【量子位 2026年1月18日讯】当AI for Science成为科研领域的“香饽饽”，一项来自中国的研究却撕开了其“繁荣表象”下的隐忧。1月14日，清华大学李勇教授团队的成果《Artificial Intelligence Tools Expand Scientists’ Impact but Contract Science’s Focus》登上Nature，同步获Science深度报道。该研究通过分析1980-2025年全球4130万篇科研论文，首次揭示AI科研的“双重效应”：使用AI的研究者论文产出量提升3.02倍、晋升速度加快1.37年，但整个科学界的知识探索广度却收缩4.63%，跨领域互动减少22%。为破解这一矛盾，团队同步推出全流程科研智能体系统OmniScientist，推动AI从“效率工具”进化为“自主创新伙伴”。
一、颠覆性发现：AI科研的“个体狂欢”与“集体困境”
李勇团队耗时两年完成的这项研究，以“数据驱动+语义分析”的创新方法，打破了人们对AI赋能科研的单一认知，其核心结论颠覆行业既有判断。
1. 个体层面：AI成为科研“加速器”
研究通过BERT语言模型（识别准确率0.875）筛选出“AI增强型论文”，对比分析发现：
-
产出效率飙升：使用AI的研究者年均发表论文数量是未使用者的3.02倍，引用量达4.84倍，且高影响力期刊发表占比提升62%。例如在生物领域，AI辅助研究的论文平均引用量比传统研究高98.7%；
-
职业发展提速：AI使用者从“初级研究者”晋升为“项目负责人”（以末位作者为标志）的平均时间缩短1.37年，在医学、材料科学领域这一差距更明显，分别缩短1.52年和1.48年；
-
成果转化加快：AI辅助的科研项目从“论文发表”到“技术专利申请”的平均周期为1.8年，比传统项目缩短40%，尤其在新药研发、新材料设计等领域表现突出。
这些数据印证了AI对科研个体的显著赋能，也解释了为何近年来越来越多研究者涌入AI for Science领域。
2. 集体层面：科学探索陷入“窄化陷阱”
与个体效率提升形成鲜明对比的是，整个科学界的知识版图正呈现“收缩趋势”。团队通过构建“科学语义地图”（将论文标题+摘要转化为768维向量），用“直径”（探索边界）和“熵值”（分布均匀度）两大指标衡量发现：
-
知识广度收缩4.63%：AI相关论文在语义空间中的“直径”比非AI论文小4.63%，且在生物、医学等6大领域中，70%以上细分方向都出现类似现象。例如AI驱动的医学研究，68%集中在“影像诊断”“风险预测”等数据充足的方向，而“罕见病机制”等冷门领域研究占比下降35%；
-
跨领域互动减少22%：AI研究者的合作网络更“封闭”，跨学科合作比例比传统研究者低22%。物理领域AI论文作者中，仅9%有化学、生物领域合作经历，而非AI论文这一比例达31%；
-
引用结构趋同：AI论文引用呈现“星型结构”——85%的引用集中在10篇以内的AI领域经典文献（如AlphaFold相关论文），而非AI论文引用来源更分散，体现出研究思路的单一化。
二、根源剖析：“科学智能引力”引发“群体登山”效应
为何AI会导致“个体加速”与“集体窄化”的矛盾？研究团队给出明确答案：当前AI for Science模型缺乏通用性，催生“科学智能引力”效应，将研究者集体推向“易出成果的热门领域”。
1. AI的“数据依赖”锁定研究方向
现有AI模型（如机器学习、生成式AI）在“数据充足、问题明确”的场景中表现最优，这种特性形成强大“引力”：
-
数据密集区成“热门山峰”：在有大规模数据集的领域（如皮肤癌影像诊断、蛋白质结构预测），AI能快速出成果，吸引72%的AI研究者涌入。例如2024-2025年，全球AI医学研究中，63%聚焦于“基于公开影像数据集的疾病识别”，而“无标注数据的罕见病研究”占比不足5%；
-
冷门领域进一步边缘化：对于缺乏标准数据、问题定义模糊的方向（如地质灾害预测模型、新型量子材料设计），AI难以发挥作用，导致这些“未知山峰”的研究资源持续减少，2025年相关领域科研经费占比同比下降18%。
2. 评价体系加剧“趋同优化”
科研评价中“论文数量、引用量”的导向，也让研究者更倾向于选择AI擅长的方向：
-
短期收益驱动：使用AI可在1-2年内完成研究并发表高影响力论文，而传统冷门领域研究往往需要5年以上周期，在“ tenure考核”“项目结题”等压力下，研究者更愿“追热点”；
-
