原创:AI for 科研的优势、风险与边界

AI for 科研是瓦斯3.0新开设的专题板块，主要介绍AI工具在文献检索、论文阅读、科研写作、数据处理和代码辅助等科研场景中的应用方法与使用技巧。

作为系列首期，本期将简要回顾AI for 科研的发展历程，并结合典型案例介绍AI在提高科研效率、处理复杂数据和辅助科学发现方面的优势，以及AI所导致的虚假引用和学术规范等潜在问题。

在此基础上，进一步讨论AI参与科研活动的合理边界，明确哪些工作可以由AI辅助、哪些关键判断仍需研究者完成，为后续具体AI工具及科研应用方法的介绍作铺垫。

近年来，AI for 科研快速发展，人工智能正由科研辅助工具逐步深入科学发现过程，并被视为继实验、理论、计算和数据科学之后的新型科研范式。全球主要国家和地区相继加强AI+科研的战略布局，在生命科学、材料研发、先进制造等领域推动人工智能与科学研究深度融合。2025年，国务院《关于深入实施“人工智能+”行动的意见》进一步提出探索人工智能驱动的新型科研范式，推动人工智能赋能科技创新。

以ICLR为例，2026年有效投稿量达到19,525篇，较2025年的11,603篇显著增长。投稿规模快速扩张的背后，也折射出人工智能正在加速进入科研活动的各个环节。如今，大语言模型和智能科研工具已广泛应用于文献检索、论文阅读、代码编写、数据分析乃至学术写作，在降低科研门槛、提高研究效率的同时，也带来了虚假文献、事实错误、结果可信度下降、过度依赖以及学术规范等新的问题。

ICLR投稿数量激增

(图片来源：ICLR接收率统计|历史投稿量|录用率趋势 - OpenAccept)

因此，要更加全面地认识AI在科研中的作用，有必要从其发展脉络出发，进一步理解其能力演进及对科研方式带来的变化。本期将首先回顾AI for 科研的发展历程，在此基础上分析AI辅助科研带来的主要优势及可能产生的问题，并进一步讨论AI参与科研活动的合理边界，为后续具体AI工具及应用方法的介绍奠定基础。

尽管AI for 科研近年来才逐渐成为科研领域的热点概念，但利用人工智能和计算技术辅助科学研究的探索其实早已开始。其发展伴随着人工智能算法、科学数据规模与计算能力的持续演进，并逐步从早期的计算辅助和规则推理，发展到数据驱动乃至人工智能深度参与科学发现，大致可分为三个阶段：

萌芽阶段（1950s—20世纪末）：计算机辅助科学的早期探索。计算机最初主要用于数值计算和科学模拟，随后专家系统开始用于化学分析、医学诊断等任务，AI逐步进入科学研究场景。

探索阶段（21世纪初—2010年代中期）：机器学习逐步融入科学研究。随着数据规模扩大、GPU算力提升及深度学习发展，AI开始用于基因组学、化学信息学和天文学等数据密集型领域。

快速发展阶段（2010年代中后期至今）：AI驱动科学研究发现加速发展。深度学习、大模型和多模态技术不断突破，AI逐步由辅助工具转向建模、预测和发现，并拓展至药物、材料、气候和量子科学等领域。

AI for 科研的价值不仅在于更快，更在于拓展科学研究处理复杂问题的能力。首先，AI能够快速处理海量文献、实验及监测数据，减少重复性的数据筛选、计算与分析工作，提高科研效率。其次，机器学习可以从高维、非线性数据中识别潜在规律，为预测、参数优化和异常识别提供新的方法。同时，AI能够融合不同学科的数据与知识，辅助科学家提出假设并加速科学发现。

AI4S优势统计

(图片来源：人工智能与科学：1600名研究人员的看法 |自然)

以AlphaFold为例，其可在较短时间内完成蛋白质结构预测，目前数据库已包含超过2亿个蛋白质结构预测结果，成为AI推动科学研究的重要代表。

AlphaFold辅助蛋白质结构预测

(图片来源：Highly accurate protein structure prediction with AlphaFold | Nature)

AI for 科研在提高科研效率的同时，也带来了新的可靠性与学术规范问题。生成式AI可能造成错误信息传播、抄袭更易发生且更难识别，以及研究论文和代码中出现错误或不准确内容。此外，AI还可能降低科研造假识别难度，并将已有偏见带入文献检索和研究文本中。对于科研人员而言，这意味着AI生成内容不能直接作为可靠结论使用。尤其在文献引用、数据分析和学术写作等关键环节，仍需回到原始文献和实验数据进行核验，避免因过度依赖AI而影响研究结果的真实性与可信度。

AI4S可能造成的不利影响

(图片来源：人工智能与科学：1600名研究人员的看法 |自然)

以AI生成的虚假参考文献为例：2026年5月，Nature 报道了一项针对约250万篇学术论文的大规模审计，研究发现自2023年以来，无法追溯的虚假参考文献明显增加，仅生物医学开放论文中就发现近3000篇包含不存在的引用。

AlphaFold辅助蛋白质结构预测

(图片来源：审计发现250万篇生物医学科学论文的虚假引用激增 |自然)

在充分认识AI for 科研优势与潜在风险的基础上，更重要的是明确其在科研活动中的合理定位。AI可以提升科研效率、拓展分析能力，但不能替代研究者的科学判断和学术责任。因此，在实际应用过程中，需要把握以下基本边界：

① 坚持科研主体地位。 AI可以辅助分析与决策，但科学问题提出、研究设计和关键结论判断仍应由研究者主导。

② 确保信息真实可靠。 对AI生成的文献、数据和结论进行核实，避免虚假信息和错误结果影响科研质量。

③ 遵守学术伦理规范。 合理使用AI辅助写作与分析，杜绝虚假引用、数据造假及其他学术不端行为。

④ 避免过度依赖AI。 将AI作为提高效率的辅助工具，保持独立思考和批判性判断能力。

⑤ 注重科研数据安全。 妥善保护未公开实验数据、研究成果及敏感信息，避免因使用第三方工具造成泄露。

下一期，我们将选取DeepSeek、豆包、GPT等主流大模型，从知识问答、论文阅读和学术写作等常见科研场景进行直观对比，看看不同模型各自擅长什么，以及科研人员如何根据实际需求选择更合适的AI工具。