一位科学家一旦开始用AI辅助文献综述、假设生成甚至实验设计，接下来几年会发生什么？一项刚发表在《Nature》上、追踪了近6800万篇论文的研究给出了具体答案：这些科学家发表的论文数量比同行多67%，被引用次数是不用AI的科学家的3.16倍，成为课题组负责人的时间平均提前4年。这几乎是一份AI时代的科研加速说明书。
但研究同时给出了另一半答案：科学家个人跑得越快，整个学科探索的疆域却在缩小。AI增强型研究涉及的主题更集中，也更少引来同行跟进和拓展。论文作者之一、芝加哥大学社会学家James Evans把这归结为一句话：个体激励和科学整体利益，正在打架。
AI给科研生涯开了一条快车道
研究团队来自芝加哥大学与清华大学北京信息科学与技术国家研究中心，作者Qianyue Hao、Fengli Xu、Yong Li和James Evans用BERT分类器（识别准确率F1值0.876）从1980到2024年间生物、医学、化学、物理、材料科学、地质学六大学科的论文里，筛出了明确用到AI工具的研究。数据主库是OpenAlex，并用Web of Science做了交叉验证。
结果很直白：用AI的科学家，产出和地位都在加速积累。论文数量多67.37%，引用量是对照组的3.16倍，当上PI的速度快了整整4年——对一个博士毕业往往要熬多年才能带团队的领域来说，这不是小数目。
个体加速，学科却在收窄
问题出在"收窄"这两个字上。同一批数据显示，AI增强型论文覆盖的主题范围更窄，更集中在数据密集、容易出成果的领域，这些论文得到的后续跟进和拓展也更少。物理学家Luís Nunes Amaral（西北大学）看到这个结果后的反应是："我们在把同一个坑越挖越深。"
个体越跑越快，学科的旷野却在悄悄合拢。
为什么效率红利会变成集体保守
Evans研究这个问题已经十几年。他早在2008年就发现，互联网搜索和在线出版让科学家更爱读、爱引同一批高曝光论文，加速了传播，却缩窄了流通的观点范围；后续研究又发现，科研评价体系本身就在把人推向更安全、更拥挤的选题，而不是风险更高的原创方向。这次的新发现，更像是同一条逻辑线在AI时代的延伸——AI工具训练自既有文献，天然更擅长强化已经被验证过的路径，而不是提出没人问过的问题。
- 洞见.AI对个体是放大器，对学科可能是收敛器，两者同时成立，互不矛盾。
谁该为这道选择题埋单
这项研究呈现的是相关性，不是因果性。更会用AI的科学家，本身可能就是资源更多、更早占位热门赛道的一批人，AI只是让原本的优势更明显。研究覆盖的六个学科也偏传统，量子计算、合成生物学这类新兴、跨学科领域是否有相同规律，目前还看不清。还有一个悬念：当下的AI工具大多训练自历史文献，如果未来的模型具备更强的假设生成和反常识探索能力，"收窄"会不会反过来变成"拓宽"，研究本身没有回答。
- 风险.如果科研资助和期刊评价继续奖励"AI驱动的高产"，而不校正主题多样性，收窄效应可能被制度进一步放大。
对刚入行、还在纠结要不要重度依赖AI工具的年轻科研人员来说，现实选择很直接：用AI几乎肯定能让履历更好看、晋升更快；但如果整个学科都在往同一批热点挤，真正稀缺、也最值钱的，可能反而是那些暂时"不划算"的冷门问题。