AI系統正從單純的分析工具變成科研評價與使用流程中的參與者。它們看到的往往不是論文本身，而是圍繞人類讀者形成的訊號：引用次數、下載統計以及熱門論文榜單。但這些訊號會把“人工讀者”的集體注意力引向何處，此前缺乏實證證據。arXiv於2026年9月18日釋出、由Maxim Chupilkin撰寫的論文《社會影響與AI群體中科學注意力的分配》（arXiv:2609.22408），把著名的“音樂實驗室”（Music Lab）實驗正規化移植到學術注意力市場，試圖回答這一問題。論文同時歸類於人工智慧（cs.AI）與普通經濟學（econ.GN）。
第一項實驗招募了1,000個AI智慧體，候選物件是《美國經濟評論》（American Economic Review）2025年全年發表的114篇正式研究論文，智慧體只能依據標題與摘要做判斷。這1,000個智慧體被分為十個社群：五個為獨立選擇社群，五個為社會影響社群，每個社群包含100個依次做出決定的智慧體。兩類社群的唯一差別在於，社會影響組中的智慧體可以看到本社群內更早智慧體的選擇結果，獨立組則看不到。智慧體可以自由選擇任意數量的論文，甚至一篇都不選。
結果呈現出清晰的結構性差異。在有社會資訊的社群中，每個智慧體平均少選17.2%的論文，選擇分佈更加集中，整個社群集體觸及的論文只有73篇；而在獨立選擇的社群中，集體覆蓋範圍達到90篇。換言之，一條極其簡單的資訊規則——能否看到他人的選擇——同時壓縮了注意力的總量與廣度。研究還發現，社會資訊條件下不同社群之間的差異比獨立條件下更大，說明這一機制會放大社群層面的分化。
第二項實驗進一步檢驗初始選擇的因果效應。作者設定了200個智慧體、分佈於20個社會型社群，並隨機挑選部分論文，人為賦予它們5次初始選擇。結果顯示，這些被“預熱”的論文隨後的被選率平均上升45.55個百分點，95%置信區間為41.20至49.90。這說明早期、看似隨意的選擇訊號會強烈塑造後續的集體偏好。
值得注意的是，智慧體的選擇與現實世界中的學術評價指標並不高度吻合：它們與外部引用次數只有中等偏弱的對應關係，與下載量的相關性則更低。這意味著，如果AI系統被越來越多地用於篩選、推薦或評估研究，它們所依賴的流行度訊號未必會把資源導向人類學界公認的重要成果。論文的結論是，一條簡單的資訊規則就足以重塑人工群體中科學注意力的規模、廣度與分佈形態，這對未來的學術評價體系、推薦系統設計以及AI參與科研評審的方式都具有直接含義。