ARTICLE · 1036770
AI让科研变得更容易后,谁受益更多?
注：图片由 Doubao 生成
速读版：
AlphaFold的出现降低了结构生物学研究的部分资源门槛，使非精英机构科研人员的论文产出增长更加明显。但这种增长主要集中在中低水平期刊，并未明显转化为顶级期刊发表优势。研究表明，AI可能扩大科研参与机会，却未必消除既有的科研层级差距。
（以下全文约3600字）
过去，做结构生物学研究是一件相当“烧钱”的事情。
如果想知道一个蛋白质的三维结构，科研人员往往需要依赖昂贵的实验设备、复杂的实验流程，以及长期积累的专业经验。拥有大型实验平台、充足科研经费和优秀科研团队的大学，自然更容易开展这样的研究。
但后来，AlphaFold出现了。
这个由DeepMind开发的人工智能系统，可以根据蛋白质的氨基酸序列预测其三维结构，而且速度和准确性都远远超过传统方法中的许多环节。2024年，AlphaFold的两位主要开发者获得诺贝尔化学奖，也进一步凸显了这项技术对结构生物学的影响。论文数据显示，AlphaFold出现以后，与其相关的论文以及引用AlphaFold研究的论文都迅速增加。
于是，一个很有意思的问题出现了：AI让科研变得更容易之后，究竟是谁从中获益更多？是本来就拥有大量资源的顶尖大学，还是那些资源相对有限的普通高校？
2026年潘天行等人发表于《Journal of Informetrics》的一项研究[1]，正是从这个问题出发，考察了AlphaFold出现之后，结构生物学家的科研产出发生了什么变化。研究最终发现：在这一特定科研领域中，AlphaFold带来的论文产出增长，在非精英机构的科研人员中更加明显。但与此同时，这种增长主要集中在较低层级的期刊，并没有明显转化为顶级期刊上的发表优势。
不过，这项研究真正值得关注的地方，并不仅仅是“AI让普通大学发表了更多论文”。而是：作者是如何判断这种变化与AlphaFold有关的？
乍看之下，这似乎是一个很容易研究的问题。
我们只需要找一批结构生物学家，再找一批其他生物学家，然后比较AlphaFold出现前后两组人的论文数量。如果结构生物学家的论文增长更多，是不是就可以说：“AlphaFold提高了科研生产力？”
其实没有这么简单。
因为结构生物学家和其他生物学家，本来就不是完全一样的人。结构生物学家的研究方向不同，发表习惯不同，合作规模也可能不同。他们在AlphaFold出现之前，可能就已经拥有不同的科研产出趋势。如果直接比较两组人，最后观察到的差异究竟来自AI，还是来自他们原本就存在的差异，很难说清楚。
这其实是很多科研研究都会遇到的问题：
我们看到一个现象，并不意味着我们知道它为什么发生。
比如，一个大学引进了新的科研平台之后，论文数量增加了。到底是科研平台带来了论文增长，还是学校本来就在快速发展？一个研究人员开始使用AI之后，发表论文更多了。到底是AI提高了效率，还是本来科研能力更强、更愿意尝试新技术的人更容易使用AI？
这些问题，都涉及一个核心概念：反事实。如果没有AlphaFold，这些科研人员本来会发表多少论文？这个数字我们永远无法直接观察到。因此，一个好的实证研究，需要尽可能找到一个合理的对照组，去逼近这个“没有发生这件事时会怎样”的反事实。
作者怎么找到这个“反事实”？研究首先利用蛋白质数据库PDB识别结构生物学研究者。PDB保存了大量实验测定的蛋白质结构，而且这些结构通常与报告相关研究成果的论文相连接。研究者据此识别出那些在AlphaFold出现之前就从事蛋白质结构研究的科学家。然后，作者从相关生物医学研究者中寻找与他们尽可能相似的科研人员作为控制组。最终，经过匹配，研究得到3434名结构生物学家和3014名匹配后的其他生物学家。作者利用这些科研人员在不同年份的论文发表数据，构建了科研人员—年份层面的面板数据。
在此基础上，作者采用了双重差分（Difference-in-Differences，DID）。假设有两组人。第一组是更直接受到AlphaFold影响的结构生物学家；第二组是研究领域相近、但没有直接从事蛋白质结构研究的生物学家。然后分别观察两组人在AlphaFold出现之前和之后，论文数量发生了怎样的变化。真正关心的并不是：“结构生物学家的论文是不是比其他人多？”而是：AlphaFold出现之后，结构生物学家的论文是不是相对于对照组出现了额外增长？如果两组人在AI出现之前的趋势比较接近，而在AI出现之后开始出现明显差异，那么这种设计就比简单的相关性分析更有说服力。
作者还进一步进行了事件研究。结果显示，论文产出的显著增长主要从2022年开始出现，而在此之前没有发现显著的预趋势差异。也就是说，AlphaFold并不是一出现，论文数量就立刻增加。这种影响存在一定的滞后。这其实也很符合科研活动的特点：一个新的AI工具出现，并不意味着科研人员第二天就能多发表一篇论文。研究问题、研究设计、数据分析、论文写作，都需要时间。
