AI科研双刃剑：加速产出或缩小科学疆域？

清华大学在《自然》杂志发表最新研究，揭示AI在科研中的双重角色：助力高效产出，或缩小科学探索范围。

随着AlphaFold预测蛋白质结构、ChatGPT辅助科研写作等AI应用的普及，我们不禁要问：AI是否正在加速科学进步，还是在悄然改变科学探索的「游戏规则」？

2026年1月，清华大学电子工程系徐丰力、李勇教授与芝加哥大学团队携手，在《自然》杂志发表了一项重磅研究。通过对4100余万篇科研论文的跨45年分析，研究团队首次揭示了一个引人深思的矛盾现象：AI在显著提升科学家个人生产力的同时，也无形中限制了科学探索的集体疆域。

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

研究团队构建了全球首个AI赋能科研全景知识图谱，通过高质量专家标注与大规模语言模型训练，精准识别了跨越「机器学习、深度学习、生成式AI」三个时代的AI增强型科研论文。

分析显示，使用AI的科学家在个人层面获得显著优势：年均发表论文量高出3.02倍；获得引用量高出4.84倍；从初级晋升资深平均提前1.37年；AI论文年均引用量高出98.7%。

「这表明AI工具确实有效提升了科学家的产出效率和影响力。」清华大学电子工程系徐丰力助理教授表示。

然而，当视角转向集体层面，研究发现了一个令人担忧的现象：

AI驱动研究的集体知识广度下降4.63%

科学家间的跨界互动减少22%

AI论文引文呈现「星型结构」，创新活力趋向集中和单一化

李勇教授解释道，「我们发现，AI的高效引导了研究者集体涌向少数适合AI研究的热门山峰，这种群体登山模式虽加速了已知问题的解决，却无形中固化了科学探索的路径，系统性地削弱了科学家向未知山峰探索的广度。」

研究团队深入分析发现，AI的「偏好」源于数据可及性：AI更倾向于在「数据丰富、问题明确」的领域发力，而数据匮乏、问题模糊的前沿领域则被边缘化。

研究团队指出，「AI不是不善于创新，而是更容易在数据充足、问题清晰的领域发力。当AI被广泛应用于科研，它引导科学家集体涌向那些数据丰富、问题明确的热门山峰，导致科学探索的趋同优化。」

这与我们对科学进步的期待形成鲜明对比：科学的真正价值不仅在于解决问题，更在于提出问题。

从「辅助工具」到「合作伙伴」，AI科研的范式升级

面对这一「内卷悖论」，徐丰力、李勇教授团队提出全新解决方案：「全流程科研智能体系统」（OmniScientist.ai）。

访问链接：OmniScientist.ai

该系统通过深度挖掘大模型智能体的通用推理能力，实现跨学科、全流程、多模态的广谱科研赋能，推动AI从「辅助工具」进化为具备「主动提出假说、自主设计实验、分析结果并形成理论」的「AI科学家」。

「我们正在构建的，是一个加速接近现有知识边界的科学世界，而不是一个能不断揭示新知识边界的未来世界。」徐丰力教授强调，「未来AI需要拓展的不仅是认知能力，更是感知与实验能力。」

未来启示：警惕「科学内卷」，拓展认知边界

论文的发现，为科学政策制定者和AI研究者敲响了警钟：AI在加速个体科研产出的同时，可能正在系统性地削弱科学探索的多样性。

「我们需要重新思考AI在科学中的定位，」李勇教授表示，「AI不应只是认知能力的放大器，更应成为感知与实验能力的拓展器。」

AI在科研中的应用正从「工具」走向「伙伴」，但这场范式升级绝非一帆风顺。

当AI让科学家们「跑得更快」，我们更需要警惕：我们是否在加速走向一个「科学内卷」的未来？

正如研究指出，「科学的真正价值不仅在于解决问题，更在于提出问题。」在这个AI驱动的时代，我们更需要保持对未知的热忱，让AI成为探索边界的开拓者，而非舒适区的守卫者。