ChatGPT發(fā)布以來，各種大模型層出不窮，對各行各業(yè)的文字、腦力工作者來說絕對是一個效率神器，產(chǎn)出量大大提升。

比如最近的研究成果，清華大學(xué)、芝加哥大學(xué)、Google的研究人員利用AI工具（模型性能F1值為0.876）分析了六大主要學(xué)科的6790萬篇研究論文，結(jié)果發(fā)現(xiàn)，采用AI工具的科學(xué)家發(fā)表的論文數(shù)量增加了67.37%，獲得的引用次數(shù)是未使用AI工具的科學(xué)家的3.16倍，并且還能提前4年成為團隊領(lǐng)導(dǎo)者。

論文鏈接：https://arxiv.org/pdf/2412.07727

但凡事都有代價。

一旦打開「AI模型」的潘多拉魔盒，就代表研究人員不再廣泛探索科學(xué)領(lǐng)域，而是專注于某個細小的課題，利用AI模型發(fā)表的論文大多都是在已有的、數(shù)據(jù)豐富的領(lǐng)域。

也就是說，大模型不會幫助科研人員創(chuàng)立一個新領(lǐng)域，雖然提高了個人的科研生產(chǎn)力，但卻極大減少了整個科研集體的多樣性和廣泛參與度。

44年，6800萬篇論文

AI工具與知識生產(chǎn)緊密相連，比如AlphaFold通過學(xué)習(xí)已知的蛋白質(zhì)結(jié)構(gòu)來準確預(yù)測尚未探索的結(jié)構(gòu)，避免了傳統(tǒng)結(jié)構(gòu)推斷中的資源消耗和人力成本，并因此獲得了2024年諾貝爾獎。

通過深度強化學(xué)習(xí)改進的模型已經(jīng)能夠處理復(fù)雜的核聚變反應(yīng)，并發(fā)現(xiàn)了新的、針對硬件優(yōu)化的矩陣乘法形式，從而加速了深度學(xué)習(xí)本身的發(fā)展。

此外，大型語言模型可以非常出色地幫助科研人員修訂和提煉論文寫作，促進了發(fā)現(xiàn)結(jié)果的提煉和傳播。

盡管在科研領(lǐng)域中，AI模型的參與度越來越高，但業(yè)界仍然沒有對AI科學(xué)影響的大規(guī)模實證評估。

所以這篇論文的研究團隊主要提出并回答一個問題：個體科研人員基于自身利益選擇AI模型進行輔助，對整個科學(xué)界有何影響？

研究人員進行了一項大規(guī)模的定量分析，利用OpenAlex數(shù)據(jù)集中從1980年到2024年的1.09億篇論文，選擇其中六個學(xué)科（生物學(xué)、醫(yī)學(xué)、化學(xué)、物理學(xué)、材料科學(xué)和地質(zhì)學(xué)），涵蓋了主要的自然科學(xué)學(xué)科，并特意排除掉計算機科學(xué)和工程學(xué)，以避免混入AI相關(guān)從業(yè)者的影響，最終得到約6800萬篇論文。

然后利用BERT語言模型根據(jù)「標題」和「摘要」內(nèi)容區(qū)分出論文中用到的技術(shù)是機器學(xué)習(xí)、某個深度學(xué)習(xí)架構(gòu)，或者是基于Transformer的大模型。

研究人員采用兩階段的微調(diào)將預(yù)訓(xùn)練的BERT模型適應(yīng)到論文識別任務(wù)：先分別基于論文的標題和摘要獨立訓(xùn)練兩個模型，再將兩個優(yōu)化后的個體模型集成起來，以識別所有選定的論文，無需人工選擇與AI相關(guān)的觸發(fā)詞。

為了評估BERT模型識別的準確性，研究人員招募了一個專家團隊來驗證結(jié)果，在對六個重點學(xué)科中隨機抽樣的論文組進行獨立標注時共識很高，平均Fleiss' Kappa值為0.960，把專家標注數(shù)據(jù)當作金標準進行評估時，得到的F1分數(shù)為0.876，證明了模型的可靠性。

