清华大学AI研究揭示科学探索的“矛盾效应”

就在近日，清华大学的一项AI for Science研究不仅登上了Nature杂志，而且还得到了Science的深度报道。

这项来自清华大学李勇团队的研究通过分析了全球2.5亿篇科学文献，揭示了AI for Science领域存在的一个典型矛盾——

AI在助力科学家“个体加速”的同时，却导致科学界的集体注意力窄化和趋同优化的“群体登山”现象。

换句话说，尽管AI帮助科学家发表了更多论文、更早成为项目负责人，但人们却集体涌向了少量适合AI研究的“热门山峰”，从而无形中削弱了科学探索的广度。

而且进一步的分析表明，这一矛盾并非偶然，而是由当前科学智能AI模型缺乏通用性导致的系统性影响。

那么，这项研究究竟是如何进行的呢？

第一步：探寻AI for Science的演化轨迹

回到起点，团队之所以进行这项研究，主要是发现AI for Science领域存在一个明显的矛盾——

在AI持续赋能科研的背景下，为何各学科的整体科学进展未见明显加速？

一方面，AI for Science研究已经产生了AlphaFold这样的荣获诺贝尔奖的成果；但另一方面，统计表明各学科领域的颠覆性研究成果在逐年下降，似乎未能获得AI的助力。

这背后的原因到底是什么？到目前为止，业界仍然没有明确的答案。

于是，团队带着这个问题出发了，并最终发表了《Artificial Intelligence Tools Expand Scientists’ Impact but Contract Science’s Focus》这篇论文。

在论文中，团队的首项工作是：从浩如烟海的文献中找出那些“AI赋能的研究”。

这一步对后续定量刻画AI对科学的影响至关重要。

为此，团队摒弃了停留在关键词层面的浅层检索方法，而提出了一条“高质量专家标注 + 大规模语言模型推理”相结合的技术路径——

通过领域专家标注少量论文样本，再让语言模型大规模推理的迭代优化，逐步让语言模型学会从标题和摘要中深层次的分析“那些是使用了AI工具的研究”。

论文显示，BERT的识别准确率非常高，达到了0.875分（满分为1）。

靠着这套方法，他们扫描了近50年来的海量文献（涵盖1980-2025年），最终绘制出了一张“AI赋能科研全景地图”。

这张地图横跨“机器学习、深度学习、生成式AI”三个时代，涵盖4130万篇论文、覆盖2857万研究者，被团队视为研究“AI如何系统性影响科研”的首个基准数据集。

然后…发现AI for Science领域的矛盾效应

基于该数据集，团队系统性分析了AI在自然科学六大领域（生物、医学、化学、物理、材料科学和地质学）的影响。

所采用的分析方法大致可分为以下三个阶段：

step 1：构建“科学语义地图”

step 2：定义衡量“广度”的指标

step 3：进行比较分析

简单来说，团队想要回答一个关键问题——

有了AI的帮助后，科学家探索的领域到底是变宽了，还是变窄了？

为了客观衡量这种看不见、摸不着的“认知版图”，他们提出了基于隐藏变量的科学学分析方法。

该方法和传统科学学的区别在于，它不再仅仅依赖论文的标题、关键词、作者、引用关系等“表面”数据，而是深入到论文的“思想”和“内容”本身，从而能更精细地度量像“知识广度”这样抽象的概念。

具体到第一步，他们把每篇论文中最能代表其内容的标题和摘要作为核心文本，通过一个深度嵌入表征模型转换成一个由768个数字组成的、固定长度的数学向量。

这个向量就是每篇论文在高维数字空间中的“坐标”——理论上，语义相似的论文，其向量距离也会更接近。

而当所有论文都找到自己的“坐标”后，团队主要通过“直径”和熵值这两个指标来测量知识广度。

前者用来衡量探索的“最远边界”

后者用来衡量分布的“均匀度”

背后原因揭秘：当前模型缺乏通用性

论文链接：https://rdcu.be/eY5f7