AI会不会让科研失去多样性

人工智能正在从辅助工具变成科学基础设施的一部分。过去需要大型跨学科团队完成的文献梳理、实验设计和模型构建，如今可能由判断力强的小团队配合AI完成。争论的重点已不是AI会不会增加论文产量，而是它将怎样改变科学家愿意提出的问题。

一项发表于2026年的Nature研究，用预训练语言模型识别4100万篇自然科学论文中的AI增强研究。使用AI的科学家发表论文数量约为其他人的3倍，所得引用接近5倍。效率提升十分醒目，但同一数据也显示，研究主题范围缩小了5%，合作程度下降22%。更多论文和引用并未自动转化为更丰富的科学探索。

这种趋同可能来自模型本身。科研人员依赖相似的基础模型、训练数据和提示方式时，系统容易推荐相近的文献、方法和可发表问题。AI特别擅长在已有知识附近寻找组合，快速生成符合主流标准的研究方案，却可能忽略难以量化、资料稀少或暂时不受欢迎的方向。结果不是由某个中央机构强迫统一，而是无数人在追求效率时逐渐汇入同一条河道。

科研激励会放大这种效应。若大学、期刊、审稿人和资助机构奖励的是速度、数量和短期引用，研究者便更有动力让AI复制成功范式。小团队虽然产出更多，却可能减少与其他领域学者的深度合作。知识生产看起来更加分散，思想来源反而更单一。AI能力越强，这种无形的选择压力就可能越大。

避免单一文化不能只靠开发更聪明的模型。研究人员需要披露AI参与程度，主动比较不同模型和非AI方法，并为失败、探索性工作和少数观点保留空间。审稿与资助标准也应把原创问题、数据质量和长期价值置于单纯速度之前。跨学科合作不能因为模型能模拟多种专业语言就被轻易替代，真正的合作者会带来不同经验、利益和判断。

AI既可能开启科学复兴，也可能制造大规模而温和的趋同。决定结果的不只是模型性能，还有科学共同体奖励什么。若所有制度都把更快当成更好，产量会增长，问题空间却可能收缩。若原创性、多样性和合作得到实际回报，AI才更可能扩大人类好奇心，而不是用高效率把它修剪成同一种形状。

煎蛋网