研究核心发现 - 人工智能工具在加速科学家个体职业发展的同时，导致了科学界集体研究注意力的窄化和趋同化，形成“个体加速”与“群体窄化”的矛盾 [2] - 这一矛盾是由当前科学智能AI模型缺乏通用性所导致的系统性影响，AI的高效率引导研究者集体涌向少量适合现有AI方法的“热门山峰”研究方向 [2][17] 研究方法与数据 - 研究团队构建了首个系统性分析AI对科研影响的基准数据集，涵盖1980至2025年间的4130万篇论文和2857万名研究者，横跨机器学习、深度学习、生成式AI三个时代 [6] - 采用“高质量专家标注 + 大规模语言模型推理”的技术路径识别AI赋能的研究，所用BERT模型的识别准确率（F1-score）达到0.875（满分为1） [5][6] - 通过深度嵌入表征模型将论文标题和摘要转换为768维的数学向量，构建“科学语义地图”，并采用“直径”和熵值指标来量化研究的知识广度 [9][11] AI对科学家个体的影响 - 使用AI进行研究的科学家比不使用的科学家多发表3.02倍论文，并获得4.84倍的引用量 [5][14] - 使用AI的科学家平均提早1.37年成为研究项目负责人（以末位作者为标志） [5][14] AI对科学集体的影响 - 与AI结合的科研项目的知识广度下降了4.63% [15] - 不同领域科学家间的跨界互动减少了22% [15] - AI论文的引用呈现“星型结构”，高度集中于引用少数几篇经典的、开创性的AI工作，表明研究趋向集中和单一化 [15] 研究结论与展望 - 研究揭示了现有AI for Science模式虽提升局部效率，但难以驱动全链条、多领域科研创新的局限 [20] - 为突破局限，研究团队推出了名为OmniScientist的全流程、跨学科科研智能体系统，旨在让AI进化为具备主动提出假说、自主设计实验等能力的“AI科学家” [20]