AI浪潮下的科研：哪些被取代，哪些能升级

集群智慧张老师

导语：随着人工智能特别是大语言模型（LLM）和深度学习工具的迅猛发展，科研界正在经历前所未有的变革。AI 不仅改变了科学家的工作方式，也正在重塑科研岗位的结构与技能需求。本文结合 SCIence 与 Nature 的最新研究，从科研产出、岗位结构和团队协作三个维度探讨未来科研岗位可能面临的冲击。
1 t/ U2 N2 Q$ v8 d6 x, o0 ?# W关键词：大语言模型（LLM）、科学学、学术写作、语言公平、科学计量学、科研生产力、马太效应
, }8 `( C* i8 H  x) S7 x8 P* A- s/ _一、大语言模型如何改变科研产出
; b" ]  P) x) Q


5 `) O3 r# A0 S$ o4 u$ N& _. d9 v

论文题目：Scientific production in the era of large language models: With the production process rapidly evolving, science policy must consider how institutions could evolve
论文链接：
9 b: ^) N- |& {" C. C- Bhttps://doi.org/10.1126/science.adw3000
4 D4 E2 A3 y" B5 X: z* c$ \发表时间：2025年12月18日
7 A$ _! J8 D6 M/ P2 u6 R1 J  h  g论文来源：Science

康奈尔大学殷裔安团队发表于 Science 的研究基于 2018—2024 年三大预印本数据库的 210 余万篇论文数据，通过文本特征算法识别 LLM 辅助写作的论文，系统考察大语言模型对科研产出的影响。结果显示，采用 LLM 的研究者论文产出显著增长，在不同数据库中增幅达到 36% 至近 60%。尽管研究者谨慎指出这种关联并不等同于严格的因果关系，但在多种识别方法和统计模型下，这种“采用—产出跃升”的趋势都保持稳健。

  l# y6 I$ V2 J) j% d0 M& |- \
图1：以作者首次被检测为 LLM-assisted所在月份为 0（竖虚线），横轴为相对月份，纵轴为采用者相对未采用者的产出变化（%）；点为估计值，竖线代表 95% 置信区间。图中可见采用后产出在多个后续月份保持在更高水平。
4 l" J# l0 P$ y6 ?9 s- _LLM 的作用首先体现在程序性写作环节，例如摘要撰写、文献综述整合、语言润色与结构整理等。这些任务高频、耗时，但高度语言化，因而容易被自动化工具接管。从劳动经济学角度看，这是一种典型的“任务替代”而非“岗位替代”。科研人员并未消失，而是部分劳动模块被技术抽离、重组。若将这一机制外推至更广泛的就业结构，可以看到，AI 更可能重构工作内容，而非简单地消灭职业本身。
二、语言门槛的降低与隐性不平等的缓解
6 a0 v- O9 r, U' w* a5 T3 g0 Q( X
该研究还揭示了一个重要的分配效应。数据显示，在部分数据库中，来自非英语国家机构的研究者在采用 LLM 后的产出增幅显著高于英语国家同行。这意味着，语言模型在一定程度上缓解了长期存在的语言壁垒问题。过去，非英语母语研究者不仅要完成高质量研究，还需承担额外的语言表达成本，而 LLM 的普及削弱了这一隐性门槛。
这一现象提示我们，AI 并非只会扩大差距。技术也可能在某些维度上推动“语言平权”。然而，语言门槛的下降同时带来了新的问题——当复杂表达不再需要高昂成本，传统评价体系是否仍然有效？
$ |; P$ n3 j, r  N# j, r! Y三、质量信号失灵：当语言不再代表投入

研究发现，在传统人类撰写论文中，语言复杂度与发表概率之间存在正相关关系。复杂句式与专业术语通常被视为研究投入与学术训练的信号。然而，在 LLM 辅助论文中，这种关系发生逆转：语言越复杂，发表概率反而下降。

- e6 Q; Y) J5 v6 B: r' }
$ y; w1 X; y/ c- s+ u* W7 E图2：横轴为写作复杂度，纵轴为稿件最终发表（同行评审期刊/会议）的概率；橙线为 LLM-assisted样本，蓝线为 non–LLM-assisted样本，阴影为 95% 置信区间。非 LLM 文本里复杂度越高，发表概率越高；但在 LLM 辅助文本里，复杂度越高对应更低的发表概率。
其根本原因在于，LLM 降低了生成复杂语言的成本，使“语言投入”与“学术投入”发生解耦。当任何人都可以轻松生成结构精致、术语密集的文本时，复杂性本身不再具有区分度。由此带来的风险是“看起来像优秀论文”的文本数量上升，评审负担加重，传统筛选机制的有效性被削弱。
% u# y' v( O; `) J0 a9 Y3 b) S在更宏观的就业语境下，这一变化具有象征意义。当 AI 可以低成本生成专业化成果时，基于形式与表达的能力信号会迅速贬值。评估机制若不更新，可能转而依赖更隐性的地位标记，例如机构背景或既有声望，从而在无形中重塑新的门槛。
四、个体受益与团队收缩：效率提升的另一面



" @( _# W& p8 u/ b. r+ k: A6 X+ y

论文题目：Artificial intelligence tools expand scientists’ impact but contract science’s focus
; U1 n6 J7 b& r8 v* y, P+ Z2 i9 Y论文链接：
https://doi.org/10.1038/s41586-025-09922-y
5 x; y+ K( f* U! c3 W3 w发表时间：2026年1月14日
* r  {) {5 y6 E* z论文来源：nature
: l$ ^: \, |# p% S! A3 [& p

