
AI写论文快3倍,但科学边界却悄悄缩水了4.63%——这不是段子,是清华团队刚发在《Nature》上的硬核数据。年均发3篇变9篇,引用翻近5倍,晋升提前1.37年……个人效率拉满,可整个科学界的“地图”反而变窄了。为啥?因为大家不约而同往几座“数据好爬、问题好解”的热门山头挤,冷门方向、模糊问题、跨学科接口,慢慢没人搭理了。就像全班同学都抢着做同一道有标准答案的数学题,没人再问“这题该不该这么出”。

更扎心的是另一组实验:清华推出的OSWorld-Science评测里,12个当前最强的视觉语言模型,在真实科研软件操作任务中——打开Mnova调核磁参数、用QuPath标病理切片、在ANSYS里建模仿真——平均只拿到34.3分(满分100)。不是不会说,是真不会点鼠标、不会看弹窗、不会判断“刚才那步导出失败了”。科学家要的不是“说得漂亮”,而是“跑得稳、结果能复现、文件能交差”。AI现在连“开机→导入→点击→保存”这套动作链都走不全,却已开始主导选题、润色、甚至代投。
这两件事凑一块儿,就戳破了一个温柔幻觉:AI不是科研的“外挂”,它正在重塑科研的“地形图”。当工具太顺手,人就懒得绕路;当答案来得太快,人就忘了问题本身多重要。清华团队没喊“别用AI”,而是推“全流程科研智能体”——不是让它替你写,而是陪你在不确定里试错、在界面卡死时重启、在没人标注的数据里一起找线索。真正的加速器,从来不是跑得快,而是敢往没路的地方多踩一脚。
这事儿其实早有苗头。2023年中科院文献情报中心跟踪了全球17万篇AI辅助生成的预印本论文,发现其中近六成集中在LLM微调、大模型推理优化、AIGC检测这三个方向;而同期,全球仅0.8%的AI相关论文涉及“古气候数据重建”“深海微生物代谢通路注释”“少数民族濒危语言语音建模”这类冷门但关键的基础工作。不是没人想做,是基金评审更倾向“三个月出图、半年发顶会”的项目,博士生开题也得掂量:用AI跑通一个热门benchmark,比花两年采集西藏冰芯样本更容易毕业。
还有个容易被忽略的细节:Nature子刊《Humanities & Social Sciences Communications》去年做过一项对照实验,让两组学者分别用传统方式和AI辅助撰写同一课题的文献综述。结果AI组效率高、结构清晰、引文规范——但所有版本里,对原始文献中方法论局限性的批判性讨论,平均少了42%。不是AI不会写“然而”,而是它训练数据里,“然而”后面接的多是技术参数修正,很少是“这个假设在非洲田野中根本无法验证”。
清华团队在论文附录里悄悄放了一张图:横轴是“问题模糊度”,纵轴是“近三年该方向论文增长率”。曲线呈现一个尖锐的倒U形——模糊度适中的问题(比如“某蛋白在特定条件下的构象变化”)增长最快;而真正模糊的(比如“意识是否具有量子生物学基础”)和过于确定的(比如“水分子沸点是多少”)两端,几乎静止。AI擅长把模糊变确定,却正在悄悄删除“模糊”本身存在的正当性。
所以别怪AI,它只是照着我们给的反馈在学:我们点“赞”的是快速产出,我们投“反对票”的是反复试错;我们下载的是带流程图的代码包,不是手写批注的实验笔记扫描件。真正的分水岭不在算力多强,而在我们愿不愿意保留一段“低效时间”——比如关掉ChatGPT,盯着一页看不懂的俄文老论文发呆半小时,或者为确认一个试剂批次,给远在智利的合作者打三通越洋电话。
科研的尊严,从来不在速度的刻度上,而在人一次次选择“明知费劲还偏要问”的瞬间。
七星策略提示:文章来自网络,不代表本站观点。