那么，AI真的提高了科研产出吗？
从整体结果来看，答案是：结构生物学家的论文产出在AlphaFold出现之后出现了显著增长。基准回归中，AlphaFold与政策后时期的交互项系数约为0.05，并且具有统计显著性。事件研究进一步显示，这种增长主要在2022年以后变得明显。
但这项研究最有意思的发现，还在后面。
因为作者进一步问了一个问题：这种增长是不是所有大学都一样？
普通大学的科研人员，增长更加明显
作者根据机构的科研表现，将排名前50的机构定义为精英机构，再比较精英机构和非精英机构科研人员的变化。结果发现，两组人的变化并不一样。
对于非精英机构的结构生物学家，AlphaFold之后的论文增长更加明显；而对于精英机构科研人员，相关增长并没有达到统计显著水平。
在三重差分模型中，“AlphaFold × 精英机构 × 事后时期”的系数为负，并且在统计上显著。这意味着，相对于精英机构科研人员，非精英机构科研人员的论文产出增长更明显。
这似乎与我们对“新技术”的一种直觉恰恰相反。通常我们会认为：新技术越先进，越需要资源。那么，最有钱、设备最好、计算能力最强、人才最集中的大学，应该更容易从AI中获得收益。
但AlphaFold提供了另外一种可能：如果一项新技术恰好能够替代过去某些非常昂贵的科研投入，那么它可能不是简单地“让强者更强”，而是降低原本较高的进入门槛。
过去，一个实验室如果没有昂贵的设备，就很难开展某些研究。现在，如果其中一些工作可以通过AI模型完成，那么科研人员进入这一研究领域所需要的资源可能就减少了。于是，一项技术革命可能产生一种“追赶效应”。
如果看到这里，我们很容易得出一个过于简单的结论：
“AI让科研民主化了。”
但论文的数据并不支持我们这么快下结论。因为作者继续追问：非精英机构增加的这些论文，究竟发表在哪里？
答案非常有意思。AlphaFold并没有显著提高科研人员在Nature、Science、Cell、PNAS等少数顶级期刊上的发表机会。相反，整体论文增长更多出现在中等影响力期刊，而非精英机构科研人员的相对增长，则更加集中在Q3、Q4等较低层级期刊。
这就让“AI是否促进科研公平”这个问题变得复杂了。
如果我们只看论文数量，会发现：非精英机构正在追赶。但如果我们看最顶级的科研成果，又没有发现同样明显的追赶。换句话说：AI似乎扩大了普通科研人员“做研究、发论文”的机会，但目前还不能说明它同样扩大了进入科研顶端竞争的机会。
作者对论文质量的进一步分析也比较谨慎。以新颖性作为质量指标时，并没有发现非精英机构研究者的新增论文明显更低质量，但相关估计并不精确，置信区间较宽，因此无法排除其他可能。
这也是这项研究非常值得注意的地方：
数量上的追赶，并不等于声望上的追赶。
为什么AI可能帮助普通科研人员？
一种直观的解释是：AI改变了科研生产中的“资源约束”。
在传统结构生物学中，一些研究高度依赖昂贵的实验设备和复杂的实验流程。而AlphaFold这类模型，把其中一部分结构预测工作转移到了计算模型上。这意味着，科研人员不一定需要拥有过去同等规模的实验资源，才能开展一部分相关研究。对于已经拥有大型平台的顶尖机构而言，这当然也有价值。
但它可能没有那么“改变游戏规则”。因为顶尖机构原本就拥有这些资源。对于资源相对有限的机构来说，情况可能不同。如果一项新技术能够降低进入某个研究领域所需要的资源门槛，那么过去因为缺少设备、资金或实验条件而无法开展的研究，现在可能变得可以开展。
因此，技术进步产生的影响，并不一定取决于“谁拥有更多资源”，还取决于：
新技术到底替代了什么。
如果AI替代的是普通机构原本最缺少的资源，那么它就可能带来一定程度的追赶。
AI会消除科研差距吗？
恐怕还不能这样理解。
论文最后提出了一个很重要的区分：AI并不是简单地让所有科研人员站在同一起跑线上。有些AI应用可能降低科研门槛，但AI产业链中其他环节——例如大规模模型训练、计算资源、数据获取以及复杂的技术开发——仍然可能高度依赖资源。换句话说：AI可能重新分配科研机会，但不一定消除科研等级。
这项研究观察到的，可能更像是一种“科研生产方式的重新分工”。
非精英机构获得了更多发表论文的机会，但这些新增成果更多集中在较低层级期刊；而顶级期刊中的声望和认可结构，并没有因此发生同样明显的变化。论文因此提出一个值得长期关注的问题：未来AI带来的“论文数量追赶”，究竟会不会进一步转化成科学影响力和学术地位的追赶？目前的数据还无法回答。
（注：本文在AI辅助下完成，内容经人工核实，文责自负。）
[1] Pan, T., & Li, J. (2026). AI boosts publication output more at non-elite institutions: Evidence from AlphaFold. Journal of Informetrics, 20, 101859.
