AI 辅助科研申请中标率更高，但或压缩研究多样性

美国西北大学凯洛格管理学院的一项新研究发现，使用 AI 痕迹更明显的研究课题申请，在 NIH（国立卫生研究院）的评审中中标率约高出 4 个百分点。然而，这些提案在研究思路上的"语义独特性"也更低，更接近已被资助的项目。该研究发表在《美国国家科学院院刊》（PNAS）上，提示大语言模型（LLM）正在悄然重塑美国联邦科研经费的分配逻辑。

研究背景与方法

这项研究由凯洛格管理学院技术与组织学教授、科技与创新中心主任 Dashun Wang 以及研究中心助理教授 Yifan Qian 共同主导。他们考察了 NIH 与 NSF（美国国家科学基金会）的课题申请数据，借助文本分析手段识别其中 AI 辅助写作的痕迹。研究覆盖的时间跨度延伸至 ChatGPT 于 2022 年底公开发布之后，覆盖了从提案提交到项目立项的关键环节。

AI 使用在 2022 年后迅速分化

研究团队发现，ChatGPT 公开发布后，LLM 在课题写作中的使用出现急剧增长，并非渐进式普及，而是迅速分化为两个群体：

一类提案几乎没有 AI 辅助痕迹；
另一类则明显依赖 AI 协助。

更重要的是，AI 参与度更高的提案，在语义独特性指标上持续偏低——即与近期已被资助的项目思路更为相似。这一模式不仅出现在未公开的申请阶段，也延续到了最终获批的项目中。

NIH 与 NSF 出现明显分歧

两个机构在 AI 使用与中标率的关系上表现出不同特征：

NIH：AI 痕迹更明显的提案中标率显著更高，获批项目后续产出论文数量也更多，但并未产生更多被高频引用的"突破性"论文。
NSF：AI 使用与中标率及后续产出之间没有显著关联。

研究者指出，这意味着 AI 可能在不直接增加重大突破的前提下提高了科研产出效率。

对科研生态的隐忧

研究作者对这一趋势表达出审慎态度。Qian 表示：

「科学进步依赖于探索那些尚未显得理所当然的想法。如果 AI 越来越依赖过去成功提案的模式进行学习，我们就需要追问：未来的科学组合是否会因此变得不再那么具有冒险精神。」

团队也提到，NIH 中标率提升的可能解释是同行评审规则更倾向于奖励"渐进式、可执行、产出多篇论文"的项目，AI 辅助写作恰好帮助提案更贴合既有模板。但研究者强调，联邦科研经费是美国将公共资源转化为科学知识的核心机制，理解其受何种力量影响，对科学政策的问责与公共投资的可持续性都至关重要。