就在刚刚，清华大学的一项AI for Science 研究不仅登上 Nature，而且还被 Science 深度报道了。
这项来自清华大学李勇团队的研究通过分析全球2.5 亿篇科学文献，揭示了AI for Science 领域存在的一个典型矛盾——
AI 在助力科学家"个体加速"的同时，却导致科学界的集体注意力窄化和趋同优化的"群体登山"现象。
就是说，虽然 AI 帮助科学家发表了更多论文、更早成为项目负责人，但却导致人们集体涌入少量适合 AI 研究的"热门山峰"，从而无形中削弱了科学探索的广度。
而且进一步分析表明，这一矛盾绝非偶然，而是由当前科学智能 AI 模型缺乏通用性导致的系统性影响。
下面详细来看这到底是一项怎样的研究。
第一步：寻觅AI for Science 的演化踪迹
回到起点，团队之所以进行这项研究，主要是发现 AI for Science 领域存在一个明显矛盾——
在 AI 持续赋能科研的背景下，为何各学科的整体科学进展未见明显加速？
一方面，AI for Science 研究已经产生了 AlphaFold 这样的荣获诺贝尔奖的成果；但另一方面，统计表明各学科领域的颠覆性研究成果在逐年下降，似乎未能获得 AI 助力。
这背后的原因到底是什么？到目前为止，业界仍然没有明确答案。
于是，团队向着这一问题出发了，并最终发表了《Artificial Intelligence Tools Expand Scientists ’ Impact but Contract Science ’ s Focus》这篇论文。
在论文中，团队进行的首项工作是：从浩如烟海的文献中找出那些" AI 赋能的研究"。
这一步对后续定量刻画 AI 对科学的影响至关重要。
为此，团队摒弃了停留在关键词层面的浅层检索方法，而提出了一条"高质量专家标注 + 大规模语言模型推理"相结合的技术路径——
通过领域专家标注少量论文样本，再让语言模型大规模推理的迭代优化，逐步让语言模型学会从标题和摘要中深层次的分析"那些是使用了 AI 工具的研究"。
论文显示，BERT 的识别准确率非常高，达到了 0.875 分（满分为 1）。
靠着这套方法，他们扫描了近 50 年来的海量文献（涵盖 1980-2025 年），最终画出了一张" AI 赋能科研全景地图"。
这张地图横跨"机器学习、深度学习、生成式 AI "三个时代，涵盖 4130 万篇论文、覆盖 2857 万研究者，被团队视为研究" AI 如何系统性影响科研"的首个基准数据集。
然后…发现 AI for Science 领域的矛盾效应
基于该数据集，团队系统性分析了 AI 在自然科学六大领域（生物、医学、化学、物理、材料科学和地质学）的影响。
所采用的分析方法大致可分为以下三个阶段：
step 1：构建"科学语义地图"
step 2：定义衡量"广度"的指标
step 3：进行比较分析
简单来说，团队想要回答一个关键问题——
有了 AI 的帮助后，科学家探索的领域到底是变宽了，还是变窄了？
为了客观衡量这种看不见、摸不着的"认知版图"，他们提出了基于隐藏变量的科学学分析方法。
该方法和传统科学学的区别在于，它不再仅仅依赖论文的标题、关键词、作者、引用关系等"表面"数据，而是深入到论文的"思想"和"内容"本身，从而能更精细地度量像"知识广度"这样抽象的概念。
具体到第一步，他们把每篇论文中最能代表其内容的标题和摘要作为核心文本，通过一个深度嵌入表征模型转换成一个由 768 个数字组成的、固定长度的数学向量。
这个向量就是每篇论文在高维数字空间中的"坐标"——理论上，语义相似的论文，其向量距离也会更接近。
而当所有论文都找到自己的"坐标"后，团队主要通过"直径"和熵值这两个指标来测量知识广度。
前者用来衡量探索的"最远边界"。
比如对于某个领域一年的 AI 论文，先计算它们所有坐标点的几何中心，然后找出离中心点最远的那篇论文，测量它们之间的欧氏距离。
这个距离就是研究中定义的"直径"，用于衡量这批论文的主题覆盖广度。直径越大，说明探索的范围越广。
后者用来衡量分布的"均匀度"。
这是指分析同一批论文坐标点在空间中的分布状态——如果均匀分散在空间各处则熵值高，反之，如果它们紧密地聚集在少数几个热点周围，则熵值低。
然后就用这些指标去分别测量两类科学家群体的论文：一类是使用 AI进行研究的，另一类是不使用 AI的。
以此判断 AI 究竟是在扩张还是收缩科学的认知边界。
结果发现，在微观个体层面，使用 AI 的科学家比不使用的多发表3.02 倍论文，获得4.84 倍引用量。
而且前者更是提早1.37 年成为研究项目负责人（以末位作者为标志）。
然而，个体科研加速的背后，却是人类整体科学版图的异常收缩。
在集体层面上，与 AI 结合的科研项目的知识广度下降了4.63%、不同领域科学家间的跨界互动减少了22%，而且 AI 论文引用呈现"星型结构"——
几乎都在引用同一篇或少数几篇经典的、开创性的 AI 工作，这表明研究趋向集中和单一化，缺少创新活力。
那么问题来了，这一矛盾现象究竟是什么导致的呢？
背后原因揭秘：当前模型缺乏通用性
论文给出了一个明确结论——
这是由当前 AI for Science 模型缺乏通用性导致的系统性影响。
团队发现，AI 的高效率产生了一种强大的"科学智能引力"效应。它引导研究者集体涌向少量适合 AI 研究的"热门山峰"，即那些已有大量数据、适合用现有 AI 方法快速出成果的研究方向。
这种"群体登山"模式，虽能加速对已知问题的解决，却也在无形中固化了科学探索的路径，系统性地削弱了科学家向"未知山峰"探索的广度。
最终就形成了"广度让位于速度"的现象。
团队表示，这一矛盾机制的发现是对 AI 赋能科研模式的深度反思：
现有的 AI for Science 虽然极大地促进了局部的效率提升，却难以驱动全链条、多领域的科研创新。
而为了突破这一局限，徐丰力、李勇教授团队最终推出了全流程、跨学科的科研智能体系统— OmniScientist。（访问网址：OmniScientist.ai）
该系统通过深入挖掘大模型智能体的通用推理能力，实现跨学科、全流程、多模态的系统性科研支持，从而让 AI 从"辅助工具"进化为具备"主动提出假说、自主设计实验、分析结果并形成理论"的" AI 科学家"。
最后，这项研究完成单位为清华大学电子工程系、芝加哥大学社会学系，通讯作者为徐丰力助理教授、李勇教授、James Evans 教授，第一作者为清华大学电子工程系博士生郝千越。
论文：https://rdcu.be/eY5f7
参考链接：
[ 1 ] https://www.nature.com/articles/s41586-025-09922-y
[ 2 ] https://www.science.org/content/article/ai-has-supercharged-scientists-may-have-shrunk-science
— 欢迎 AI 产品从业者共建 —
� �「AI 产品知识库」是量子位智库基于长期产品库追踪和用户行为数据推出的飞书知识库，旨在成为 AI 行业从业者、投资者、研究者的核心信息枢纽与决策支持平台。
一键关注 � � 点亮星标
科技前沿进展每日见
配资买卖股票提示：文章来自网络，不代表本站观点。
- 上一篇：配资之家公司则单纯地以健康长寿为唯一目的
- 下一篇：没有了
