人工智慧會引發科學復興還是導致單一文化擴散？

人工智慧正在從一個輔助工具轉變為科學基礎設施中不可或缺的一部分。曾經需要大型跨學科團隊才能完成的任務，如文獻綜述、實驗設計和模型構建，如今越來越多地可以由配備良好判斷力和高效AI系統的小型團隊處理。這種轉變不僅提高了科研效率，也引發了一個更深層的問題：AI將如何重塑科學家選擇研究的問題？

2026年《自然》雜誌的一項研究利用預訓練語言模型識別了4100萬篇自然科學論文中的AI增強研究（Q. Hao等，《自然》649, 1237–1243；2026）。研究發現，從事AI增強研究的科學家發表的論文數量是未使用AI的三倍，獲得的引用次數幾乎是五倍。然而，AI的使用也與研究主題範圍減少5%和合作減少22%相關。這表明，AI雖然提升了產出，但可能正在縮小集體探討的問題範圍和推理風格。

作者在自己的跨學科工作中也看到了這種緊張關係，其工作涵蓋演算法設計、生物資料分析和臨床研究。例如，數十年的仔細研究仍未解決憂鬱症是一種疾病還是一組具有相似症狀的疾病的問題。部分原因在於這個問題需要跨越不同領域的翻譯，包括臨床症狀評估、腦成像預處理、演算法設計和臨床驗證。傳統上，每一步都依賴不同的專業知識，進展往往在學科之間的交接處放緩。AI可以透過幫助研究人員閱讀其領域外的論文、比較方法選擇以及將統計模式翻譯回臨床術語，使這一鏈條不那麼碎片化。

然而，這種增益也伴隨著風險。一旦鏈條變得易於自動化，它就可能成為餵養“論文工廠”的模板——AI工具可以引導文獻搜尋、識別顯著關聯，並最終寫出潤色完畢的手稿。研究人員或自動化系統不是深入探究一個問題，而是可以在各種資料集或主題上執行相同的流程，並可靠地產生可發表的結果。實際上，這使得研究工業化成為可能：產生許多具有相似方法和類似結論的研究。失去的是更緩慢、更關鍵的工作：質疑假設、探索替代解釋，以及詢問原始問題本身是否構建得當。

評估AI影響的需要現在就必須開始。我們不能等到AI完全融入科研體系後再來糾正問題。需要建立適當的護欄，確保AI在科學中的應用不僅提高效率，還能保持研究的多樣性和批判性思維。