清華新研究，Nature+Science雙殺！

就在剛剛，清華大學的一項AI for Science研究不僅登上Nature，而且還被Science深度報道了。

這項來自清華大學李勇團隊的研究通過分析全球2.5億篇科學文獻，揭示了AI for Science領域存在的一個典型矛盾——

• AI在助力科學家“個體加速”的同時，卻導致科學界的集體注意力窄化和趨同優化的“群體登山”現象。

就是說，雖然AI幫助科學家發表了更多論文、更早成為項目負責人，但卻導致人們集體涌入少量適合AI研究的“熱門山峰”，從而無形中削弱了科學探索的廣度。

而且進一步分析表明，這一矛盾絕非偶然，而是由當前科學智能AI模型缺乏通用性導致的系統性影響。

下面詳細來看這到底是一項怎樣的研究。

第一步：尋覓AI for Science的演化蹤跡

回到起點，團隊之所以進行這項研究，主要是發現AI for Science領域存在一個明顯矛盾——

在AI持續賦能科研的背景下，為何各學科的整體科學進展未見明顯加速？

一方面，AI for Science研究已經產生了AlphaFold這樣的榮獲諾貝爾獎的成果；但另一方面，統計表明各學科領域的顛覆性研究成果在逐年下降，似乎未能獲得AI助力。

這背后的原因到底是什么？到目前為止，業界仍然沒有明確答案。

于是，團隊向著這一問題出發了，并最終發表了《Artificial Intelligence Tools Expand Scientists’ Impact but Contract Science’s Focus》這篇論文。

在論文中，團隊進行的首項工作是：從浩如煙海的文獻中找出那些“AI賦能的研究”。

這一步對后續定量刻畫AI對科學的影響至關重要。

為此，團隊摒棄了停留在關鍵詞層面的淺層檢索方法，而提出了一條“高質量專家標注 + 大規模語言模型推理“相結合的技術路徑——

通過領域專家標注少量論文樣本，再讓語言模型大規模推理的迭代優化，逐步讓語言模型學會從標題和摘要中深層次的分析“那些是使用了AI工具的研究”。

論文顯示，BERT的識別準確率非常高，達到了0.875分（滿分為1）。

靠著這套方法，他們掃描了近50年來的海量文獻（涵蓋1980-2025年），最終畫出了一張“AI賦能科研全景地圖”。

這張地圖橫跨“機器學習、深度學習、生成式AI”三個時代，涵蓋4130萬篇論文、覆蓋2857萬研究者，被團隊視為研究“AI如何系統性影響科研”的首個基準數據集。

然后…發現AI for Science領域的矛盾效應

基于該數據集，團隊系統性分析了AI在自然科學六大領域（生物、醫學、化學、物理、材料科學和地質學）的影響。

所采用的分析方法大致可分為以下三個階段：

• step 1：構建“科學語義地圖”
• step 2：定義衡量“廣度”的指標
• step 3：進行比較分析

簡單來說，團隊想要回答一個關鍵問題——

有了AI的幫助后，科學家探索的領域到底是變寬了，還是變窄了？

為了客觀衡量這種看不見、摸不著的“認知版圖”，他們提出了基于隱藏變量的科學學分析方法。

該方法和傳統科學學的區別在于，它不再僅僅依賴論文的標題、關鍵詞、作者、引用關系等“表面”數據，而是深入到論文的“思想”和“內容”本身，從而能更精細地度量像“知識廣度”這樣抽象的概念。

具體到第一步，他們把每篇論文中最能代表其內容的標題和摘要作為核心文本，通過一個深度嵌入表征模型轉換成一個由768個數字組成的、固定長度的數學向量。

這個向量就是每篇論文在高維數字空間中的“坐標”——理論上，語義相似的論文，其向量距離也會更接近。

而當所有論文都找到自己的“坐標”后，團隊主要通過“直徑”和熵值這兩個指標來測量知識廣度。

前者用來衡量探索的“最遠邊界”。

比如對于某個領域一年的AI論文，先計算它們所有坐標點的幾何中心，然后找出離中心點最遠的那篇論文，測量它們之間的歐氏距離。

這個距離就是研究中定義的“直徑”，用于衡量這批論文的主題覆蓋廣度。直徑越大，說明探索的范圍越廣。

后者用來衡量分布的“均勻度”。

這是指分析同一批論文坐標點在空間中的分布狀態——如果均勻分散在空間各處則熵值高，反之，如果它們緊密地聚集在少數幾個熱點周圍，則熵值低。

然后就用這些指標去分別測量兩類科學家群體的論文：一類是使用AI進行研究的，另一類是不使用AI的。

以此判斷AI究竟是在擴張還是收縮科學的認知邊界。

結果發現，在微觀個體層面，使用AI的科學家比不使用的多發表3.02倍論文，獲得4.84倍引用量。

而且前者更是提早1.37年成為研究項目負責人（以末位作者為標志）。

然而，個體科研加速的背后，卻是人類整體科學版圖的異常收縮。

在集體層面上，與AI結合的科研項目的知識廣度下降了4.63%、不同領域科學家間的跨界互動減少了22%，而且AI論文引用呈現“星型結構”——

幾乎都在引用同一篇或少數幾篇經典的、開創性的AI工作，這表明研究趨向集中和單一化，缺少創新活力。

那么問題來了，這一矛盾現象究竟是什么導致的呢？

背后原因揭秘：當前模型缺乏通用性

論文給出了一個明確結論——

這是由當前AI for Science模型缺乏通用性導致的系統性影響。

團隊發現，AI的高效率產生了一種強大的“科學智能引力”效應。它引導研究者集體涌向少量適合AI研究的“熱門山峰”，即那些已有大量數據、適合用現有AI方法快速出成果的研究方向。

這種“群體登山”模式，雖能加速對已知問題的解決，卻也在無形中固化了科學探索的路徑，系統性地削弱了科學家向“未知山峰”探索的廣度。

最終就形成了“廣度讓位于速度”的現象。

團隊表示，這一矛盾機制的發現是對AI賦能科研模式的深度反思：

• 現有的AI for Science雖然極大地促進了局部的效率提升，卻難以驅動全鏈條、多領域的科研創新。

而為了突破這一局限，徐豐力、李勇教授團隊最終推出了全流程、跨學科的科研智能體系統—OmniScientist。（訪問網址：OmniScientist.ai）

該系統通過深入挖掘大模型智能體的通用推理能力，實現跨學科、全流程、多模態的系統性科研支持，從而讓AI從“輔助工具”進化為具備“主動提出假說、自主設計實驗、分析結果并形成理論”的“AI科學家”。

最后，這項研究完成單位為清華大學電子工程系、芝加哥大學社會學系，通訊作者為徐豐力助理教授、李勇教授、James Evans教授，第一作者為清華大學電子工程系博士生郝千越。

論文：

https://arxiv.org/abs/2412.07727