清华大学一项发表于《Nature》的研究，基于数千万篇论文数据分析，揭示了人工智能在科学领域的双重影响。AI工具显著提升了科学家的个人产出与影响力，但同时也可能导致科学研究的整体范围变窄，探索空间收缩，引发对AI驱动下科研范式的深刻思考。
智能速览
清华研究基于超4000万篇论文数据，分析AI对科学的影响。
使用AI的科学家发文量增3倍，引用量增近5倍。
AI研究导致科学知识广度平均收缩4.63%。
AI研究后续学术互动减少22%，引用更集中。
效率机制驱使研究向数据丰富的领域集中。
精华内容
个体层面的高效与集体层面的收缩，构成了AI驱动科研的核心悖论。这项研究通过详实数据，揭示了效率机制如何重塑科学探索的版图。
个体效率跃升
研究表明，采用AI工具的科学家在个人职业生涯中获得了显著优势。其年均论文发表数量平均是未使用者的3.02倍，年均获得的引用数量更是高达后者的4.84倍。
在职业发展路径上，这些研究者更有可能提前成为研究负责人，平均时间缩短了约1.37年。该结论基于对超过500万名研究者的分析，并在多个学科中通过了严格的统计显著性检验（P < 0.001），证实了AI对个体科研回报的放大效应。
整体视野收窄
当视角从个体扩展到科学整体时，趋势发生了逆转。通过将论文映射到高维语义空间进行测量，研究发现AI研究集合所覆盖的知识广度，中位数平均比非AI研究收缩了4.63%。
同时，学术互动结构也趋于集中化。引用同一篇AI论文的后续研究之间，彼此的互动程度平均减少了22%，更容易围绕少数核心成果形成“放射状”结构，而非相互连接的网络。引用分布的基尼系数从0.690上升至0.754，表明不平等程度加剧。
效率的挤出效应
研究团队指出，这种现象并非源于研究者创造力的缺失，而是一种理性的效率机制在起作用。人工智能在数据充足、问题明确、路径成熟的领域表现出色，能快速带来高产出和高引用。
这种效率优势自然会吸引研究者将资源集中于这些“数据富矿”领域。其结果是，科学研究在这些方向上被不断加速和优化，而那些数据稀缺、风险更高但可能更具开创性的探索方向，则因短期回报率较低而被边缘化。
探索未来的范式
为应对这一挑战，研究团队提出了名为OmniScientist的科研智能体系统，试图通过技术设计来引导更健康的科研生态。该系统并非将AI作为单点效率工具，而是将其深度融入科研全流程。
通过多智能体协同工作，OmniScientist旨在帮助研究者进行跨领域文献理解、生成新假设，降低探索未知领域的门槛。这代表了一种思路：承认AI的效率优势，但通过更具结构意识的设计，引导其服务于更广泛、更具颠覆性的科学探索目标。
这项研究不仅是对AI4S现状的深刻洞察，更是对未来科学发展方向的预警。在追求效率的同时，如何保护和拓展科学的未知疆域，避免探索的内卷化，将是整个科研共同体必须面对的课题。
