夜雨聆风导言
科学生产力正在衰退——这不是危言耸听。自 2000 年代以来，全球生产力增长放缓，尽管数字技术突飞猛进，但创新和生产率却出现减速。低垂果实被摘光、知识负担加重、现代科学低效率，科学界面临严峻挑战。
与此同时，AI 和机器学习工具的迅速普及，特别是大语言模型的爆发，引发了对 AI 在科学中角色的激烈讨论。AI 能否帮助科学摆脱生产力困境？为什么有些领域从 AI 获益远超其他领域？
Bianchini 等人在最新发表于《Research Policy》的研究中，基于 8000 万 + 科学出版物、覆盖 172 个学科类别、时间跨度 2005-2023 年的大规模证据，系统回答了这些问题。
一、核心问题：AI 的效应不是均匀的
现有研究主要集中在 AI 扩散、特定技术应用（如 AlphaFold）、或对科学创造力的影响。但存在关键缺口：
• 缺乏对 AI 效应的广泛跨领域评估（多数研究局限于特定技术或领域）
• 时间跨度未涵盖生成式 AI 爆发期（2023 年）
• 新颖性测量依赖传统引用指标，缺乏直接捕捉创造性维度的前沿指标
• 最关键：缺乏对"为什么有些领域获益更多"的理论化和实证检验
本研究的核心转向：从"AI 是否有效"的平均效应，转向"何时何地有效"的调节效应视角。
二、方法：8000 万篇论文的大规模证据
数据规模
• 数据来源：OpenAlex 科学出版物数据库
• 时间跨度：2005-2023 年（涵盖 AI 从机器学习到生成式 AI 的完整演进）
• 样本量：8000 万 + 科学论文
• 学科覆盖：172 个学科类别（排除社会科学、人文和核心计算机科学）
关键变量
• 自变量：AI 使用（二元变量：AI 相关论文=1）
• 因变量：新颖性（语言创新 + 概念创新）+ 影响力（被引频次 + 高被引比例）
• 调节变量：知识空间粗糙度（组合复杂性 + 知识碎片化）+ AI 渗透度（领域内采用深度）
三、核心发现：AI 的创造性收益取决于什么？
发现 1：AI 显著提升科学新颖性
AI 相关论文引入语言或概念新颖性的概率平均高出30-40%，效应量在统计上高度显著（p < 0.001）。这表明 AI 确实帮助研究者突破现有知识边界。
发现 2：AI 显著提升科学影响力
AI 相关论文在高被引论文中显著过度代表（over-represented），表明 AI 不仅提升新颖性，也提升对后续研究的影响力。
发现 3：知识粗糙度的正向调节作用
在知识空间粗糙（高组合复杂性 + 高碎片化）的领域，AI 的新颖性贡献更强。这支持"AI 擅长处理复杂、碎片化知识空间"的理论预期——调节效应在新颖性维度尤为突出。
发现 4：AI 渗透度的正向调节作用
在 AI 采用深度高的领域，AI 的创造性收益更大。这表明"嵌入研究实践"比"浅层应用"更能释放 AI 潜力——存在网络效应或学习曲线效应。
发现 5：技术演进的强化效应
变换器（transformers）和大语言模型（LLMs）等近期技术进步强化了上述所有效应。2020 年后的效应量显著高于 2020 年前，表明生成式 AI 可能带来质的飞跃。
四、方法公式化：AI 的创造力增益机制
AI 的科学创造力增益公式
AI 创造力增益 = (AI 使用) × [1 + α (知识粗糙度) + β (AI 渗透度) + γ (知识粗糙度 × AI 渗透度)] × δ (技术代际)
其中：
• AI 使用：是否采用 AI 工具（二元变量）
• 知识粗糙度：组合复杂性 + 知识碎片化的函数
• AI 渗透度：领域内 AI 采用的广度和深度
• 技术代际：变换器/LLM 出现前后（2020 年前后）
• α, β, γ, δ：待估参数，均预期为正
这个公式揭示：AI 不是简单的"加成"工具，而是乘数——它的效果被知识空间特征和采用深度放大或抑制。
五、理论贡献与实践启示
理论贡献
• 广泛性评估：不同于聚焦特定技术或狭窄领域的研究，提供跨 172 个学科类别的系统性证据
• 时间跨度延伸：涵盖 2005-2023 年，包括生成式 AI 爆发期，捕捉技术演进的动态影响
• 新颖性测量创新：超越传统引用指标，采用前沿创造性指标（语言/概念创新）
• 调节机制理论化：首次系统检验知识粗糙度和 AI 渗透度的调节作用，回答"何时何地 AI 起作用"
对科研管理者的启示
• 优先在知识空间复杂、碎片化程度高的领域推动 AI 应用
• 鼓励深度采用（整合到工作流）而非浅层应用
• 为 AI 基础设施投资提供实证依据
对研究者的启示
• 在粗糙知识空间中，AI 可能是"游戏规则改变者"
• 深度学习和掌握 AI 工具比浅层使用收益更大
• 关注 AI 作为"灵感来源"和"理解代理"的潜力
六、一句话总结
核心价值版：本研究基于 8000 万 + 科学出版物的大规模证据，首次系统揭示了 AI 对科学创造力的促进作用取决于知识空间粗糙度和 AI 渗透度的双重调节——在知识碎片化、组合复杂且 AI 深度嵌入的领域，AI 的新颖性收益可达平均水平的数倍。
大白话版：AI 在科研中的作用不是"一刀切"的——在那些知识又碎又复杂、而且大家都深度用 AI 的领域，AI 最能帮科学家想出别人想不到的新点子；反之，在知识结构简单或者只是浅层用 AI 的地方，AI 的作用就有限。就像给不同地形配不同工具：崎岖山地用登山装备，平原公路用自行车，关键是要"因地制宜 + 深度使用"。
参考文献
- [1]
Bianchini, S., Di Girolamo, V., Ravet, J., & Arranz, D. (2026). AI in science: When and where it makes a difference. Research Policy, 55, 105478. https://doi.org/10.1016/j.respol.2026.105478 - [2]
Bloom, N., Jones, C. I., Van Reenen, J., & Webb, M. (2020). Are ideas getting harder to find? American Economic Review, 110(4), 1104-1144. - [3]
Krenn, M., et al. (2022). The potential of machine learning for a more responsible science. Nature Reviews Physics, 4(12), 737-739.
