AI 会带来科学复兴，还是让研究趋于同质化？

AI 正在从科研的辅助工具，转变为科学基础设施的一部分。过去需要跨学科大团队协作完成的文献综述、实验设计与模型构建，如今越来越多地由配备强判断力的小团队与高效 AI 系统完成。然而，更值得关注的问题已不再是「AI 能否提升科研产出」，而是它将如何重塑科学家选择提问的方式。

实证数据：产出暴涨，视野收窄

一项 2026 年发表于 Nature 的研究（Q. Hao 等，Nature 649, 1237–1243）利用预训练语言模型，从 4100 万篇自然科学论文中识别出 AI 增强型研究。核心发现如下：

• 使用 AI 的科学家发表论文数量约为未使用者的 3 倍；
• 论文引用次数约为未使用者的近 5 倍；
• 但 AI 使用与研究主题范围收窄约 5% 相关；
• 与跨学科合作下降约 22% 相关。

数据揭示出一个深层矛盾：AI 让科研「更容易做」，但与此同时，被集体探索的问题与推理风格也在趋于窄化。

跨学科研究的真实张力

作者在其跨学科工作中也观察到类似张力。以抑郁症研究为例，这究竟是单一疾病，还是一组具有相似症状的不同病症，至今未有定论。问题根源在于，它需要跨域翻译：临床症状评估、脑影像预处理、算法设计、临床验证，每一步依赖不同专业背景，而学科之间的「交接」往往拖慢进展。

AI 可以帮助研究者阅读本领域之外的论文、比较方法选择、将统计模式回译为临床语言，从而让这条链条不再碎片化。这是 AI 带来的真实增益。

风险：科研流水线化与论文工厂

增益的另一面是风险。当跨学科链条变得易于自动化，它同样会成为「论文工厂」的模板：AI 可以先做文献检索，再识别统计关联，最终生成格式规范的稿件。研究者和自动化系统可以在不同数据集、不同话题上重复运行同一条流程，稳定地产出可发表的结果。

这种「科研工业化」的模式，意味着同质化的方法与外观相似的结论将被大规模复制。真正被丢失的，是那些更慢、更具批判性的工作——质疑假设、探索替代解释、追问原始问题本身是否被正确提出。

结语

AI 对科学的重塑已经发生，但其方向仍取决于使用者的选择。在追求效率与产出的同时，学界需要尽快建立护栏，确保跨学科协作的多样性与对核心问题的批判性追问不被流水线所替代。