人工智能会引发科学复兴还是导致单一文化扩散？

人工智能正在从一个辅助工具转变为科学基础设施中不可或缺的一部分。曾经需要大型跨学科团队才能完成的任务，如文献综述、实验设计和模型构建，如今越来越多地可以由配备良好判断力和高效AI系统的小型团队处理。这种转变不仅提高了科研效率，也引发了一个更深层的问题：AI将如何重塑科学家选择研究的问题？

2026年《自然》杂志的一项研究利用预训练语言模型识别了4100万篇自然科学论文中的AI增强研究（Q. Hao等，《自然》649, 1237–1243；2026）。研究发现，从事AI增强研究的科学家发表的论文数量是未使用AI的三倍，获得的引用次数几乎是五倍。然而，AI的使用也与研究主题范围减少5%和合作减少22%相关。这表明，AI虽然提升了产出，但可能正在缩小集体探讨的问题范围和推理风格。

作者在自己的跨学科工作中也看到了这种紧张关系，其工作涵盖算法设计、生物数据分析和临床研究。例如，数十年的仔细研究仍未解决抑郁症是一种疾病还是一组具有相似症状的疾病的问题。部分原因在于这个问题需要跨越不同领域的翻译，包括临床症状评估、脑成像预处理、算法设计和临床验证。传统上，每一步都依赖不同的专业知识，进展往往在学科之间的交接处放缓。AI可以通过帮助研究人员阅读其领域外的论文、比较方法选择以及将统计模式翻译回临床术语，使这一链条不那么碎片化。

然而，这种增益也伴随着风险。一旦链条变得易于自动化，它就可能成为喂养“论文工厂”的模板——AI工具可以引导文献搜索、识别显著关联，并最终写出润色完毕的手稿。研究人员或自动化系统不是深入探究一个问题，而是可以在各种数据集或主题上运行相同的流程，并可靠地产生可发表的结果。实际上，这使得研究工业化成为可能：产生许多具有相似方法和类似结论的研究。失去的是更缓慢、更关键的工作：质疑假设、探索替代解释，以及询问原始问题本身是否构建得当。

评估AI影响的需要现在就必须开始。我们不能等到AI完全融入科研体系后再来纠正问题。需要建立适当的护栏，确保AI在科学中的应用不仅提高效率，还能保持研究的多样性和批判性思维。