下载APP
登录|注册窄屏

AI越聪明,人类的科学探索反而可能越狭窄?

楼主: 鱼秋允🌛 见习天涯杂谈发表于: 2026-11-11 03:02点击: 136回复: 3

  • rich-20261111-030219_jpg.jpg

    2026年1月,《自然》杂志发表了一项研究。研究团队分析了4130万篇自然科学领域的论文,试图弄清楚一件事:AI工具到底对科学研究产生了什么影响?

    结论的前半段,完全在意料之内。使用AI的科研人员,发表论文数量是未使用者的3.02倍,获得引用量是4.84倍,成为科研项目负责人的时间平均提前了1.37年。AI让研究者变得更高效,更多产,更快爬升——这个结论,大概没有人会感到意外。

    但结论的后半段,就不一样了。

    同一份研究还发现:AI的采用,与整个科学界集体研究主题范围缩小4.63%有关,科研人员之间的后续互动减少了22%。大家发表了更多论文,引用了彼此更多次——但所有这些高产的活动,越来越集中在越来越小的一片领域里。

    个人效率提高了,集体探索的范围却在收缩。

    这两件事同时发生,不是巧合,而是同一件事的两面。

    先说AI在科研领域能做到什么。

    过去几年里,AI在科研中的角色发生了明显的变化。最初是辅助工具:帮你搜文献,整理数据,写代码,校对格式。这个阶段已经让许多研究者的工作效率提高了相当多,但AI本质上还是在响应人提出的问题。

    新一代系统走得更远。

    Google DeepMind开发的Co-Scientist是一个多智能体系统,由多个AI代理组成,分别负责生成假设、批判性评估、对候选方案进行排序,以及在此基础上不断迭代。它不是在等科学家提问,而是在科学家确定了一个研究方向之后,自己尝试往下走:提出可能的机制,设计验证路径,筛选候选方案。

    rich-20261111-030219_jpg.jpg

    这个系统参与了肝纤维化的研究。肝纤维化是一种慢性肝损伤,临床上一直没有专门获批的抗纤维化药物,大量研究集中在炎症通路和细胞死亡机制上。Co-Scientist的切入点不同:它把注意力放在了表观遗传靶点上,提出了一批候选方案,并在人体肝类器官实验中发现,其中部分候选方案具有抗纤维化活性。需要说明的是,这些结果目前来自实验室类器官模型,不等于伏立诺他已被证明能够治疗人体肝纤维化。

    这批候选方案里,有一种药物叫伏立诺他,本来是已经获批用于皮肤T细胞淋巴瘤的老药。

    值得注意的不只是结论,而是路径:这个方向,不是某位科学家凭经验或直觉提出来的,而是AI系统通过大规模筛选摸到的。在DeepMind公开的合作研究中,斯坦福团队自己基于文献选出的两个候选药在实验中未显示抗纤维化效果,而Co-Scientist选出的三个候选药中有两个起效,伏立诺他是其中最突出的一个。这个靶点方向,此前不是肝纤维化研究的主流关注点。

    还有一个更有意思的案例。在抗菌耐药研究中,Co-Scientist提出了一种与噬菌体尾部相互作用有关的细菌基因转移机制假设。这套机制涉及cf-PICIs如何通过劫持不同噬菌体的尾部结构来实现跨物种传播。研究团队围绕这个问题做了多年实验,答案已经通过实验确认,但当时论文刚刚提交、尚未公开发表,AI在测试时接触不到这个结论。AI排名第一的假设,与团队此前实验确认但尚未公开的机制吻合:cf-PICIs劫持多样化的噬菌体尾部来扩展宿主范围。

    这件事说明,AI提出的假设,不全是在已知知识里做排列组合,它有时候能摸到人类在短时间内不容易想到的方向。这类方向逻辑自洽,只是不在人类惯常的思维路径上。

    这是令人兴奋的部分。

    但回到那4.63%。

    这个数字需要解释一下,因为它不是说科学发现的数量减少了4.63%,而是说:研究主题的集体体量,在AI工具广泛使用之后,出现了4.63%的收缩。科研人员越来越集中到相似的方向上,彼此之间的引用和互动,呈现出“孤岛化”的倾向——圈子内部引用密度高,但不同领域之间的交叉越来越少。

    rich-20261111-030219_jpg.jpg

    为什么会这样?

