人工智能在科学研究中提升了效率，但也可能限制探索范围，使发现趋于扁平化。

根据《IEEE Spectrum》2026年1月19日发表的一篇文章，一项新分析表明，人工智能（AI）在提升科学家个人职业发展的同时，也导致了科学发现范围的“扁平化”。该研究由芝加哥大学社会学家詹姆斯·埃文斯领导，分析了1980年至2025年间超过4000万篇英语科学论文。

研究发现，使用AI工具的科学家发表论文数量是未使用者的三倍，获得的引用次数是后者的近五倍，并且能更早地成为团队领导者。然而，这种个人效率的提升是以牺牲科学整体的广度为代价的。AI辅助的研究在“知识空间”中占据的领域更小，更集中于数据丰富、易于处理的问题，导致研究主题趋同，后续研究之间的关联性减弱。

埃文斯指出，这凸显了个人职业激励与科学集体进步之间的冲突。AI工具（如ChatGPT和AlphaFold）似乎奖励速度和规模，而非创新和意外发现。其他专家也警告，这可能导致一种“自我强化的循环”，使科学家倾向于选择AI最容易处理的问题，从而加剧研究的同质化。

尽管有观点认为这种趋势可能是暂时的，取决于下一代AI工具的设计和应用，但埃文斯认为，问题的核心不在于AI的算法设计，而在于需要彻底改革塑造科学家研究选择的奖励机制。他呼吁有意识地引导AI在科学中的使用方式，以拓展而非仅仅加速对最易处理问题的研究。

根据评论内容，总结如下：

主要观点一：AI加剧科研激励扭曲，而非推动创新 - 评论指出，AI主要放大现有问题，如追求发表和引用而非真正发现（评论5："AI is merely amplifying what was already there. The aim of many scientists isn't discovery in and of itself."） - 评论认为，AI自动化了最易处理的部分，而非拓展前沿（评论6："AI is largely automating the most tractable parts of science rather than expanding its frontiers"）

主要观点二：AI导致科研产出“扁平化”，但可能暂时 - 评论认为，AI带来的发现扁平化是暂时的，因为技术需要跨越无数小适应和能力门槛（评论3："Any flattening of discovery due to AI, but will be temporary... there are generally innumerable smaller adaptations and capability thresholds that have to be crossed."） - 评论指出，AI可能使科研产出回归均值，导致前沿模型陷入渐近扁平化（评论19："if everything regresses to the median... scientific leaning frontier models would get locked into this asymptotic flattening"）

主要观点三：AI提升科研生产力，但效果存疑 - 评论提到，采用AI的科学家发表论文多3倍、引用多5倍，但这可能反映“胡言乱语假说”和激励问题（评论10："this effect doesn't seem to reflect on AI very much, it seems to reflect on humans... more evidence of the Babble Hypothesis"） - 评论质疑，实际生产力提升可能有限，瓶颈只是转移（评论14："maybe code was the bottleneck... now it isn't but... the bottleneck has simply shifted"）

主要观点四：AI缺乏创造力，无法实现真正发现 - 评论认为，创造力无法自动化，AI被困在训练向量空间中，缺乏感官经验反馈（评论6："creativity cannot be automated... LLMs are trapped in the vector space they are trained on, and they lack the feedback loop with sensory experience"） - 评论举例，如Taq聚合酶的发现需要跨领域连接，AI难以做到（评论19："It is rather improbable to think that large language models would associate those domain connections across the topic"）

主要观点五：问题根源在科研评价体系，而非AI本身 - 评论指出，引用指标存在根本缺陷，是古德哈特定律的体现（评论8："citation indices and similar metrics are actually flawed indicators... Goodhart's law in action"） - 评论认为，科研体系本身低效，但无人试图改进（评论8："Everyone knows things are broken, but no one is trying to fix them"）

其他观点： - 评论认为，AI出现时间尚短（2-3年），下结论为时过早（评论7："AI has been seriously around for how long? Two years? Isn't it a bit too early to say?"） - 评论指出，AI可能加速科研商业化，反而促使纠正轨迹（评论15："it would be funny if by accelerating the enterprise it actually forced an effort to correct the trajectory"）