為了提高識別結(jié)果的可解釋性，研究人員對輸入標題和摘要時BERT模型最終層的平均注意力強度進行可視化，比如在分析一篇AI輔助的化學(xué)論文時，模型對「人工智能」和「深度神經(jīng)網(wǎng)絡(luò)」等術(shù)語分配了非常高的注意力權(quán)重，并且識別出的AI論文基本上都是「人工智能」和跨學(xué)科傳統(tǒng)研究主題的結(jié)合，說明了模型如何正確解釋并準確識別與AI相關(guān)的內(nèi)容。

最終識別出107萬篇AI輔助論文，大約占論文總數(shù)的1.57%，并且可以觀察到所有學(xué)科采納AI的趨勢都在上升，AI論文和采納AI的研究人員比例都有顯著增加。

盡管各個學(xué)科每年發(fā)表的論文數(shù)量總體上升，但從1980年到2024年，AI論文的份額在地質(zhì)學(xué)中增長了21.39倍，在材料科學(xué)中增長了241.36倍；同樣，采納AI的研究人員比例增長得更快，從地質(zhì)學(xué)的42.36倍增長到物理學(xué)的307.40倍。

研究人員將過去幾十年的AI發(fā)展劃分為機器學(xué)習(xí)（ML）、深度學(xué)習(xí)（DL）和大型語言模型（LLM）時代，三個時代的增長率逐漸加快，可以看出AI在科學(xué)中的普及率不斷提高，以及理解AI對科學(xué)研究和進步影響的重要性。

AI是職業(yè)生涯加速器

從引用統(tǒng)計數(shù)據(jù)中，研究人員注意到，從發(fā)表日期到幾十年后，人工智能（AI）論文的年引用次數(shù)持續(xù)高于非AI論文，并且不同時期發(fā)表的AI論文受到的總引用次數(shù)也更高。

此外，研究人員還檢查了AI輔助論文在不同期刊引用報告（JCR）分位數(shù)中的分布，結(jié)果發(fā)現(xiàn)，在Q1期刊中，AI論文的比例比所有期刊中的非AI論文高出18.60%；在Q2期刊中，AI論文的比例僅高出1.59%，而Q3和Q4期刊中包含AI的論文比例相對較低。

結(jié)果表明，AI輔助論文在期刊中的分布不均，且在高影響力期刊中更為普遍。

AI論文逐漸受到重視，AI研究人員的影響力也大幅增加，平均來看，采用AI的研究人員每年發(fā)表的論文數(shù)量比不使用AI的研究人員多出67.37%，獲得的引用次數(shù)則是后者的3.16倍，這一趨勢在各個學(xué)科中都有體現(xiàn)。

為了研究采用AI對職業(yè)發(fā)展的影響，文中將科研人員分為「初級」（尚未領(lǐng)導(dǎo)研究團隊）和「資深」（已經(jīng)領(lǐng)導(dǎo)過團隊）兩類，并從數(shù)據(jù)集中提取了351萬條職業(yè)軌跡。

分析顯示，AI研究會導(dǎo)致團隊規(guī)模的縮小，平均每個研究團隊少了1.5名科研人員，具體來說，初級科研人員的平均人數(shù)從非AI團隊的2.31人減少到AI團隊的1.47人（減少了36.45%），而資深科研人員的人數(shù)從4.14人減少到3.48人（減少了15.95%）。

在所有學(xué)科中，采用AI的初級科學(xué)家轉(zhuǎn)變?yōu)橘Y深科學(xué)家的概率為49.92%，比不采用AI的同行高出32.01%，表明AI為初級科學(xué)家提供了更多領(lǐng)導(dǎo)研究團隊的機會，并降低了離開學(xué)術(shù)界的概率，從而促使了他們從初級到資深科學(xué)家的職業(yè)轉(zhuǎn)變。

為了進一步量化這一效應(yīng)，研究人員采用生死模型，并根據(jù)科學(xué)家的職業(yè)軌跡擬合模型參數(shù)λ，結(jié)果發(fā)現(xiàn)，采用AI的初級科學(xué)家成為資深科學(xué)家的預(yù)期時間比同行大約縮短了四年；采用AI的初級科學(xué)家的轉(zhuǎn)變時間期望值為6.84年，而不采用AI的為10.90年。

