Nature 正刊收录！清华 FIB 实验室揭示：AI 提升科学家个人影响力，却收缩科学整体探索空间

67 0 0

文章摘要

人工智能正在深刻改变自然科学研究的结构和方向。效率的提升并不必然意味着科学探索的拓展，这一核心矛盾在清华大学FIB实验室的最新研究中得到系统验证。该研究基于1980-2025年超过四千万篇论文和五百多万名研究者的数据，揭示了人工智能工具对科学发展的双重影响：显著放大个体科学家的学术影响力，却导致整体研究范围的收缩。

在个体层面，采用AI的研究者展现出明显的优势。他们的论文发表数量平均达到未使用者的3.02倍，引用数量高出4.84倍，且职业发展速度平均提前1.37年。这种优势在六个自然科学学科中具有统计显著性，表明AI已成为提升科研产出的有效工具。然而，当视角转向整体科学结构时，研究发现AI论文的知识广度比非AI研究平均收缩4.63%，且70%以上的子领域存在这种趋势。研究注意力更集中于少数核心问题，学术互动网络密度降低22%，引用不平等程度也显著上升。

这种矛盾现象源于AI工具的特性与现行学术评价体系的相互作用。数据充足、路径明确的研究更容易获得AI加持，导致资源自然向这些领域倾斜。研究发现，数据可获得性比研究主题的热度更能预测AI的集中使用。这种机制可能使”数据贫瘠”但具有开创性的研究领域逐渐边缘化，形成科学探索的”内卷化”趋势。值得注意的是，这种变化并非研究者主观选择的结果，而是效率机制驱动下的系统性重构。

研究方法上，团队创新性地采用语义空间映射技术，将768维向量空间中的论文分布作为衡量知识广度的指标。通过构建包含27,405,011篇引用记录的样本，发现AI论文的引用分布更不均衡：前22.2%的论文获得80%的引用，Gini系数达0.754，明显高于非AI研究的0.690。这些量化证据表明，AI正在重塑科学知识的产生和传播模式，可能影响未来几十年的学科发展轨迹。

这项研究对当前AI for Science的发展提出了重要警示。当学术体系过度强调发表数量和引用指标时，AI工具可能无意中强化了研究的路径依赖。研究团队建议，需要建立更全面的评价机制，为高风险、高创新性的探索保留空间。特别是在基础研究领域，应当警惕效率导向可能带来的长期创新瓶颈，保持科学探索的多样性和可持续性。