文章摘要
【关 键 词】 AI科研、效率提升、知识生产、科研多样性、数据丰富
AI技术在科研领域的应用显著提升了研究效率和论文发表量。清华大学、芝加哥大学和Google的研究人员通过AI工具分析了六大学科的6790万篇论文，发现使用AI的科学家发表的论文数量增加了67.37%，获得的引用次数是未使用AI的科学家的3.16倍，且能提前4年成为团队领导者。然而，AI技术的应用也导致了科研多样性的下降，研究人员更倾向于专注于数据丰富的领域，减少了对新领域的探索。
AI工具与知识生产紧密相连，如AlphaFold通过学习已知蛋白质结构预测未探索结构，避免了传统结构推断中的资源消耗和人力成本，因此获得了2024年诺贝尔奖。大型语言模型也能帮助科研人员修订和提炼论文写作，促进了发现结果的提炼和传播。
研究人员利用OpenAlex数据集从1980年到2024年的1.09亿篇论文，选择其中六个学科（生物学、医学、化学、物理学、材料科学和地质学），最终得到约6800万篇论文。通过BERT语言模型根据标题和摘要内容区分出论文中用到的技术，评估BERT模型识别的准确性，结果显示模型的可靠性。
AI辅助论文在期刊中的分布不均，且在高影响力期刊中更为普遍。AI研究人员的影响力大幅增加，采用AI的研究人员每年发表的论文数量比不使用AI的研究人员多出67.37%，获得的引用次数是后者的3.16倍。AI研究会导致团队规模的缩小，初级科研人员的平均人数从非AI团队的2.31人减少到AI团队的1.47人，资深科研人员的人数从4.14人减少到3.48人。采用AI的初级科学家转变为资深科学家的概率为49.92%，比不采用AI的同行高出32.01%。
AI研究使整个科学的集体知识广度缩小了4.96%，并且该效应在六个学科中都是一致的。超过70%的子领域的知识广度出现了收缩。AI研究的知识分布熵明显更低，表明人们越来越关注特定问题，而不是整个领域。科研人员获得了更多的个人影响力，但整个科学领域知识的范围却缩小了，只是将注意力集中在最适合AI研究的领域，例如那些数据丰富的领域。尽管AI可能为科学家个人带来了好处，但可能也会使科学作为一个整体的探索范围变得更加狭窄。
原文和模型
【原文链接】 阅读原文 [ 2931字 | 12分钟 ]
【原文作者】 新智元
【摘要模型】 moonshot-v1-32k
【摘要评分】 ★★★★★
