人工智能正在将科学家变成出版机器，并悄悄地将他们引导到研究的同一拥挤角落。这是对超过4000万篇学术论文的分析得出的结论，该分析发现使用人工智能工具进行研究的科学家发表的论文更多，引用次数更多，并且比不使用人工智能工具的同行更早达到领导职位。但这里有个问题。随着个别学者在学术界晋升，科学整体上却减少了好奇心。依赖人工智能的研究涉及的话题较少，围绕相同的数据丰富问题聚集，并且在研究之间引发的后续互动较少。研究结果突显了个人职业发展的激励与科学整体进步之间的紧张关系，因为像ChatGPT和AlphaFold这样的工具似乎奖励速度和规模，但却不奖励惊喜。“你存在个人激励与科学整体之间的冲突，”分析领导者、芝加哥大学的社会学家詹姆斯·埃文斯（James Evans）说。随着越来越多的研究人员加入同样的科学热潮，一些专家担心这种趋同和原创性下降的反馈循环。“这非常令人担忧，”研究复杂系统的物理学家路易斯·努内斯·阿马拉尔（Luís Nunes Amaral）说。“我们在使同一个洞越挖越深。”埃文斯和他的同事们于1月14日将研究结果发布在《自然》杂志上。长期以来，学术界对科学进化的关注对埃文斯来说并不陌生。超过十年来，他一直使用大规模的出版和引用数据集来量化思想如何传播、停滞以及有时会趋同。2008年，他展示了转向在线出版和搜索使科学家更可能阅读和引用同样的高可见度论文，加速了新思想的传播，但缩小了流通思想的范围。后来的一项工作详细描述了职业激励如何安静地将科学家引向更安全、更拥挤的问题，而非更有风险、更原创的问题。其他研究追踪了大型领域如何随着时间的推移，会降低其概念创新的速度，即使论文数量呈爆炸式增长。最近，埃文斯开始将相同的定量视角转向人工智能本身，检查算法如何重塑集体注意力、发现和知识组织。早期的研究往往带有警告的声音：使科学更高效的工具和激励也可能压缩科学家群体探索的思想空间。新的分析现在表明，人工智能可能正在加速这种动态。为了量化这一效果，埃文斯及来自北京国家信息科学与技术研究中心的合作者训练了一个自然语言处理模型，以识别六个自然科学学科中的人工智能增强研究。他们的数据集包括1980年至2025年间发表的4130万篇英文论文，涉及生物学、化学、物理学、医学、材料科学和地质学。他们排除了如计算机科学和数学这样的领域，这些领域专注于开发人工智能方法。研究人员追踪了个别科学家的职业，检查他们的论文如何积累关注，并拉宽视角考虑整个领域如何在智力上聚集或分散。他们比较了大约311,000篇以某种方式融入人工智能的论文（例如通过使用神经网络或大型语言模型）与其他数百万篇不使用人工智能的论文。人工智能的采用提升了个别科学家的影响力，使用人工智能的研究人员的引用次数始终超过不使用人工智能的同行。结果揭示了一个显著的权衡。采用人工智能的科学家获得了生产力和可见性：平均而言，他们发表的论文数量是其他人三倍，收到的引用次数几乎是其他人的五倍，并且比那些不使用人工智能的人早一两年成为团队领导。但当这些论文在一个高维的“知识空间”中进行映射时，重度依赖人工智能的研究占据了较小的智力足迹，更紧密地聚集在流行、数据丰富的问题上，并在研究之间生成较弱的后续互动网络。该模式在人工智能发展的几十年中一直存在，涵盖了早期的机器学习、深度学习的兴起，以及当前的生成式人工智能浪潮。“如果说有什么的话，”埃文斯指出，“这势头在加剧。”智力缩小也不是唯一的意外结果。随着自动化工具使得大规模制作手稿和会议提交变得容易，期刊编辑和会议组织者目睹了低质量和虚假论文或演示的大量涌现，这些内容往往是以工业规模生产的。“我们已经如此沉迷于科学家发表论文的数量，以至于没有考虑我们所研究的内容，以及这些是如何为更好地理解现实做出贡献的。