AI到底是在＂加速＂还是＂颠覆＂科研?

中国软科学2026：AI不是科研的”加速器”，而是”任务重组器”——它正在重新定义谁是”引领者”，谁是”跟随者”

🎬 一个反常识的现象

在材料科学领域，有一个技术分支叫G01N——“借助于测定材料的化学或物理性质来测试或分析材料”，说白了就是”材料测试与分析”。

在过去几十年里，G01N一直是碳纳米管研发中的“技术引领者”——它给其他技术指明方向，驱动整个领域的创新。

但到了2011年之后，随着AI技术的融入，G01N的净溢出效应从+23.89暴跌到-59.40，成了整个技术网络中最大的”技术跟随者”。

一个曾经的”老大”，怎么一夜之间变成了”小弟”？

这正是上海杉达学院吴过教授和中国科学院武汉文献情报中心周洪研究员在《中国软科学》2026年第2期发表的论文揭示的惊人现象——

“AI对研发创新的作用，不是简单的’加速’，而是深刻的’任务重组'”。

一、这项研究有多硬核？

数据来源Web of Science DII数据库碳纳米管专利数量32,731时间跨度1990—2023年，全球范围技术分支20个碳纳米管细分技术 + 1个AI技术分析方法TVP-VAR-DY溢出指数 + 脉冲响应 + 小波相干分析

研究者选择碳纳米管作为”实验室”，是因为它具备三个完美条件：

• 发展历程长
  
  1990年代至今，有足够的时间观察AI融入前后的变化
• 专利数据丰富
  
  32,731项专利，足以构建复杂的技术网络
• 技术分支明确
  
  从制备、复合材料到能源应用，涵盖20个关键技术领域

二、核心框架：”技术—任务—能力”（TTA）

研究者提出了一个简洁但有力的分析框架——任何研发创新过程都可以被分解为一系列相互关联的任务：

🔬 材料研发的经典7步

A. 文献分析 → B. 工艺设计 → C. 实验合成 → D. 微观表征 → E. 结果分析 → F. 评估优化 → G. 应用测试

AI的引入不是均匀地加速所有步骤，而是选择性地自动化执行其中一部分任务——尤其是那些数据密集、可被模式化和预测的认知任务。

“AI不是研发创新生态的’加速器’，而是一种’范式转变'”

三、三大核心发现

🔥 发现一：AI是”结构重塑者”，不是”加速器”

AI融入后，整个技术网络的总溢出指数（TCI）从91.71%上升到92.23%——技术间的知识流动更加频繁和紧密。

更重要的是，AI自身的净溢出效应高达17.25——它不仅是网络中的被动工具，更是主动的、赋能型的技术平台。

通俗地说：AI不是让原来的研发流程”跑得更快”，而是重新编排了研发的”舞蹈队形”。

🔄 发现二：技术角色大洗牌——G01N从”老大”变”小弟”

这是论文最精彩的部分——AI的融入导致技术网络中各技术的角色发生了根本性重构：

🔥 关键洞察：那些最容易被AI自动化的技术领域（如材料测试与分析），其角色会从”引领者”转变为”跟随者”。而那些能够利用AI整合优化复杂任务链的领域，则跃升为新的”引领者”。

📈 发现三：AI对碳纳米管技术的正向驱动效应

研究者用脉冲响应分析和小波相干分析两种方法，从不同角度验证了AI的正向驱动效应：

脉冲响应结果：AI技术对碳纳米管技术的冲击影响在短期（4个月）、中期（8个月）和长期（12个月）均为正向——说明AI的驱动效应是持续且稳定的。

小波相干结果：2015年之后，AI与碳纳米管技术的相干程度较高，在0-8个月尺度尤为明显，两者之间存在正向的协同关系。

四、TTA框架揭示的”角色转换”规律

研究者基于TTA框架，对20个技术分支的角色转换进行了系统梳理：

“AI融入后，技术重要性程度发生了深刻变化——某些技术因与AI的高兼容性而变得更加重要，其他技术则可能相对边缘化”