    因为目前很多AI科研工具的工作方式,存在一个值得警惕的倾向。

    深度学习系统依赖大量历史数据来寻找规律。数据越丰富,系统的输出越可靠,给出的建议越有说服力,沿着这个方向做研究也越容易出成果。科学家不是在主观上偷懒,而是工具本身在推着他们往数据最密集的地方走。

    那些数据充足、指标清晰、成果容易量化的方向,会获得更多AI支持,更快产出论文,更容易被引用,于是吸引更多研究者,于是产生更多数据,形成一个自我强化的循环。

    反过来,那些数据稀缺、机制复杂、短期内看不到明确成果的方向呢?AI给不了多少帮助,课题申请也更难通过,发论文也更慢。研究者不是不知道这些方向可能重要,而是在现实压力下,越来越难以坚守。

    芝加哥大学的James Evans是这项2026年《自然》研究的作者之一。论文本身对机制的描述很直接:AI增强的工作会集体性地向数据最丰富的领域移动;后续互动减少,意味着AI工具更多是在自动化已经确立的领域,而不是探索新的领域。这不是对科学家的指责,而是对工具机制的描述——当导航只认最快路线,久而久之,大家走的路就越来越相似。

    对这个问题的担忧,不是2026年才出现的。

    2023年,《自然·人类行为》就已经有研究者发出警告:语言模型可能在消除语言障碍、促进知识跨国传播的同时,让科学家的研究兴趣和思路趋于一致,损害科学创新所依赖的多样性。这是一篇观点性的通信文章,不是证明AI已经造成多样性下降的实证研究,但它说明:在AI科研工具还没有今天这样普及的时候,这个问题就已经进入了研究者的视野。

    rich-20261111-030219_png.png

    数据来源:Hao et al., Nature (2026), “Artificial intelligence tools expand scientists’ impact but contract science’s focus”。图表为根据论文报告结果重新设计的示意图。

    现在,实证数据出来了,讨论也变得更具体。

    这件事不只发生在科研圈。

    想一想自己平时用AI的方式。写一篇文章,先问AI有什么思路;做一个决策,先问AI有什么建议;遇到一个陌生问题,先问AI给个框架。

    这个习惯本身没有问题,AI给出的思路和框架通常是有用的。但问题在于:AI推荐的思路,是从大量已有内容里提炼出来的——换句话说,它给你的,大概率是已经被很多人想到过、被反复验证过、被普遍认为有效的方向。

    如果每个人每次遇到问题都先走这条路,久而久之,不同背景、不同视角的人,会越来越自然地抵达同一组答案。

    这不意味着AI推荐的方向是错的。大多数时候,它确实是经过实践检验的有效路径。但科学史上,很多真正重要的发现,不是沿着已验证的有效路径走出来的,而是某个人在别人都不关注的角落里碰巧发现了什么,或者用一个完全没人想到的方式提了一个问题。

    青霉素的发现带有偶然性,X射线的发现也来自实验过程中意外观察到的现象。很多改变了整个领域的发现,起点都不是一个被广泛认同的研究方向。

    当每个人都借助AI快速找到效率最高的路径时,那些效率不高、数据不足、短期没有回报的角落,会越来越少有人去。

    说到这里,可能有人会觉得:那是不是应该少用AI?

