1. 首頁 > 生活百科 > >

清華新研究，Nature+Science雙殺！

ainature科學家

清華新研究，Nature+Science雙殺！

文章圖片

清華新研究，Nature+Science雙殺！

文章圖片

清華新研究，Nature+Science雙殺！

文章圖片

清華新研究，Nature+Science雙殺！

文章圖片

清華新研究，Nature+Science雙殺！

文章圖片


就在剛剛 ， 清華大學的一項AI for Science研究不僅登上Nature ， 而且還被Science深度報道了 。

這項來自清華大學李勇團隊的研究通過分析全球2.5億篇科學文獻 ， 揭示了AI for Science領域存在的一個典型矛盾——
AI在助力科學家“個體加速”的同時 ， 卻導致科學界的集體注意力窄化和趨同優化的“群體登山”現象 。
就是說 ， 雖然AI幫助科學家發表了更多論文、更早成為項目負責人 ， 但卻導致人們集體涌入少量適合AI研究的“熱門山峰” ， 從而無形中削弱了科學探索的廣度 。
而且進一步分析表明 ， 這一矛盾絕非偶然 ， 而是由當前科學智能AI模型缺乏通用性導致的系統性影響 。

下面詳細來看這到底是一項怎樣的研究 。
第一步：尋覓AI for Science的演化蹤跡回到起點 ， 團隊之所以進行這項研究 ， 主要是發現AI for Science領域存在一個明顯矛盾——
在AI持續賦能科研的背景下 ， 為何各學科的整體科學進展未見明顯加速？
一方面 ， AI for Science研究已經產生了AlphaFold這樣的榮獲諾貝爾獎的成果；但另一方面 ， 統計表明各學科領域的顛覆性研究成果在逐年下降 ， 似乎未能獲得AI助力 。
這背后的原因到底是什么？到目前為止 ， 業界仍然沒有明確答案 。
于是 ， 團隊向著這一問題出發了 ， 并最終發表了《Artificial Intelligence Tools Expand Scientists’ Impact but Contract Science’s Focus》這篇論文 。

在論文中 ， 團隊進行的首項工作是：從浩如煙海的文獻中找出那些“AI賦能的研究” 。
這一步對后續定量刻畫AI對科學的影響至關重要 。
為此 ， 團隊摒棄了停留在關鍵詞層面的淺層檢索方法 ， 而提出了一條“高質量專家標注 + 大規模語言模型推理“相結合的技術路徑——
通過領域專家標注少量論文樣本 ， 再讓語言模型大規模推理的迭代優化 ， 逐步讓語言模型學會從標題和摘要中深層次的分析“那些是使用了AI工具的研究” 。
論文顯示 ， BERT的識別準確率非常高 ， 達到了0.875分（滿分為1） 。
靠著這套方法 ， 他們掃描了近50年來的海量文獻（涵蓋1980-2025年） ， 最終畫出了一張“AI賦能科研全景地圖” 。
這張地圖橫跨“機器學習、深度學習、生成式AI”三個時代 ， 涵蓋4130萬篇論文、覆蓋2857萬研究者 ， 被團隊視為研究“AI如何系統性影響科研”的首個基準數據集 。

然后…發現AI for Science領域的矛盾效應基于該數據集 ， 團隊系統性分析了AI在自然科學六大領域（生物、醫學、化學、物理、材料科學和地質學）的影響 。
所采用的分析方法大致可分為以下三個階段：
step 1：構建“科學語義地圖” step 2：定義衡量“廣度”的指標 step 3：進行比較分析簡單來說 ， 團隊想要回答一個關鍵問題——
有了AI的幫助后 ， 科學家探索的領域到底是變寬了 ， 還是變窄了？
為了客觀衡量這種看不見、摸不著的“認知版圖” ， 他們提出了基于隱藏變量的科學學分析方法 。
該方法和傳統科學學的區別在于 ， 它不再僅僅依賴論文的標題、關鍵詞、作者、引用關系等“表面”數據 ， 而是深入到論文的“思想”和“內容”本身 ， 從而能更精細地度量像“知識廣度”這樣抽象的概念 。
具體到第一步 ， 他們把每篇論文中最能代表其內容的標題和摘要作為核心文本 ， 通過一個深度嵌入表征模型轉換成一個由768個數字組成的、固定長度的數學向量 。
這個向量就是每篇論文在高維數字空間中的“坐標”——理論上 ， 語義相似的論文 ， 其向量距離也會更接近 。