清华大学电子工程系李勇教授团队发表于 Nature 的研究则从更宏观的科学计量视角出发，分析了 1980—2025 年间 4130 万篇自然科学论文，识别 AI 赋能研究对科学家个体与整体结构的影响。结果显示，采用 AI 的研究者在论文产出、引用数量与职业晋升方面均显著优于未采用者。初级科学家更快成为项目负责人，退出学术界的概率也有所降低。

. n0 a! |& Y5 m
' Y3 V/ _" H7 a5 ]' _" l) W图1：AI 扩大了论文影响力并促进了研究人员的职业生涯。a, AI 论文（红色）与非 AI 论文（蓝色）发表后的平均年引用次数（插图显示了前 1% 和前 10% 的情况；样本量 n = 27,405,011），结果显示 AI 论文吸引了更多引用。b, 使用 AI 的研究人员与未使用 AI 的同行（对照组）的平均年引用次数（P < 0.001，样本量 n = 5,377,346），其中采用 AI 的研究人员获得的引用次数是未采用者的 4.84 倍。c, 采用 AI 的初级科学家与未采用 AI 的同行之间两种角色转变的概率（每个领域 n = 46 年的观测值）。与未采用 AI 的同行相比，采用 AI 的初级科学家成为知名研究者（established researchers，即项目负责人）的概率更高，而退出学术界的概率更低。d, 从初级科学家向既定研究者转变的生存函数（P < 0.001，样本量 n = 2,282,029）。生存函数可以很好地用指数分布拟合，结果表明采用 AI 的初级科学家更早成为既定研究者。对于所有面板，99% 置信区间（CIs）均以误差条形式显示，其中图 a 的插图以 1% 和 10% 分位数为中心，其他子图以均值为中心。所有统计检验均使用双侧 t 检验
然而，这种个体层面的“增强”伴随着团队规模的缩小。AI 研究团队平均成员数减少，尤其是初级研究人员数量显著下降。这表明，AI 在提升核心研究者效率的同时，可能替代部分初级岗位的功能。数据处理、模式识别等原本由年轻研究者承担的任务，逐渐被算法承担。

$ c1 e' y, Q7 S7 E
图2： AI 研究与研究团队规模的缩小有关，平均减少了 1.33 名科学家（P < 0.001，样本量 n = 33,528,469）。具体而言，初级科学家（junior scientists）的平均数量从非 AI 团队的 2.89 人减少至 AI 团队的 1.99 人（降幅 31.14%），而既定科学家（established scientists）的数量从 4.01 人减少至 3.58 人（降幅 10.77%）。
在“90% 失业”的讨论框架下，这一点尤为关键。问题或许不在于工作是否彻底消失，而在于岗位结构是否向更少数高技能核心成员集中。效率红利的分配可能更加集中，而非均匀扩散。
五、探索空间的收缩：集体层面的隐忧
' T# ^4 Z+ H' E% B' B
$ N4 t- C7 ]  g, s  W更值得关注的是集体层面的变化。Nature 研究引入“知识广度”指标，发现 AI 驱动研究在向量空间中的覆盖范围显著收缩，知识熵降低，研究焦点更加集中于数据丰富的热门领域。引用结构也呈现更明显的“星状分布”，少数顶尖论文吸引大量后续研究，而不同团队之间的横向互动反而减少。


图3：AI 的采用与科学领域内外知识程度的收缩有关。a，研究团队使用预训练的文本嵌入模型将研究论文嵌入 768 维向量空间;然后测量该空间内论文的知识程度。b，为了可视化，研究团队使用 t 分布随机邻域嵌入 (t-SNE) 算法将随机批次 10,000 篇论文 (其中一半是 AI 论文) 的高维嵌入平铺到二维图中。如实心箭头和圆形边界所示，在整个自然科学领域，AI 论文的知识程度 (在未平铺的空间中计算) 较小。此外，AI 论文在知识空间中更加集中，表明对特定问题的关注更加集中。c，每个领域中 AI 和非 AI 论文的知识程度 (P<0.001，每个领域中 n = 1,000 个样本)，其中 AI 研究侧重于更加收缩的知识空间。d，每个领域人工智能和非人工智能论文的知识熵 (P<0.001，每个领域 n = 1,000 个样本)，其中人工智能研究的熵较低。对于面板 c 和 d，方框图以中位数为中心，以第一和第三四分位数 (Q1 和 Q3) 为界。所有统计检验都使用中位数检验。
这一现象与 Science 研究形成一种张力。前者表明 LLM 可能拓宽阅读与引用范围，使研究者接触更多样的文献；后者却发现，在实际研究产出层面，AI 倾向于将资源集中于已有数据优势的领域。换言之，我们可能“读得更广”，却“做得更窄”。
从创新生态的角度看，如果所有研究者都被激励去追逐“数据富矿”，那些数据稀缺但潜在重要的基础问题可能被长期边缘化。效率的提升未必等同于探索的扩张。
六、科研岗位冲击的隐性机制
  A/ @: T1 d7 s7 K2 _% }
综合两项研究可以看出，AI 对科研岗位的冲击具有以下特征：
' p" I5 c9 f' n% L

7 a/ e% Q5 c; \: @: T
• 可替代性强的程序性岗位最易受影响：文献整理、初稿撰写、数据预处理等高频、重复性任务可能被 AI 工具取代。
  7 S/ S0 W8 R5 a1 ]7 A, w
• 语言与写作依赖岗位的价值下降：LLM 可生成复杂学术语言，降低了对人工语言能力的依赖。
  8 ~1 W/ t8 W( ]0 N( D- {3 h
• 初级科研岗位的风险高于高级科研岗位：初级科研人员的工作易被自动化替代，同时晋升压力和职业路径的不确定性增加。
  
• 科研团队结构与协作模式调整：AI 推动小型、高效团队成为趋势，岗位需求向跨学科整合和高级决策倾斜。
  * ?- E3 z- h& ^