芝加哥大学社会学家詹姆斯·埃文斯团队近日在《自然》杂志发表研究成果；团队对4130万篇学术论文进行系统分析，梳理了人工智能对科学研究的多重影响，为学术界讨论人工智能应用提供了数据依据与新的观察视角。 从个人层面看，使用人工智能工具的科研工作者表现出明显优势。数据显示，采用人工智能辅助的研究人员，论文发表数量是未使用者的3.02倍，被引用次数达到4.85倍。这种提升不仅体现在产出规模上，也体现在职业发展速度上——涉及的科学家平均提前1.4年成为所在领域的领军人物。人工智能在数据处理、假设生成等环节的效率，正在成为学术竞争的重要变量。 然而，个人层面的“提速”并未同步带动科学整体的繁荣。研究发现，随着人工智能的普及，科学研究的整体议题数量反而下降4.63%，科学家之间的学术互动减少22%。埃文斯团队将该现象称为“孤独的人群”：热门方向吸引了更多资源与关注，但从事同一方向的研究者之间，实质性的交流与合作并未相应增加。 研究认为，这一困境与人工智能工具的内在偏好有关。人工智能更擅长在数据充足、问题定义清晰的领域快速产出结果，推动科研人员集中涌向具备良好数据基础的议题。相比开辟未知领域，科学家更倾向于借助人工智能在既有问题上寻找更快的解法。这种变化被概括为“方法论单一化”，意味着研究可能过早收敛到既定范式，降低探索的开放度。 这一趋势的代价逐渐显现。那些数据不足却可能孕育突破的领域更容易被忽视，基础理论研究、交叉学科探索以及非主流创新方向，因难以在短期内产出可量化成果而被边缘化。研究议题的多样性受到挤压，长期看可能削弱知识体系的扩展能力。 从更深层看，问题也指向学术评价体系与人工智能工具特性的错位。现行机制普遍重视论文数量与引用等指标，而人工智能恰好能帮助研究者更快在这些指标上取得进展。在这种激励下，资源与人才继续向少数热门领域集中，而需要长期投入、短期难见回报的基础研究与原创探索空间被压缩。 应对这一挑战需要多方共同调整。学术界有必要重新审视评价体系，建立更为多元的学术成就标准，增加对冷门领域与基础理论研究的正向激励。科研机构与资助机构也应更有意识地支持数据尚不充分但具备重要科学价值的方向。同时，科学家在提升效率的同时，也需保持对多样议题与合作研究的投入，避免研究路径被“最容易产出”的方向牵引。
科学的生命力在于不断打开未知，而不是只在已知的赛道上加速。海量论文数据所呈现的“高产出与低多样性并行”提醒人们：工具带来的效率红利若缺乏制度与文化的配套，可能把研究推向更容易得分的地方，而非更需要被发现的地方。把效率转化为真正的创新增量，需要学术共同体共同维护多元议题、鼓励异质路径、尊重长期投入，让科学既跑得快，也走得远。