AI助推个人产出却或导致科研同质化

关键要点

• 使用AI工具的研究人员发文量达到同行近三倍，获得引用量接近同行五倍。
• 分析显示AI辅助研究所涉及的主题广度缩减了4.6%，超过70%的细分领域均存在此现象。
• DeepMind开发的AlphaFold已生成超过2.14亿个预测蛋白质结构。
• Google研发的GNoME模型已筛选出38.1万种潜在稳定的无机晶体材料。
• 过去两年内AI模型的推断成本骤降约百倍，而上游数据观测基础设施的建设成本依然高昂。

个体高效与整体收窄的悖论

研究人员在分析海量科学文献后发现，使用人工智能工具的学者发文量约为同行同期的三倍，被引频次更是达到近五倍。然而从科学全局来看，AI辅助研究所覆盖的课题多样性比非AI研究低了4.6%，且这一趋势出现在超过70%的研究细分领域中。这种反差表明，工具的强大并未直接带来学术思想的大繁荣，反而在宏观层面助长了研究视角的收缩。

现行学术激励机制的推波助澜

这种课题收窄的根源不在于算法本身，而在于科研机构的制度设计。过去六十年来，论文和专利的开创性本就呈下降趋势，而AI进一步放大了这一倾向。现行职称评定与经费评审偏爱可预测、易量化的成果，促使研究人员更倾向于用AI快速挖掘已知领域，因为深耕成熟赛道的成本远低于开辟全新研究路径，现行激励体系正不断奖赏这种追求速度的做法。

上下游数据开发的成本失衡

过去两年间，AI模型的推断成本下降了约百倍，但搭建观测系统与收集湿实验数据的长效成本依然居高不下。DeepMind开发的AlphaFold预测了逾2.14亿个蛋白质结构，Google的GNoME模型也推选出38.1万种稳定无机晶体候选物。这些下游成果虽然亮眼，但上游的长期队列研究和生物多样性监测往往需要数年稳定投入，导致基础观测领域的资金与关注持续匮乏。

改革资助方向并包容跨界探索

为扭转科研同质化趋势，文章呼吁资助机构重点扶持上游数据基建，尤其是长期被主流队列忽略的冷门疾病领域。同时，科研院校需要革新评审机制，消除对跨学科转型学者的制度惩罚。AI本已大幅降低生态学家转入基因组学等领域的学习门槛，但许多招聘与基金评审依然严苛绑定单一垂直领域的历史成果，这极大阻碍了真正具有开创性的跨界研究。

对研究者的意义

这项讨论对生命科学与计算生物学研究者尤为切身。目前单细胞测序、空间组学及蛋白质组学常依赖现成公开数据集结合深度学习快速产出论文，导致算法层面的微调高度内卷，而冷门组织取样、真实疾病队列与前瞻性湿实验等脏活累活面临投入不足。学者若要突破渐进式同质化，需警惕单纯依赖公共大数据的低成本灌水，将AI能力向缺乏高质量基准数据的生物学新盲区延伸。