警惕“群体登山”效应：清华团队Nature发文揭示AI如何令科研广度收缩

近期，清华大学的一项AI for Science（AI赋能科学）研究在学术界引发轰动，该成果不仅成功登上《Nature》正刊，还获得了《Science》杂志的专题深度报道。

这项由清华大学电子工程系李勇教授团队主导的研究，通过对全球2.5亿篇跨学科科学文献的深度分析，精准揭示了AI for Science领域中一个隐秘且深刻的系统性矛盾：

AI虽然显著增强了科学家个体的科研效率（个体加速），却无形中导致了科学界整体注意力的狭窄化，引发了科研路径高度趋同的“群体登山”现象。

研究指出，AI正在促使科研人员集体涌向少数几个数据充足、易于产生AI成果的“热门高峰”。这种现象在加速局部产出的同时，却在悄然削弱科学探索的整体广度与多样性。

更深层次的定量分析表明，这种矛盾并非偶然的行业波动，而是当前AI赋能科研模式中模型缺乏通用性所带来的必然结果。

接下来，我们将深度拆解这一极具里程碑意义的研究过程。

第一阶段：追踪AI for Science的历史演化路径

团队开展这项研究的初心，源于对科研效率悖论的观察——

在AI工具大行其道的今天，为什么各学科的底层原创进展似乎并未迎来预期的全面大爆发？

一方面，AlphaFold等重量级成果已摘得诺奖；另一方面，宏观数据却显示颠覆性研究的比例在逐年递减。为了破解这个谜题，李勇团队发表了题为《Artificial Intelligence Tools Expand Scientists’ Impact but Contract Science’s Focus》的深度论文。

研究的首要难点在于：如何从数以亿计的文献中精准锁定那些真正被“AI赋能”的研究？

团队摒弃了传统的简单关键词匹配，开发了一套“专家标注 + 大模型迭代推理”的高精度技术方案：

通过专家标注的少量黄金样本训练语言模型，使其学会通过论文标题和摘要的深层语义逻辑，判断该项研究是否实质性应用了AI技术。

实验证明，该方法中BERT模型的识别准确率高达0.875。基于此，团队绘制了跨越1980至2025年的“AI科研全景地图”，涵盖4130万篇关键论文及近3000万研究者，成为研究AI系统性影响的首个基准数据集。

核心发现：效率激增与版图收缩的共生矛盾

基于上述大数据集，团队对生物、医学、物理等六大自然科学领域进行了深度剖析。核心目标是量化一个事实：

有了AI辅助，人类的科学认知领地到底是扩张了，还是萎缩了？

为此，团队创新性地引入了基于隐藏变量的科学学（Hidden Variable Science of Science）分析法。他们通过深度嵌入模型将每篇论文转化为768维的高维数学向量，构建出“科学语义空间”。

在这个数字版图中，团队使用“直径”和“熵值”作为衡量知识广度的关键指标：

“直径”代表探索的最远边界，反映了研究主题的跨度；“熵值”代表分布的均匀度，反映了科研资源是否过度集中在特定热点。

对比分析揭示了惊人的结果：在微观视角下，使用AI的科学家表现出强大的竞争力，发文量是不使用AI者的3.02倍，引用量达4.84倍，甚至成为项目负责人的时间也缩短了1.37年。

但在宏观尺度上，代价却是惨重的：AI驱动的研究项目知识广度下降了4.63%，跨学科互动剧减22%。引用结构呈现出极度的“趋同化”，科研界似乎陷入了对少数经典模型的过度依赖，导致了创新活力的系统性损耗。

底层逻辑：跨越工具局限，向通用科研智能进化

这种“广度让位于速度”的现象，其根源在于当前主流AI模型的非通用性。这种“科学智能引力”让科研人员倾向于寻找“AI适配度高”的研究点，而规避了那些数据稀缺却极具颠覆性的“处女地”。

为了打破这一桎梏，徐丰力助理教授与李勇教授团队推出了跨学科科研智能体系统——OmniScientist。

该系统旨在将AI从单纯的“加速工具”转化为具备跨学科推理能力的“AI科学家”，通过主动提出假说、自主设计方案并系统分析结果，力求在全链条上推动科研创新，拓宽人类认知的边界。

本项研究由清华大学电子工程系联合芝加哥大学社会学系共同完成，标志着人类对AI辅助科研模式的反思与重塑进入了新阶段。

论文链接：https://rdcu.be/eY5f7