AI能拓宽科学，前提是机构不再只奖励可量化成果 |《自然》

AI正在让科学家变得更高效，却可能让整个科学体系变得更窄。Nature最新发表的一篇评论文章指出，使用AI工具的研究者发表的论文数量约为同行的三倍，获得的引用量接近五倍，但AI辅助研究的主题覆盖面比非AI研究窄了4.6%，这一现象在超过70%的被研究子领域中都有体现。换句话说，AI让每个人跑得更快，但大家跑的方向却越来越集中。 问题的根源不在技术，而在制度。AI工具确实扩展了科学家探索未知的能力，但现有的学术激励体系——从招聘委员会到基金评审——更倾向于奖励那些容易被识别、评估和量化的研究。于是研究者理性地选择用AI去深耕已有领域，而不是冒险开辟新方向。文章指出，这种趋势并非AI时代才出现，过去六十年的论文和专利早已呈现“颠覆性下降”的趋势，但AI正在加速这一过程，因为AI最擅长的恰恰是在大量已有工作中进行模式识别和快速复制，而这正是收窄的体系最需要的。 学术职业结构进一步强化了这一效应。用AI沿着熟悉的研究路线推进，比进入一个全新领域更快、更便宜，而现有激励体系恰恰奖励这种速度。文章提出了三条改革建议。 第一，让新领域变得可衡量。当前资助体系压倒性地奖励对已有数据的下游开发，而非上游新数据集和测量能力的创建。研究者用越来越强大的AI模型跑公共数据集，往往能以较低成本产出可发表的成果。例如谷歌的GNoME（材料探索图网络）识别出38.1万种候选稳定无机晶体，将已知材料版图扩大了一个数量级；DeepMind在伦敦开发的AlphaFold预测出超过2.14亿个蛋白质结构，使生物交互研究达到前所未有的规模。相比之下，建设一项纵向队列研究或启动一个生物多样性监测项目，可能需要数年持续投入才能产出可发表的结果。这种不对称还在加剧：过去两年，AI模型预测成本下降了约100倍，而建设新的观测基础设施仍需承担高昂的长期运营成本。文章呼吁资助方有意补贴数据基础设施，尤其是被主流队列研究忽视的疾病等领域。 第二，停止惩罚转向。大学和资助机构必须停止惩罚那些用AI进入新领域的研究者。AI工具降低了“转向”的信息成本——比如一位生态学家进入基因组学领域，现在可以更快地消化陌生文献。但评价体系仍然惩罚跨子领域的转向：招聘委员会看重候选人在单一领域的连续发表记录，资助机构通常要求申请人提供此前工作的初步数据作为支持前提。这意味着，即便AI让转向变得更容易，制度仍在把人拉回原地。