最近，《自然》杂志上刊登了一项研究成果，把全球科学界的目光吸引了过去。他们给四千一百三十万篇学术论文做了大数据分析，芝加哥大学的团队搞出来了一些新发现。埃文斯教授跟同事们搞了个大新闻，他们发现人工智能帮了大忙，研究人员用了这种技术之后，平均发表论文数量一下子翻了三倍多，引用次数也涨了不少。而且这些用AI的人的职业生涯进程更快了一点四年。看来人工智能的确是科研界的效率神器。 不过事情还没完呢。虽然大家都很有成果，但并不是所有领域都在扩大探索范围。随着AI工具越来越普及，全球活跃的研究话题反而少了百分之四点六三。跨团队之间的深度交流也少了百分之二十二。詹姆斯·埃文斯教授说了，现在的科研界就像一个“孤独的群体”，虽然大家都围着热门领域打转，但真正的思想碰撞却变少了。AI系统会把人吸引到数据多的老地方去，那些数据少但可能有大突破的前沿领域反而没人去了。 这样的状况要是继续下去就很危险。在很多学科里，大家都在用相似的方法来解决问题，这种“方法论单一化”的现象让科学体系可能过早收敛到有限的模式里。不过不同学科的表现也不一样。比如计算机科学和生物信息学这种数据密集型学科，话题特别集中；而人文社科领域因为需要复杂的理论建构，受到的影响就不一样了。 现在的问题在于评价体系和AI特性太匹配了。大家都按论文数量和引用次数来评判好坏，这就强化了大家走老路子的依赖心理。所以怎么设计新的评价机制来鼓励创新就成了一个难题。 虽然我们不能否认AI给科研带来的巨大好处，但这个实证研究也让我们看到了一些值得警惕的地方。要想让科技健康发展，不光是要靠研究者保持初心利用好工具，还得靠管理机构来改进制度设计才行。我们得把资源配置好、评价体系改改、还要鼓励跨学科合作才行。只有在效率和多样性之间找到平衡点，科学探索才能既不断向前又汇聚成海。