AI系统正从单纯的分析工具变成科研评价与使用流程中的参与者。它们看到的往往不是论文本身，而是围绕人类读者形成的信号：引用次数、下载统计以及热门论文榜单。但这些信号会把“人工读者”的集体注意力引向何处，此前缺乏实证证据。arXiv于2026年9月18日发布、由Maxim Chupilkin撰写的论文《社会影响与AI群体中科学注意力的分配》（arXiv:2609.22408），把著名的“音乐实验室”（Music Lab）实验范式移植到学术注意力市场，试图回答这一问题。论文同时归类于人工智能（cs.AI）与普通经济学（econ.GN）。
第一项实验招募了1,000个AI智能体，候选对象是《美国经济评论》（American Economic Review）2025年全年发表的114篇正式研究论文，智能体只能依据标题与摘要做判断。这1,000个智能体被分为十个社区：五个为独立选择社区，五个为社会影响社区，每个社区包含100个依次做出决定的智能体。两类社区的唯一差别在于，社会影响组中的智能体可以看到本社区内更早智能体的选择结果，独立组则看不到。智能体可以自由选择任意数量的论文，甚至一篇都不选。
结果呈现出清晰的结构性差异。在有社会信息的社区中，每个智能体平均少选17.2%的论文，选择分布更加集中，整个社区集体触及的论文只有73篇；而在独立选择的社区中，集体覆盖范围达到90篇。换言之，一条极其简单的信息规则——能否看到他人的选择——同时压缩了注意力的总量与广度。研究还发现，社会信息条件下不同社区之间的差异比独立条件下更大，说明这一机制会放大社区层面的分化。
第二项实验进一步检验初始选择的因果效应。作者设置了200个智能体、分布于20个社会型社区，并随机挑选部分论文，人为赋予它们5次初始选择。结果显示，这些被“预热”的论文随后的被选率平均上升45.55个百分点，95%置信区间为41.20至49.90。这说明早期、看似随意的选择信号会强烈塑造后续的集体偏好。
值得注意的是，智能体的选择与现实世界中的学术评价指标并不高度吻合：它们与外部引用次数只有中等偏弱的对应关系，与下载量的相关性则更低。这意味着，如果AI系统被越来越多地用于筛选、推荐或评估研究，它们所依赖的流行度信号未必会把资源导向人类学界公认的重要成果。论文的结论是，一条简单的信息规则就足以重塑人工群体中科学注意力的规模、广度与分布形态，这对未来的学术评价体系、推荐系统设计以及AI参与科研评审的方式都具有直接含义。