人工智能正从辅助工具转变为科学基础设施的重要组成部分。曾经需要大型跨学科团队完成的任务，如文献综述、实验设计和模型构建，现在越来越多地由配备强大判断力和有效人工智能系统的小团队承担。问题不再是人工智能是否会增加科学产出，而是它将如何重塑科学家选择研究的问题。例如，2026年《自然》杂志的一项研究使用预训练语言模型识别出4100万篇自然科学论文中的人工智能增强研究（Q. Hao et al. Nature 649, 1237-1243; 2026）。研究发现，参与人工智能增强研究的科学家发表的论文是未参与者的三倍，引用量几乎是未参与者的五倍。然而，人工智能的使用也与研究主题范围减少5%和合作率下降22%有关。对科学中人工智能的不加批判的采用令人担忧——我们迫切需要设立保护措施。因此，人工智能可能使科学研究更加容易，同时也缩小了集体追求的问题和推理风格。我在自己的跨学科工作中看到了这种紧张局势，工作包括算法设计、生物数据分析和临床研究。例如，几十年的仔细研究并未解决抑郁症是单一障碍还是一组具有相似症状的状况的问题。这在某种程度上是因为这一问题需要在不同领域之间进行翻译，包括临床症状评估、脑成像预处理、算法设计和临床验证。传统上，每一个步骤依赖于不同的专业知识，而进展往往在学科之间的交接处放缓。人工智能可以通过帮助研究人员阅读其领域以外的论文、比较方法选择并将统计模式翻译回临床术语，使这一过程链条不那么支离破碎。然而，这种收益也正是风险所在。一旦这一链条变得容易自动化，它就可能成为‘论文工厂’的模板——一个人工智能工具可以引导文献搜索，识别重要的关联，最终撰写出润色的手稿。研究人员或自动化系统可以在各种数据集或主题上运行相同的流程，从而可靠地产出可发表的结果，而不是深入调查一个问题。实际上，这使得研究工业化成为可能：以相似的方法和相似的结论生产许多研究。失去的则是更慢、更批判性的工作，即质疑假设、探索替代解释以及问询最初的问题是否被合理框架的工作。为什么评估人工智能的影响需要立即开始。