進一步分析顯示，這種縮短升職時間的現(xiàn)象在所有學(xué)科中都是普遍存在的，并且在各個學(xué)科中，參與AI論文的資深科學(xué)家平均年齡比非AI論文的資深科學(xué)家年輕。

科學(xué)探索范圍收縮

隨著人工智能（AI）在科學(xué)中的加速應(yīng)用，以及它在推動初級科學(xué)家成為資深科學(xué)家方面的作用，人們開始關(guān)注AI對整個科學(xué)領(lǐng)域知識分布的潛在影響。

為了評估AI如何影響整個科學(xué)領(lǐng)域研究的前沿，研究人員設(shè)計了一種測量方法來描述一組研究論文所代表的「學(xué)術(shù)關(guān)注廣度」。

具體來說，先使用在大量科學(xué)文獻預(yù)訓(xùn)練的文本嵌入模型SPECTER 2.0，在給定每個領(lǐng)域中同樣大小的樣本量來計算代表AI和非AI論文的主題覆蓋范圍；與傳統(tǒng)研究相比，AI研究使整個科學(xué)的集體知識廣度縮小了4.96%，并且該效應(yīng)在六個學(xué)科中都是一致的。

此外，當將學(xué)科細分為200多個子領(lǐng)域時，可以觀察到超過70%的子領(lǐng)域的知識廣度出現(xiàn)了收縮；當比較AI和非AI研究在每個領(lǐng)域知識分布的熵時，結(jié)果表明AI研究的知識分布熵明顯更低，表明人們越來越關(guān)注特定問題，而不是整個領(lǐng)域。

也就是說，個體和集體之間采用AI的動機存在沖突和矛盾：科研人員獲得了更多的個人影響力，但整個科學(xué)領(lǐng)域知識的范圍卻縮小了，只是將注意力集中在最適合AI研究的領(lǐng)域，例如那些數(shù)據(jù)豐富的領(lǐng)域。

盡管AI可能為科學(xué)家個人帶來了好處，但可能也會使科學(xué)作為一個整體的探索范圍變得更加狹窄。

AI研究一窩蜂，創(chuàng)新冗余

為了分析AI研究中個體論文和研究者影響力增長與領(lǐng)域知識范圍縮小之間的沖突背后的機制，研究人員考察了引用AI輔助和非AI工作的論文之間的關(guān)系。

首先檢查單個論文的「引用家族」（citation families）的知識空間特征，即一篇原創(chuàng)論文及其所有后續(xù)引用，結(jié)果顯示，與非AI論文相比，單個AI論文的引用家族的知識空間更為多樣性，因此，領(lǐng)域知識空間的縮小并不是由于在AI與非AI研究基礎(chǔ)上構(gòu)建的論文范圍的縮小所致。

之后，研究人員通過測量后續(xù)論文參與度的程度來考察論文之間的關(guān)系，即同一原創(chuàng)論文的引用之間相互引用的頻率，結(jié)果表明，AI研究產(chǎn)生的后續(xù)參與度比非AI研究少了24.40%，表明AI論文更傾向于擴展原創(chuàng)論文，而不是在彼此之間形成互動，而互動恰恰是促進新興領(lǐng)域的關(guān)鍵要素。

在不同領(lǐng)域中AI論文引用的馬太效應(yīng)中也發(fā)現(xiàn)了這種集中的進一步證據(jù)：在AI研究中，少數(shù)超級明星論文主導(dǎo)了該領(lǐng)域，大約20%的頂級論文獲得了80%的引用，50%的論文獲得了95%的引用，這種不平等的分布導(dǎo)致了AI研究引用模式的基尼系數(shù)為0.753，高于非AI論文的0.684，表明認可度的不平等正在增加。

最后，研究人員還檢查了引用同一原始工作的論文對在向量空間中的距離，區(qū)分出相互引用的論文，結(jié)果發(fā)現(xiàn)，科學(xué)界的AI更加集中于特定的熱門話題，導(dǎo)致了更多的重復(fù)想法和冗余創(chuàng)新，與科學(xué)知識范圍和多樣性的縮小有關(guān)。