博文
当AI让每个科学家都更强，科学本身却在变弱
||
我最近反复咀嚼一篇发表在《Nature》上的研究，越想越不安。
2026年1月，清华大学联合芝加哥大学团队，对4100余万篇跨越45年的科研论文做了一次大规模分析。结论令人错愕——
使用AI的科学家，年均发表论文量是不用AI者的3倍，获得引用量高出4.84倍，晋升资深研究者平均提前1.37年。
每一个数字单独看，都像一则励志故事。
然而，当你把视角从个人拉回到科学整体，画面骤然反转：AI大规模应用后，科学研究的集体知识广度下降了4.63%，科学家之间的跨界互动减少了22%，论文引文结构呈现出向少数热门领域高度集中的"星型化"趋势。
个人越来越强，科学整体却在悄悄萎缩。
这不是一个小矛盾。这是一个值得整个科学共同体认真凝视的根本性悖论。
一、"登山效应"：AI在帮科学家走捷径，还是堵死了远路？研究者将这种现象命名为"登山效应"——AI天然偏好数据丰富、问题明确的领域，于是大量研究者被AI的"效率引力"拉向同一批山头，竞相攀爬已知的高峰，加速到达顶点。
这听起来很好。但科学的疆域，不只是那几座已知的山。
科学最深刻的价值，从来不是更快地爬上已知的峰顶，而是在茫茫荒野中认出一个从未有人命名的山头。提出问题，往往比解决问题更难，也更重要。
AI做不到这一点——至少现在还做不到。它无法在数据贫瘠、问题模糊的未知地带驻足，因为那里没有训练它的料。于是，在AI的引导下，科学家们越来越高效地抵达"已知问题的解"，却越来越少地踏入"未知问题的野地"。
这种"内卷优化"的危险在于，它是隐性的。每个科学家个人的论文数量、引用量、晋升速度都在提升，KPI一片飘红——直到某一天，我们发现整个领域已经二十年没有真正意义上的"范式转移"了。
二、"知其然，无须知其所以然"：科学在接受一种危险的妥协今年4月，第二届浦江AI学术年会上，多位院士展开了一场罕见的坦诚讨论。
白春礼院士提出，科学的目标可能正在从"理解世界"悄然滑向"逼近现实"。张锦院士分享了一个让我印象深刻的细节：他们实验室用AI精准预测了一种催化剂的性能，新材料寻优周期从多年压缩到四天——但他坦言，"为什么用这种催化剂，我没法解释"。
一个科学家，站在自己的成果面前，说不清楚"为什么"。
这在过去是一种失败的表述。而在AI时代，它正在被越来越多的人接受为一种"务实的进步"。
我理解这种接受背后的现实压力。当AI模型在天气预测、新药筛选、材料设计等领域展现出超越人类的预测精度，拒绝使用它只因"无法解释机理"，是一种奢侈。医院不会因为AI的药物推荐"缺乏完整的机理解释"而拒绝用它救命。
但我依然认为，当科学界集体接受"知其然，无须知其所以然"，我们需要意识到，这不只是方法论的调整，而是科学精神的某种让渡。
科学有两张面孔：一张是工具性的——解决问题、提升效率、推动技术；另一张是本体性的——理解世界、追问机理、探索未知。AI极大强化了科学的工具性面孔，却在无形中遮蔽了它的本体性面孔。
如果我们任由这种遮蔽持续下去，五十年后回头看，这个时代的科学产出可能是有史以来最"高效"的，也可能是最"空洞"的。
三、"AI科学家"来了，人类科学家的不可替代性在哪里？2026年4月，Nature发表了一项新研究，描述了能够"自己想idea、自主设计实验、撰写论文并通过同行评审"的AI科学家系统。同期，一个AI驱动的自主机器人实验室在6个月内完成了超3万次蛋白质合成实验，效率是人类博士生的20倍。
这些数字在科研圈引发了可预料的焦虑。
但我想在焦虑之外，提供一个更清醒的判断框架。
浦江年会上，神经科学家鲁白提出了一个值得记住的区分：好的科学家靠逻辑推理，而最出色的科学家靠直觉与顿悟——而这种顿悟，根植于人脑特殊的神经机理，是目前任何AI系统都无法复制的。
沃森和克里克发现DNA双螺旋结构，并非算力堆砌的结果，而是一次洞察性的跳跃——他们看到了一个数据不直接指向、但直觉感到"对"的结构。钱学森回国推动中国航天，不是因为他能比计算机算得更快，而是因为他知道什么方向值得算。
AI可以无限提速已知路径上的奔跑，但它不知道该向哪个方向起跑。提问题、选方向、判断意义——这依然是人类科学家最后的、也是最核心的价值据点。
然而这一据点并非铁板一块。胡事民院士发出的警告值得警惕：如果科学界不假思索地拥抱"算力竞争"的逻辑，单样本成本高达百万美元的科学领域，将难以承受AI军备竞赛的代价，且很可能让潜在的好药变成毒药。科学智能，走的不能是"大力出奇迹"的路。
四、我们真正应该担心的，不是AI取代科学家读完这些材料，我最终的判断是：公众和科研圈对AI的主流焦虑，搞错了对象。
大家担心AI会取代科学家。但真正危险的，不是AI取代科学家，而是在AI的助推下，科学共同体集体无意识地放弃了科学最难、最慢、也最珍贵的那部分——向未知的边疆探索。
个体被"效率红利"驯化，集体走向"探索萎缩"。这不会发生在某个决定性的时刻，而是在无数个"今天先用AI做个高引量的研究，明天再去探索未知"的拖延中悄然完成。
所以，问题不是"AI会不会取代科学家"，而是：科学共同体是否有足够的自觉，在享受AI效率红利的同时，刻意保留、甚至逆势加大对模糊问题、冷门领域、无法量化的探索性研究的投入？
评价体系是关键。如果论文数量和引用量依然是科研考核的主要指标，AI的"效率放大器"效应只会把这种指挥棒驯化得更彻底。没有哪个年轻学者会在"五年不发文章探索一个可能无解的问题"和"借助AI每年发5篇高引论文"之间，轻易选择前者——如果前者意味着没有工作、没有经费、没有晋升。
这不是个人的软弱，而是制度的设计问题。
结语白春礼院士在浦江年会的最后说了一句话，我反复回想：
"科学不仅关乎能力，更关乎方向；不仅关乎发现，更关乎抉择。"
AI正在让每个科学家的"能力"以惊人的速度膨胀。但"方向"和"抉择"，依然需要人来守护。
守护的代价，是抵抗效率的诱惑，是甘愿走那些AI不擅长引路的慢路、难路和孤独的路。
这大概是这个时代对科学共同体最深刻的考验——不是能不能用好AI，而是敢不敢在AI最强大的地方，坚持人类科学最珍贵的那种笨。
https://blog.sciencenet.cn/blog-3655709-1532395.html
上一篇：从"自动化"到"自主化"：智能制造与人工智能融合的范式跃迁
下一篇：课堂已死，但教育没有——从幼儿园到博导，AI时代教师生存手册
