不只是生产答案，而是维护问题的开放性。AI可以生成答案，但科学家必须判断哪些答案值得相信，哪些答案只是语言上的连贯；AI可以提出假说，但科学家必须判断哪些假说有可检验性，哪些只是已有知识的重组；AI可以给出综述，但科学家必须识别哪些文献被忽略，哪些争论被过早综合，哪些不确定性被流畅叙事掩盖。

这是一种更高层次的科学主体性。它要求研究者不仅会使用AI，也要理解AI如何塑造注意力、证据和评价。未来优秀的科学家，未必是最会让AI写论文的人，而是最会让AI暴露问题的人。

科学的未来不在模型里，而在制度选择里

AI是否会带来科学复兴，并不是一个由技术性能单独决定的问题。更强的模型可以生成更多文本、处理更多数据、连接更多知识，但科学复兴需要的不只是信息处理能力。它需要科学共同体扩大问题空间，保护原创性，容纳异常，奖励关键证据，并抵抗把一切研究都转化为标准化产品的冲动。

如果AI被主要用于提高论文生产速度，科学可能进入一种更高效的同质化：更多论文，更快发表，更复杂方法，更流畅叙事，但真正新的问题变少。如果AI被用于连接分散知识、检验竞争性解释、识别被忽视的异常和支持高风险探索，它也可能让更多研究者进入过去难以进入的知识边界，推动科学提出更大、更难、更有变革性的问题。

AI正在改变科学，但它不会自动决定科学的方向。方向来自科学共同体的日常选择：研究者向AI提出什么问题，审稿人把什么称为创新，基金机构资助什么风险，大学奖励什么成果，期刊如何区分“看起来复杂”和“真正重要”。

当论文变得越来越容易，科学必须重新捍卫不容易的东西：好的问题，深的证据，真正的分歧，以及改变一个领域思考方式的能力。

参考文献：

[1] Asai, A. et al. Synthesizing scientific literature with retrieval-augmented language models. Nature650, 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. Nature651, 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. Nature624, 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. Nature649, 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. Nature627, 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. Nature618, 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. Nature520, 429–431 (2015). https://doi.org/10.1038/520429a

相关文章