在科学中使用人工智能正在产生一个难题：个别研究者的生产力正在提高，而整个科学事业却在探索更窄的思想范围。人工智能会激发科学复兴，还是导致多元单一文化？例如，采用人工智能工具的学者发表的论文数量是同龄人的大约三倍，引用量几乎是其同行的五倍。然而，对科学文献的分析表明，人工智能辅助的研究所涵盖的话题范围比非人工智能工作少了4.6%，这一模式在研究的70%以上的子领域中都存在 1 。问题不是技术性的，而是制度性的。人工智能工具扩大了科学家探索的能力，但系统性的激励措施使得研究者更关注那些被机构容易识别、评估和奖励的问题，而不是开拓新领域。这种动态并非起源于人工智能：研究表明，过去六十年来，论文和专利变得不那么具有颠覆性 2 。但人工智能正在加速这些变化，因为对大规模工作中的速度和模式识别正是一个收窄系统将最强烈关注的领域。学术职业结构强化了这种影响。人工智能使得延伸熟悉的研究方向比进入陌生领域更快、更便宜，而现有的激励系统奖励这种速度。为了应对这些问题，我们提出三条建议。让新的领域可衡量 当前的资助系统主要奖励现有数据的下游开发，而不是新数据集和测量能力的上游创造。通过将越来越强大的人工智能模型应用于公共数据集，研究者通常可以以相对较低的成本生成可发表的结果。例如，谷歌的材料探索图网络（GNoME）是一种深度学习工具，已识别出381,000个候选稳定无机晶体，将已知材料范围扩展了一个数量级 3 。与此同时，由DeepMind在伦敦创建的蛋白质结构预测系统AlphaFold，已生成超过2.14亿种潜在的蛋白质结构，使生物相互作用能够在前所未有的规模上进行检查 4 。与此相比，建立一个长期队列研究或启动一个生物多样性监测项目可能需要数年的持续投资才能产生任何可发表的发现。这种不对称性正在加大：在过去两年中，使用人工智能模型进行预测的成本大约下降了100倍，而建立新的观察基础设施仍然需要高昂的长期运营成本 5 - 7 。这意味着，便宜利用和昂贵探索之间的差距每几个月就会加大。我们呼吁资助方有意补贴数据基础设施，特别是在被排除在主要队列研究之外的疾病等被忽视的领域。这些投资虽慢且不引人注目，但如果要利用人工智能处理之前被忽视领域的观察结果，它们是必不可少的。停止惩罚转型 大学和资助机构必须停止惩罚那些使用人工智能进入新领域的研究者。人工智能工具降低了转型的信息成本——例如，一名生态学家现在可以更快地掌握不熟悉的文献。但评估系统仍然惩罚进入其他子领域的转型 8 。招聘委员会在评估候选人时会看重其在单一领域的持续出版记录，资助机构往往将申请者先前工作的初步数据视为支持的前提条件。人工智能工具提高了个别科学家的能力，但可能会限制整体研究的进展。