对 AI 的痴迷，或许正在掏空其赖以生存的研究领域

十年来，我一直专门撰写人工智能相关报道。2022 年，全世界专门报道 AI 的记者还屈指可数；如今，这一数字已达数千甚至更多，实力雄厚的媒体机构也会聘用多名员工，专职报道人工智能。

作为一个物种，我们如今把注意力、精力、恐惧与希望都集中在一种百年一遇的文化与技术现象上。在实用的大型语言模型和有效的扩散式图像与视频生成技术出现之前，这一现象一直被冷落在“奇闻趣事”一隅；当时，深度伪造只是政治攻防中的一个话题，世界经济显然也并未受到威胁。

“例行公事”般的 AI 风暴

显然，如今一切都已改变。所有事物都受到威胁，一切都在被颠覆；可以说，2026 年是最难为下一年预测找到可靠依据的一年*。

新的闭源模型和开放权重模型每周都会发布，有时一周数次。如今发布频率之高，令一些模型甚至得不到爱好者或业余社群的评测；这些群体在这方面愈发抱持怀疑态度，面对源源不断的新模型，吸引他们注意力的门槛也在不断升高。

作为一名密切关注研究与模型发布动态的专业人士，我必须指出，尽管 AI 研发各个领域的进步有时会带来重大影响，但这些进步通常（也一直以来都是）循序渐进，而非像Transformer 架构那样成为革命性或演进过程中的里程碑。如今，令人震惊的事情大多与 AI 对经济的影响有关，而非它的最新能力。

此外，正如我此前所指出的，自 2022 年以来 AI 研究激增，研究思路的质量却未必与数量相称；其中许多只是对既有成果的“弗兰肯斯坦式”翻新、重组或重新拼接——这些拼凑而成的架构旨在让人看似取得相较于以往工作的重大进步，但仔细审视便会发现，它们受制于脆弱的方法论，或高得离谱的显存成本。

逐渐冷清的研究领域

数千名记者转而报道 AI 后，他们此前报道的主题势必因此少了直接关注。从某种角度看，这影响似乎并不大，因为 AI 及其应用如今在文化和基础设施中无处不在——例如，能源领域的记者现在报道 AI 相关问题的次数可能超过其他任何议题；经济、就业、政治和政策等领域的记者也同样如此。

人们似乎可以从 AI 的视角审视所有这些主题。这或许能部分解释为何 AI 专题报道大幅增加，尽管这个领域正日渐萎缩（不过，近来略有回升）。

因此，人们不禁要问，如今是否有其他主题因“AI痴迷”而得不到充分报道——这些主题所涉及的故事、趋势和分支，最终可能会影响AI本身这个“黄金主题”？

但又能怎么办呢？资源有限，而迄今为止，AI 仍是本世纪最重要的议题。

AI 领域的大迁徙

一篇新论文让我对这个问题深有感触。论文指出，AI 本身或许正遭遇这样的局面：除了收缩与重新投喂可能降低未来模型的质量这一风险之外，孕育创意、促使不同学科相互借鉴的广阔科学生态系统也正过度聚焦于 AI 研究，以至于“意外发现”——那些看似无关的想法之间意外产生联系、进而改变整个领域的时刻——可能会越来越少。

这篇新研究题为更强大的人工智能突破会加速自身枯竭。简言之，研究指出，对 AI 的痴迷正在侵蚀新进展得以出现的环境，其中也包括直接影响 AI 的进展；而且（用极为概括的话转述作者的观点）这一新的关注焦点存在某种“近亲繁殖式的趋势”，似乎不太可能带来好的结果。

论文指出^†：

“占主导地位的范式不仅会排除竞争者，也会抹去多样性；而这种多样性原本是其继任范式得以重新组合形成的基础。”

“2017 年之后注意力日益收窄，超过一半转行作者涌入 AI 领域，新思想活力下降，活跃思想群体在接连数轮周期中的衰退速度不断加快——这些现象共同描绘出这样一个体系：它所孕育的主导范式越成功，其创造力就越受到侵蚀。”

此前的研究指出，AI可能正在将研究变成单一文化；而这项新研究的作者还认为，AI日益增强的主导地位可能正在使其缺乏继续发展的新想法。他们将AI研究与生物科学作比较：在生物科学领域，冷冻电镜和AlphaFold等突破也曾引发类似的创新周期——随后又走向衰退。

为给他们的理论提供实证依据，作者分析了 1990 年至 2025 年间发表的 718 万篇OpenAlex计算机科学论文，追踪研究主题和引用的变化、370 万名研究人员在不同领域之间的流动，以及 73,089 份同行评审，以考察人工智能日益增强的主导地位如何影响科学多样性。

