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]

研究背景与核心发现 - 清华大学李勇团队的研究通过分析全球2.5亿篇科学文献，揭示了AI for Science领域的一个核心矛盾：AI在助力科学家个体加速的同时，导致了科学界集体注意力的窄化和趋同优化，即“群体登山”现象[3] - 研究核心观点是，虽然AI帮助科学家发表了更多论文、更早成为项目负责人，但却使研究者集体涌入少量适合AI研究的“热门山峰”，从而削弱了科学探索的广度[4] - 这一矛盾被证实并非偶然，而是由当前科学智能AI模型缺乏通用性所导致的系统性影响[5] 研究动机与方法论 - 研究团队旨在探究一个明显矛盾：在AI持续赋能科研的背景下，为何各学科的整体科学进展未见明显加速[7] - 团队发表了题为《Artificial Intelligence Tools Expand Scientists' Impact but Contract Science's Focus》的论文，旨在评估AI工具对科学家和科学整体的影响[9][10] - 研究首项关键工作是识别“AI赋能的研究”，为此采用了“高质量专家标注 + 大规模语言模型推理”相结合的技术路径，使用BERT模型进行识别，其F1-score达到0.875[10][12][13] - 团队构建了一个基准数据集，涵盖1980-2025年间的4130万篇论文和2857万研究者，横跨机器学习、深度学习和生成式AI三个时代[14] 分析方法与指标 - 研究采用基于隐藏变量的科学学分析方法，深入到论文的“思想”和“内容”本身，以更精细地度量“知识广度”[17] - 方法将每篇论文的标题和摘要通过深度嵌入表征模型转换为一个768维的数学向量，作为论文在高维空间中的“坐标”[17][18] - 主要通过“直径”和“熵值”两个指标来测量知识广度：“直径”衡量探索的最远边界，“熵值”衡量坐标点在空间中分布的均匀度[19][21][23] - 使用这些指标分别测量使用AI与不使用AI的科学家群体的论文，以判断AI对科学认知边界的影响[24][25] 研究发现：个体加速与集体窄化 - 在微观个体层面，使用AI的科学家比不使用的科学家多发表3.02倍论文，获得4.84倍引用量，并且提早1.37年成为研究项目负责人（以末位作者为标志）[26][27] - 在集体层面，与AI结合的科研项目的知识广度下降了4.63%，不同领域科学家间的跨界互动减少了22%[29] - AI论文的引用呈现“星型结构”，几乎都集中在引用同一篇或少数几篇经典的、开创性的AI工作，表明研究趋向集中和单一化，缺乏创新活力[29] 矛盾根源与解决方案 - 研究指出，矛盾根源在于当前AI for Science模型缺乏通用性，产生了强大的“科学智能引力”效应，引导研究者集体涌向少量适合AI快速出成果的“热门山峰”[31] - 这种“群体登山”模式固化了科学探索路径，系统性地削弱了向“未知山峰”探索的广度，形成了“广度让位于速度”的现象[32][33] - 为突破局限，研究团队推出了全流程、跨学科的科研智能体系统——OmniScientist，旨在通过挖掘大模型智能体的通用推理能力，实现系统性科研支持，让AI从“辅助工具”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”[36]

全球首个科研智能体系统发布 - 北京中关村学院与中关村人工智能研究院联合发布全球首个助力科研人才全流程培养的科研智能体系统OmniScientist [1][3] - 该系统旨在解决信息爆炸带来的选题迷茫、学科壁垒造成的创新瓶颈、学术与产业脱节的落地困境以及科研长周期过程中的延时反馈等问题 [1] - 系统构建了一套贯穿科研全流程的智能支撑体系 [1] OmniScientist系统核心功能 - 能够解析海量科学文献与产业前沿报告，帮助研究者以真实需求定位研究切入点 [3] - 可以捕捉跨学科科学网络的动态脉动，促进跨领域知识迁移与创新融合 [3] - 平台打造的"数字科研伙伴"可提供7×24小时的智能反馈与思想共振，助力研究者持续优化科研思路 [3] - 支持构建多学科虚拟学术社群，实现跨领域即时协作与灵感激荡 [3] 人工智能领域前沿进展 - DeepSeek-R1-Zero模型证明，在不依赖人类推理示例的情况下，强化学习可自发在语言模型中产生自省、验证和策略调整能力 [5] - OpenAI的o1系列通过基于强化学习的后训练，使模型在测试阶段采用搜索策略，能够为更困难的问题分配更多计算资源 [5] 化学领域前沿科技进展 - 固态电池在汽车原型中实现18分钟快充 [5] - 实现10000小时稳定间歇式碱性海水制氢 [5] 行业发展趋势与展望 - 未来的科研教育与人才培养将超越纯粹的"人力驱动"，迈入"人机协同、碳硅融合"的新阶段 [5] - 人类的"碳基智慧"与机器的"硅基智能"深度融合，有望超越生物局限，开启协同进化的新时代 [5] - 中国工程院院士张亚勤认为五年内人工智能一定会解决数学领域的一项世界十大难题 [3]