生成式 AI 正在改变科学思想的序列

在现代科学的大部分时间里，研究理念的初始阶段基本上是不可见的。

一位研究人员注意到一个异常，连接两个概念，质疑一个既定的假设，或者确定文献中的一个空白。这一理念在与主管、同事、审稿人和资金机构进行讨论之前被私下改进。

生成式 AI 正在将自己插入到这一序列中。

研究人员现在可以在与其他人讨论之前，将不完整的想法呈现给一个大型语言模型。他们可以要求系统生成假设，挑战假设，确定相邻领域，或者将直觉转化为更连贯的提议。

这可能看起来像是另一种生产力改进。它比这更有意义。

生成式 AI 正在创建一个新的中间层，位于私人思想和人类科学判断之间。这个层可能会改变思想的形成方式，谁会获得早期的智力支持，研究人员如何接受培训，以及专业知识在哪里创造价值。

2026 年的一项研究 ¹ 发表在《研究政策》杂志上，提供了证据，表明这种转变已经不均匀地分布。经验较少的研究人员更有可能将 AI 生成的建议纳入他们的工作，并将产生的想法视为新颖或有影响力的。经验较丰富的研究人员更有可能认为这些建议是显而易见的、不够先进的，或者只是另一种工具。

这些发现表明科学工作发生了更广泛的转变。随着 AI 使思想生成变得丰富，稀缺的能力可能不再是产生可能性。它可能是知道哪些可能性值得生存。

AI 正在改变科学思考的序列

马蒂亚斯·特罗宾格、阿尼尔·R·多希和森·柴的研究考察了研究人员如何对 AI 提出的新研究方向做出反应，这些方向是基于他们之前的工作。

在涉及 310 名研究人员的随机实验中，参与者要么没有收到任何可见的 AI 建议，要么收到一个 AI 生成的建议，要么收到三个 AI 生成的建议。随后对 28 名研究人员进行的后续研究探讨了他们在早期创意阶段如何与 AI 进行交互。

结果表明，AI 影响了研究人员产生的想法的内容。然而，经验强烈地调节了这种影响。

经验较少的研究人员更有可能将 AI 建议纳入他们的工作，解释它们为新颖的，并将产生的想法视为有影响力的。经验较丰富的研究人员受到的影响较小，往往认为建议的方向已经被考虑过，或者不够雄心勃勃，或者缺乏识别真正有价值的研究问题所需的背景。

最重要的含义并不是一组人相信 AI，另一组人不相信 AI。

它是生成式 AI 似乎正在移动 科学反馈的时间点，提前到过程的早期。

以前，研究人员经常需要决定一个想法是否连贯 enough 以便向其他人提出。AI 大大降低了这一门槛。它允许研究人员在思想仍然不完整、矛盾或表达不清晰时就将其外化。

这就形成了一个根本不同的工作流程。

真正的颠覆是预监督 AI

早期职业研究人员经常面临一个结构性劣势，这与他们的智力或努力无关。他们拥有较小的专业网络，缺乏自信心来接近已建立的专家，并且积累的经验较少，难以将模糊的问题转化为有力的项目。

生成式 AI 部分地弥补了这一劣势。

它提供了按需的初步讨论，没有时间限制、社会压力或声誉风险。

这就形成了可以被描述为预监督层的东西。

AI 并没有取代主管。相反，它改变了主管接收到的东西。

这种区别对研究组织有着重大的影响。如果研究人员提交的提案更加连贯和完善，高级科学家可能会花费更少的时间帮助制定基本问题，更多地关注战略重要性、方法论严谨性和资源分配的评估。

理论上，这可能会提高指导的效率。经验丰富的研究人员可以将他们有限的注意力集中在更高价值的判断上，而不是初步结构。

然而，它也可能掩盖弱点。

一个经过 AI 辅助的提案可能会制造出智力成熟的外表，而实际上缺乏正常通过构建过程发展起来的推理技能。主管可能会接收到更好的提案，但对研究人员理解它们的程度的可见性会降低。

结果可能是科学工作中出现新的差距：提案质量与研究人员能力之间的差距。

专业知识可能从产生转向拒绝

生成式 AI 大大降低了产生选项的成本。

这种丰富改变了专业知识的功能。

当可能的方向很昂贵时，产生一个强大的想法本身就是一种定义能力。当可能性几乎可以无限地产生时，更有价值的能力变成了拒绝。

研究中经验丰富的研究人员经常驳回 AI 建议，不是因为它们不连贯，而是因为它们不够重要。这些想法有时是之前工作的逻辑扩展，但仍然未能跨越值得追求的门槛。

这反映了一种专业知识，当前的 AI 系统难以复制。

高级研究人员通常知道：

• 哪些问题已经被非正式探索但从未发表。
• 哪些理论上有吸引力的项目在操作上是不可能的。
• 哪些方法将在现实世界的约束下失败。
• 哪些发现将在技术上是有效的，但在科学上是不重要的。
• 哪些研究领域看起来是开放的，只是因为相关工作正在进行但尚未公开。
• 哪些问题不太可能在同行评审或获得资金支持中幸存。