数据揭示的一个最有趣发现，与研究人员近期转向人工智能、离开原有研究领域的现象有关：

“转入者是处于职业生涯中期、已有一定建树的研究人员。他们离开了让自己获得声望的研究工作，转而追随该领域的引力，即使这意味着要承受转向领域带来的代价。”

研究发现，在计算机科学各领域之间记录在案的 918,862 次转向中，超过一半是转入人工智能领域；其他领域，尤其是系统研究和理论研究，则持续流失研究人员。

根据这篇新论文，1990 年至 2025 年间，计算机科学论文中专注于人工智能、系统和理论的比例变化。每个方格代表一年，蓝色表示占比更高，红色表示占比更低。2017 年后，人工智能的占比大幅上升，而其他领域则有所下降。 来源

最有可能转向人工智能领域的是职业生涯稳固、经验丰富的学者。与此同时，人工智能论文占计算机科学论文总量的比例，从 2017 年的 40% 上升到 2025 年的 55% 以上。

据 Arxiv 博客，2024—26 年这 2 年间计算机科学领域投稿量的增长。 来源

三大信号

论文指出，自 2017 年以来，计算机科学领域出现了作者所说的三种“相互印证的特征”。

第一个特征是，2017 年 Transformer 架构问世后，研究关注点急剧收窄。作者从 718 万篇计算机科学论文中提取最具代表性的 10 个关键词，以追踪研究在多大程度上集中于相同主题：

图表显示，自 2017 年以来，计算机科学研究日益集中。左图：研究人员关注的主题范围越来越窄。右图：越来越多的引用流向更少的一批论文。随着 Transformer 问世，这两种趋势都加快了。

几十年来，这种集中趋势一直相对稳定，即使在互联网、智能手机和深度学习兴起期间也是如此。但在 2017 年至 2025 年间，研究关注度的基尼系数^††（见上图）从 0.26 升至 0.33，增幅为 27%。引用也变得更加集中，其基尼系数从 0.60 升至 0.69 的峰值。

这些研究人员来自 Tsinghua University、the University of Chicago 和 the Santa Fe Institute，他们指出：

“Transformer 对该领域造成的冲击规模，是其前身未曾达到的。这种模式并非偶然现象：在[keyword count]的变化下，它依然成立。”

他们接着说道：

“2017 年至 2025 年间，人工智能论文占计算机科学出版物的比例从 40% 上升到 55% 以上；系统研究则从漫长的黄金时代逐渐退潮，理论研究的萎缩更为严重。”

因此，研究结果表明，尽管计算机科学领域不断扩张，研究人员却日益追逐相同的理念，引用的研究成果范围也越来越窄。

第二个“特征”涉及越来越多的研究人员放弃自己的专业领域，转而从事人工智能研究：作者追踪了 370 万名研究人员，发现计算机科学各领域之间近 919,000 次转向。其中，53.81% 是转入人工智能领域；这一研究领域每年都吸引到新的研究人员，而系统研究和理论研究则持续流失人才：

研究人员转向人工智能。左图显示，人工智能吸引了越来越多来自计算机科学其他领域的研究人员，而系统和理论领域则逐渐失势。右侧两幅图显示了最可能转向人工智能的人群：他们的学术发表生涯已持续约32年，发表成果超过约82%的同行。研究人员开始在不同领域发表大部分论文时，即被视为转变了研究领域。

转向人工智能的人往往是已站稳脚跟、处于职业生涯中期的学者，而非新人或资深学者。转向人工智能的可能性在学术年龄达到31.8年时最高；按发表成果排名，这些研究人员位于第82百分位。

作者指出的三种趋势中，第三种是同行评审承受的压力日益增大——同行评审是指在科学论文发表前，由其他研究人员评估其质量和可靠性的过程。

作者分析了2017年至2025年间提交给45场会议及其他学术平台的26,731篇论文所对应的73,089份评审意见，发现评审人员对自己判断论文能力的信心有所下降：按五分制计算，评分从3.9降至2.9：

2017年至2025年间科学同行评审变化图。左图显示，评审人员评估投稿论文的信心逐渐下降，评分从满分五分中的3.9降至2.9。右图追踪了带有敌意的评审意见：2021年，NeurIPS会议转向更透明的OpenReview平台后，此类意见一度减少，随后又有所上升。两条线均显示三年滚动平均值。

作者认为，这种下降可能反映了人工智能的迅速扩张，因为这让论文更难匹配到具备相应资质的评审人员：

“人工智能的强大吸引力让评审人员群体涌入了大量新人。评审人员收到的论文中，越来越多涉及人工智能方法，而这些方法超出了他们的核心专长。要将投稿匹配给真正具备专业知识的评审人员，在结构上已变得十分困难。

“在这种情况下，论文能否被接收，越来越像是在抛硬币。”