五、AI正在重塑全球新材料研发——三个典型案例

🤖 案例一：A-Lab——”AI+机器人”闭环研发（2024）

以A-Lab为代表的”AI+机器人”闭环研发模式在全球开始普及，实现了从候选材料筛选、自动化合成到原位表征的全流程自主化。

G01N（传统材料测试分析）在其中的角色，从”探索源头”变成了”嵌入式反馈组件”——接收AI模型指令并实时反馈数据。

🧪 案例二：MatterGen——微软生成式AI模型（2025）

微软研究院发布的MatterGen能够实现“根据目标属性逆推结构”——以前需要大量物理测试来探索材料属性，现在AI可以直接”生成”目标材料。

大规模盲目物理测试需求大幅下降，测试环节从”探索源头”降级为”合规验证”。

🔋 案例三：AI赋能电池研发的”全链条革命”

H01M（电能转化装置）从”跟随者”跃升为”引领者”——AI在三个关键环节发挥了作用：

• 用生成式AI优化器件设计
• 用AI代理模型预测电池性能
• 用AI视觉检测纤维缺陷

复杂任务链的每个环节都被AI系统性赋能，创新效率”不成比例地放大”。

六、对”人智融合”研发生态的治理建议

论文最后提出了两个重要的治理原则：

📍 原则一：”分层治理”

• 基础层：确保数据质量和安全性，保护隐私和合规性

• 中间层：关注算法稳定性和安全性

• 应用层：围绕”场景驱动”的研发任务定制治理策略

• 结果层：全面评估新材料的社会、经济和环境影响

📍 原则二：”分段治理”

• 构建阶段：数据、隐私与安全是重点（使用公开文献数据可能存在幸存者偏差）

• 使用阶段：伦理规范与法律约束（知识产权保护、AI生成的新知识归属问题）

七、对相关领域学者的启示

🔬 技术创新管理学者

• “加速器” vs “重组器”：AI不是均匀地加速所有研发环节，而是选择性地自动化任务——需要区分AI的”加速效应”和”重组效应”

• 技术溢出动态性：技术网络中各节点的角色不是固定的，而是随外部技术（如AI）的融入而动态演变

📊 专利计量与科技政策学者

• TVP-VAR-DY方法的价值：该方法能有效捕捉技术间的动态溢出关系和角色转换，比静态共现网络分析更强大

• 专利数量的局限性：专利数量不能代表技术在系统中的核心地位（如C01B专利最多但净溢出为负）

🧪 AI for Science（AI4S）研究者

• TTA框架的推广价值：”技术—任务—能力”框架可用于分析AI如何影响其他科研领域（如生物医学、气候科学）

• “分层治理”和”分段治理”：为AI4S的治理提供了结构化框架

🏢 科技政策制定者

• 构建”元基础设施”：资助开放、共享、标准化的科学数据与模型基础设施，而非仅资助具体项目

• “有组织的创新”：在”卡脖子”技术领域，围绕国家重大战略需求组织创新

八、结语：AI不是”替代”科研，而是”重组”科研

这篇论文的真正价值，不在于它证明了”AI对科研有正向影响”——而在于它揭示了AI如何深刻地重塑研发创新生态的内部结构。

“AI的融入并非均匀地提升所有研发环节的效率，而是可能系统性地改变研发任务的构成，以及对人类能力的需求”

对于那些担心”AI会替代科研人员”的人来说，这篇论文提供了一个更 nuanced 的视角：

🎯 AI替代的不是”科研人员”，而是那些”数据密集、可被模式化和预测的认知任务”。同时，AI创造了新的任务，并极大地提升了对人类互补性能力的需求。

AI不是让原来的研发流程跑得更快，而是重新编排了整个”舞蹈队形”。

📚 论文信息

吴过，周洪．人工智能驱动研发创新的动态效应研究：基于全球碳纳米管专利数据[J]．中国软科学，2026(2):50-61．

DOI: 10.3724/1005-0566.20260205

本文仅为学术解读，不构成任何政策或法律建议