    这显然不是结论。AI让科研人员效率翻倍是真实的价值,让肝纤维化研究摸到新靶点是真实的价值,帮普通人处理信息、节省时间是真实的价值。拒绝用AI,不是答案。

    真正需要警惕的,是另一件事。

    当一个工具变得足够好用,好用到大家都习惯让它先给建议,再由自己判断,久而久之,主动提出陌生问题的能力,可能会悄悄退化。不是因为有人禁止这样做,而是因为这个回路越来越少被使用。

    AI能做的,是在已有知识的框架里加速探索,找到人类凭直觉难以找到的路径。但它加速的,是已经存在的方向上的推进速度。

    那些还没有被充分研究的方向,那些还没有被明确提出的问题,那些因为从来没人测量过而缺乏数据的现象——AI很难从已有知识中可靠地识别它们,更难保证能够指出下一步应该往哪里走。

    这正是人类在科学探索里不能放弃的那部分:不只是走得更快,还得偶尔停下来,想想有没有别的地方可以去。

    那份分析4130万篇论文的研究,提供了一个清晰的截面:AI的采用,同时伴随着个人产出的提升和集体探索范围的收缩。这两件事不互相矛盾,它们是同一个机制的两个结果。

    AI可以替我们走得更快。

    但应该去哪里,不能也让它替我们决定。


    参考资料:

    Hao, Q., Xu, F., Li, Y., & Evans, J. 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

    Penadés, J. R. et al. AI mirrors experimental science to uncover a mechanism of gene transfer crucial to bacterial evolution. Cell 188, 6636–6653 (2025). https://doi.org/10.1016/j.cell.2025.08.018

    Messeri, L. & Crockett, M. J. Artificial intelligence and illusions of understanding in scientific research. Nature Human Behaviour 8, 224–235 (2024). https://doi.org/10.1038/s41562-024-01839-2


    THE END



    本文关于:#AI与科研 #科学探索 #认知多样性 #工具边界#AIResearch #ScientificDiscovery #CognitiveDiversity #ToolBoundaries


    互动话题:你遇到陌生问题,会先问AI,还是先自己搭个框架?有没有哪次刻意没问AI,反而想出了不一样的路?


    文章未另外注明的均为「鱼秋允」原创→

    你能在喧闹里听到孤寂,就能在荒芜里看见花开。写人物,写情绪,写人间。

    **🌸愿君此去繁花似锦🌸**

    主楼
    签名你能在喧闹里听到孤寂,就能在荒芜里看见花开。写人物,写情绪,写人间。
  • 全部回复|共3条回复
  • 作者: 明月刀UID 3140超级版主🌞 社区骨干💰真·富可敌国022026-11-11 04:27

    个人效率提高了,集体探索的范围却在收缩。

    #1
    签名我欲学古风,重振雄豪气。名声同粪土,不屑仁者讥。身佩削铁剑,一怒即杀人。割股相下酒,谈笑鬼神惊。千里杀仇人,愿费十周星。
  • 作者: 藏书万卷可教子UID 17138三级用户组🌏 正式成员2026-11-11 06:08

    ꧁❦༺《周杰伦懦夫》༻❦꧂
    童蒙天性未漓,善言易入,正本清
    源,端在于此。故《易经》曰: 蒙
    以养正圣功。今全球人心所以大乱
    者,皆由一班不明因果感应之父母
    以养成之。唯有注重家庭教育,为
    子女讲明因果之事理,以培植根本
    。既植正因,必获正果,人心丕变
    ,风俗渐淳!!!

    #2
  • 作者: 藏书万卷可教子UID 17138三级用户组🌏 正式成员2026-11-11 06:08

    ꧁❦༺《周杰伦懦夫》༻❦꧂
    童蒙天性未漓,善言易入,正本清
    源,端在于此。故《易经》曰: 蒙
    以养正圣功。今全球人心所以大乱
    者,皆由一班不明因果感应之父母
    以养成之。唯有注重家庭教育,为
    子女讲明因果之事理,以培植根本
    。既植正因,必获正果,人心丕变
    ,风俗渐淳!!!

    #3

发表回复

登录后回复