而當所有論文都找到自己的“坐標”后 ， 團隊主要通過“直徑”和熵值這兩個指標來測量知識廣度 。
前者用來衡量探索的“最遠邊界” 。
比如對于某個領域一年的AI論文 ， 先計算它們所有坐標點的幾何中心 ， 然后找出離中心點最遠的那篇論文 ， 測量它們之間的歐氏距離 。
這個距離就是研究中定義的“直徑” ， 用于衡量這批論文的主題覆蓋廣度 。 直徑越大 ， 說明探索的范圍越廣 。

后者用來衡量分布的“均勻度” 。
這是指分析同一批論文坐標點在空間中的分布狀態——如果均勻分散在空間各處則熵值高 ， 反之 ， 如果它們緊密地聚集在少數幾個熱點周圍 ， 則熵值低 。
然后就用這些指標去分別測量兩類科學家群體的論文：一類是使用AI進行研究的 ， 另一類是不使用AI的 。
以此判斷AI究竟是在擴張還是收縮科學的認知邊界 。
結果發現 ， 在微觀個體層面 ， 使用AI的科學家比不使用的多發表3.02倍論文 ， 獲得4.84倍引用量 。
而且前者更是提早1.37年成為研究項目負責人（以末位作者為標志） 。

然而 ， 個體科研加速的背后 ， 卻是人類整體科學版圖的異常收縮 。
在集體層面上 ， 與AI結合的科研項目的知識廣度下降了4.63%、不同領域科學家間的跨界互動減少了22% ， 而且AI論文引用呈現“星型結構”——
幾乎都在引用同一篇或少數幾篇經典的、開創性的AI工作 ， 這表明研究趨向集中和單一化 ， 缺少創新活力 。

那么問題來了 ， 這一矛盾現象究竟是什么導致的呢？
背后原因揭秘：當前模型缺乏通用性論文給出了一個明確結論——
這是由當前AI for Science模型缺乏通用性導致的系統性影響 。
團隊發現 ， AI的高效率產生了一種強大的“科學智能引力”效應 。 它引導研究者集體涌向少量適合AI研究的“熱門山峰” ， 即那些已有大量數據、適合用現有AI方法快速出成果的研究方向 。
這種“群體登山”模式 ， 雖能加速對已知問題的解決 ， 卻也在無形中固化了科學探索的路徑 ， 系統性地削弱了科學家向“未知山峰”探索的廣度 。
最終就形成了“廣度讓位于速度”的現象 。

團隊表示 ， 這一矛盾機制的發現是對AI賦能科研模式的深度反思：
現有的AI for Science雖然極大地促進了局部的效率提升 ， 卻難以驅動全鏈條、多領域的科研創新 。
而為了突破這一局限 ， 徐豐力、李勇教授團隊最終推出了全流程、跨學科的科研智能體系統—OmniScientist 。 （訪問網址：OmniScientist.ai）
該系統通過深入挖掘大模型智能體的通用推理能力 ， 實現跨學科、全流程、多模態的系統性科研支持 ， 從而讓AI從“輔助工具”進化為具備“主動提出假說、自主設計實驗、分析結果并形成理論”的“AI科學家” 。

最后 ， 這項研究完成單位為清華大學電子工程系、芝加哥大學社會學系 ， 通訊作者為徐豐力助理教授、李勇教授、James Evans教授 ， 第一作者為清華大學電子工程系博士生郝千越 。
論文：
https://arxiv.org/abs/2412.07727
— 完 —
量子位 QbitAI
【清華新研究，Nature+Science雙殺！】關注我們 ， 第一時間獲知前沿科技動態

    推薦閱讀