这些知识大多是隐性的。它们存在于专业网络、失败的实验、会议讨论、废弃的资助提案、审稿人的评论和多年的接触中。

即使是一个具有广泛访问已发表研究的 LLM，也可能生成一个合理的方向，但缺乏解释为什么它从未被追求的隐性和未发表的知识。

这表明高级研究人员的未来角色可能会变得越来越像投资组合经理。他们的价值不仅在于产生想法，还在于分配注意力和资源在不断扩大的 AI 生成的可能性中。

AI 可能会使获取机会变得平坦，同时扩大判断差距

生成式 AI 通常被描述为一种民主化技术，因为它为更多人提供了以前与专家相关的能力。

在科学领域，这部分是正确的。

没有精英网络或高可用性主管的研究人员现在可以访问即时的头脑风暴、解释、综合和批评。这可能有助于小型机构、资金不足的地区或主导学术网络以外的研究人员制定更强大的项目。

然而，AI 的平等获取并不产生平等的结果，制造了一个潜在的悖论：AI 可能会缩小想法生产的差距，同时扩大评估技能的重要性。

最容易受到 AI 建议影响的研究人员可能也是最不具备识别其局限性的能力的人。与此同时，那些最有能力评估建议的人可能会认为使用它们的价值较小。

结果可能是科学工作中的一种新型不平等：不是获取想法的不平等，而是过滤它们的能力不平等。

科学单文化问题

还有一个超出个人研究人员的风险。

大型语言模型通过从现有文献中学习模式来生成输出。如果大量研究人员使用类似的模型来生成研究问题，他们可能会收到重叠的建议——这会产生一种科学收敛，扩大想法的数量，同时减少知识多样性。

单独地，每个建议可能看起来是新颖的。

集体地，系统可能会集中注意力在相同的方法、变量和理论框架上。

研究没有直接证明这种系统级结果。然而，其发现使这种可能性更加可信。经验较少的研究人员更有可能将 AI 建议纳入他们的工作，早期职业研究人员代表了未来的科学生产的重要份额。

如果 AI 成为他们职业生涯早期形成阶段的中间层，模型可能会影响不仅个别项目，还有值得研究的界限。

研究 AI 应该被设计为对手

大多数生成式 AI 产品都是为了有用而优化的。它们回答问题，扩展想法，并产生精致的输出。

科学创意可能需要不同的设计理念。

最有价值的研究助手可能不是生成最有说服力的提案的系统。它可能是最有效地试图摧毁它的系统。

研究专注的 AI 应该以多种模式运行：

假设生成器

该系统应该提出竞争性解释，而不是单一的首选方向。它应该改变假设、理论框架和方法论方法。

对抗性审查者

它应该找出为什么一个提案可能是琐碎的、不可行的、已经探索过的、统计上不够强大的、伦理上有问题的，或者不太可能产生有意义的证据。

新颖性审计员

它应该检索当前的论文、预印本、专利、临床试验、资助数据库和会议论文，以确定该想法是否真正被探索过。

约束模拟器

它应该将提案测试到实际限制中，例如样本访问、设备要求、成本、时间表、监管审批和数据可用性。

来源跟踪器

它应该记录哪些元素起源于研究人员、检索的文献、外部合作伙伴或模型生成的建议。

分歧引擎

它应该故意在主导文献之外寻找，并呈现来自遥远学科的类比，而不是不断强化最有统计意义的路径。

这将使 AI 从自动化想法工厂重新定位为知识压力测试系统。

大学可能需要重新思考如何培训研究人员

AI 辅助创意的出现创造了一个培训问题。

科学教育传统上假设研究人员通过反复接触不确定性来发展判断力。他们通过产生弱想法、误解文献、接收批评、修订假设和发现为什么看似有前途的方向失败来学习。

AI 可以去除一些这种摩擦。

去除不必要的摩擦是有益的。去除发展摩擦可能不是有益的。

如果初级研究人员依赖 AI 来结构每个早期想法，他们可能会产生更强的短期输出，同时积累更少的独立问题制定经验。

因此，大学不应将 AI 政策框定为二元选择：许可或禁止。更重要的问题是如何将 AI 的使用融入专业知识的发展中。

可能的要求包括：

• 研究人员必须在采用之前批评 AI 生成的提案。
• AI 辅助的想法必须与独立生成的替代方案进行比较。
• 学生必须记录为什么特定的 AI 建议被拒绝。
• 主管应该评估推理过程，而不仅仅是最终提案。
• 研究方法课程应该包括使用合理但有缺陷的 AI 输出的校准练习。

目标将不再是保留人工的 AI 免疫模型。它将是确保 AI 加速研究人员的发展，而不是取代它。

结论

生成式 AI 不仅仅是帮助科学家产生更多的想法。它正在改变思想何时变得社会化、谁会获得早期的智力支持以及专业知识在哪里创造价值。

对于早期职业的研究人员，AI 可以作为始终可用的初步合作伙伴。它可以降低提出不完整想法的社会成本，并帮助将直觉转化为准备好供人类讨论的提案。

对于经验丰富的研究人员，价值可能在其他地方。他们的优势越来越多地依赖于识别哪些合理的想法是不重要的、哪些优雅的项目是不可行的，以及哪些看似空白实际上并非空白。

这指向科学领域中新的劳动分工。

AI 将使研究可能性变得丰富。人类专业知识将决定哪些可能性值得花费时间、资金和关注。

受益最多的组织将不是那些部署 AI 生成最多想法的组织。它们将是那些建立最强大的批评、选择、来源和知识多样性系统的组织。

AI 辅助科学的未来将取决于人类是否保留拒绝错误想法的能力。

参考文献：

^{1. 马蒂亚斯·特罗宾格、阿尼尔·R·多希和森·柴，经验如何调节 AI 建议对研究人员的想法的影响，研究政策 55 (2026) 105575，https://doi.org/10.1016/j.respol.2026.105575}