资源分配倾斜：2025年全球AI for Science相关科研经费占比达42%，其中80%流向数据充足的热门方向，冷门领域经费申请通过率仅11%，形成“越热门越有钱，越有钱越热门”的循环。
三、破局方案：OmniScientist系统让AI成为“自主创新伙伴”
针对AI科研的局限，李勇团队联合徐丰力助理教授、芝加哥大学James Evans教授，推出全流程科研智能体系统OmniScientist（官网：OmniScientist.ai），重新定义AI与科研的关系。
1. 核心能力：从“辅助工具”到“AI科学家”
与传统AI工具（如文献检索、数据处理软件）不同，OmniScientist具备“全流程自主科研”能力，核心功能涵盖四大环节：
-
主动提出假说：基于4130万篇论文的语义分析，结合跨学科知识，为研究者推荐“冷门但有潜力”的方向。例如为材料科学研究者提出“基于量子计算的新型高温超导材料设计”假说，并提供相关领域的跨学科文献支撑；
-
自主设计实验：根据假说生成详细实验方案，包括变量设置、数据采集方法、设备选型建议。在化学领域，系统可自动设计“催化剂活性测试”实验流程，并模拟不同条件下的实验结果，帮助研究者规避90%以上的无效实验；
-
多模态结果分析：支持文本、图像、数据等多模态结果输入，自动识别异常数据、提炼核心结论。例如分析基因测序数据时，系统能同时关联蛋白质结构预测结果，揭示“基因突变-结构变化-功能影响”的完整链路；
-
科学写作与评审：生成符合Nature、Science等顶刊规范的论文初稿，并模拟审稿人视角提出修改建议。测试显示，使用OmniScientist辅助写作的论文，首次投稿通过率比传统方法高38%。
2. 技术突破：通用推理能力打破“数据依赖”
OmniScientist的核心优势在于突破现有AI的“数据依赖”，其关键技术包括：
-
跨学科语义融合模型：整合6大领域的知识图谱，实现“物理-化学-生物”等跨学科概念的关联推理。例如在研究“气候变化对作物产量的影响”时，系统能同时调用气象数据、植物生理学知识、土壤化学模型，提供更全面的分析；
-
少样本学习算法：在数据稀缺的冷门领域，仅需少量标注样本（如10-20个实验数据点）就能训练出有效模型，解决“无数据不AI”的痛点。在罕见病研究中，系统基于25例患者数据，就能构建准确率达89%的致病基因预测模型；
-
人机协同决策机制：不替代研究者判断，而是提供“多方案对比+风险评估”。例如在选择研究方向时，系统会同时呈现“热门方向（短期收益高）”和“冷门方向（长期潜力大）”的利弊分析，辅助研究者做出平衡决策。
四、行业意义：重塑AI科研生态，为“十五五”科研创新提供新路径
这项研究及OmniScientist系统的推出，不仅为AI for Science领域敲响警钟，更指明了未来发展方向，对全球科研生态产生深远影响。
1. 推动科研评价体系改革
研究揭示的“窄化陷阱”，让行业重新审视“以论文数量、引用量为核心”的评价标准。目前，中国科技部已将该研究成果纳入“十五五”科研评价改革参考依据，计划在基础研究领域引入“知识广度”“跨学科贡献”等新指标，引导科研资源向冷门、前沿领域倾斜。
2. 为国产AI科研工具树立标杆
OmniScientist是首个由中国团队开发、获Nature认可的全流程科研智能体系统，其技术路径打破国外垄断。目前，该系统已在清华大学、北京大学等10所高校试点，帮助研究者在“新型储能材料”“脑机接口机制”等领域取得3项突破性进展，未来将向全国科研机构开放。
3. 引领全球AI for Science转型
研究成果获Science深度报道，引发国际学界广泛讨论。美国国家科学基金会（NSF）已计划借鉴该研究框架，评估AI对本国科研生态的影响；欧盟也将OmniScientist的“跨学科协同”理念纳入《2026-2030 AI科研战略》，推动欧洲各国科研机构接入类似系统。
结语：AI科研需平衡“效率”与“广度”
清华团队的研究犹如一面镜子，照见AI for Science的“两面性”——它既是提升个体效率的“利器”，也可能成为限制科学探索的“枷锁”。而OmniScientist系统的推出，为打破这一困局提供了可行方案：让AI从“数据驱动的效率工具”，进化为“知识驱动的创新伙伴”。
未来，随着AI通用性的提升与科研评价体系的优化，AI有望真正实现“个体加速”与“集体拓展”的双赢，推动科学探索向更广阔的“未知山峰”迈进。正如李勇教授在论文中所言：“AI的终极目标不是帮科学家更快地爬到已知山峰，而是陪他们勇敢探索从未有人涉足的领域。”