淘金热之后（以及一轮又一轮淘金热之后）

论文还指出，人工智能最重大的突破最终可能加速自身的枯竭：每一次重大进展之后，都会涌现一批新想法，但这阵创新热潮随后便沉寂下来，研究也越来越集中于这些突破本身，陷入迟滞的重复。^†：

“现代人工智能的连续发展周期更早达到饱和，枯竭也更加剧烈。周期正在缩短。

“纵观计算机科学发展的36年，涵盖AlexNet、Transformer和大型语言模型这三项重大技术进展，我们反复观察到同样的循环[pattern]。

“值得注意的是，这种模式并非计算机科学独有。在生物学领域，我们也观察到重大非计算类进展（如冷冻电镜）和计算类进展（如AlphaFold）之后，出现同样的枯竭周期。” 

这种“枯竭”确实发生在自编码器、生成对抗网络（GAN）以及自编码器方法（如深度伪造）上。这些方向的潜力明明早已耗尽，研究人员却仍无情地反复挖掘多年，直到新的框架和方法终于出现，才让它们不再承受如此大的压力。

无论如何，为了追踪这些周期，作者检索了科学论文摘要中的特征名词和短语，并追踪它们的出现、消失以及偶尔回归，以此作为研究想法变化的指标。

AlexNet于2012年问世，Transformer则于2017年问世，两者都引发了新想法的浪潮，但最终浪潮都逐渐退去。每次突破之后，人工智能的领先优势都进一步扩大，而计算机科学的其他领域则逐渐落后，最终产生新想法的速度甚至低于2012年之前：

对比人工智能（蓝色）、非人工智能领域的计算机科学（红色）以及二者合计（紫色虚线）中新研究构想所占的比例。2012年 AlexNet 和2017年 Transformer 问世后，新构想数量激增，随后开始减少。第二次突破后，人工智能的领先优势进一步扩大。曲线显示的是三年滚动平均值。

这种模式也延伸到了逐渐被弃用的想法：新的突破会席卷而来，取代较早的方法，有时甚至是在这些方法问世多年之后。然而，突破本身也陷入同样的循环：每一次突破都会引发研究关注度激增，最终又逐渐消退，使该领域只能等待另一项发现来重振势头（正如高斯泼溅的情况，时隔31年才出现）：

对比2012年至2025年间，引用 AlexNet 和 Transformer 原始论文的次数。两篇论文获得的引用份额都曾不断上升，随后急剧下降，说明人们对重大突破的关注最终会逐渐消退。曲线显示的是三年滚动平均值。

作者认为，人工智能的成功使研究人员和研究构想集中到少数几种主流方法上，而那些原本可能助力下一代方法诞生的周边领域却持续失去影响力。虽然作者并未断言这种情况必然会阻止未来的突破，但他们确实提出一种可能性：人工智能正在逐渐消耗其下一次飞跃或许赖以实现的多样性。

研究人员还追踪了仍在实际应用中的构想数量；随着人工智能接连经历几轮发展浪潮，这一数量逐渐比预期低得更多。Transformer 问世后的缺口大于 AlexNet 问世后的缺口：

图表显示，在人工智能接连取得突破的过程中，仍在实际应用中的研究构想数量如何变化。实线表示模型预测的增长，虚线部分表示实际数量低于预测水平。Transformer 问世后的缺口大于 AlexNet 问世后的缺口，而在大型语言模型时代，构想数量也已开始提前下滑。

总之，作者认为，研究资源和人才日益集中于范围越来越窄的人工智能相关挑战，可能会削弱周边领域的发展；这些领域过去本可以自然而然地为人工智能行业及其他众多行业输送构想。

在提及 John Hassler 对2025年诺贝尔经济学奖授奖结果的评论时，作者总结道：

“诺贝尔奖委员会警告说，要避免停滞，就必须维护创造性破坏的机制。我们的研究结果揭示了其中一种机制——思想多样性，并表明当前的制度正在侵蚀这种多样性。

“分配关注度的制度都会影响下一种范式能否有机会出现，其中包括评审制度、投稿费用和规则、奖励机制、招聘、晋升以及退休惯例12。

“要妥善设计这些制度，就必须克制住一味加码当前胜出范式的冲动，不要让探索承担集中化的代价，而应将评判权从成果丰硕者转向提出新颖构想者。

“只要创造性破坏还能留下可供重新组合的事物，它就能推动增长。奇点没有继承者。”

* 这事应该有个说法：‘抗预测’？嗯，这不算一个独立的词，而是一个术语；而且听起来说的是2026年，而不是站在2026年看2027年的情形。‘不可未来化’？拼写检查给它标了红线，那就用这个说法吧。

^† 我把作者文中的行内引文转换成了超链接。

^†† 基尼系数用于表示某种事物分布的不均衡程度，取值范围为0（完全平等）至1（高度集中）。在这里，得分越高，意味着研究人员关注的主题越少。

首次发布于2026年10月21日，星期三