夜雨聆风
【导语】研究表明：论文发表考核机制叠加大语言模型的普及使用，会带来论文数量增长，但成果打磨程度下降。
作者： Kaia Glickman
人工智能工具在科研领域应用日益广泛，虽能提升科研产出效率，却可能以研究质量下降为代价。
配图：Getty图片社
一项最新的建模研究显示，借助大语言模型（LLM）开展研究的科研人员，会大幅缩减成果打磨时间，转而快速开启新项目1。
论文作者声称，普及大语言模型后，科研人员会陷入“做多做杂，而非提质增效”的困境；但他们同时指出，AI工具并非造成该现象的全部根源。
本研究共同作者、西雅图华盛顿大学生物学家Carl Bergstrom表示，该结果暴露出科研体系重数量、轻质量的畸形激励机制。现行考核导向迫使科研人员批量产出论文，而大语言模型恰好帮他们完成逐年抬升的发文指标。
“大语言模型本身极少是问题根源，它只是一面镜子，照出我们早已存在的行业弊病。”Carl Bergstrom说。
该研究预印本于7月19日发布在arXiv预印本平台，尚未经过同行评审。
一、科研“觅食”理论分析
为预判大语言模型对科研产出效率的改变，研究团队将完整科研流程拆分为多个独立阶段：
第一阶段为探索发现阶段：科研人员提出研究假设、开展初步试验，判断课题研究价值；
第二阶段为成果完善阶段，又细分为两类工作：一是硬性必要工作（绘图、论文初稿撰写等）；二是自主拓展优化工作（补充验证实验、文字润色打磨等）。
研究团队借鉴最优觅食理论（该理论用于分析动物如何在节约自身能量的前提下最大化能量获取），建模分析科研人员引入大语言模型后，科研精力分配模式的变化。模型设定大语言模型处于理想工况：低成本、高速度、高准确度。
模型推演结果显示：大语言模型能够加速科研全流程，但效率提升并不会带来论文质量优化。探索阶段与硬性撰稿环节提速后，科研人员产出论文的速度远高于无AI辅助的时期；而持续的发文考核压力，让研究者缺乏额外投入时间精修论文的动力。
二、核心矛盾：数量优先，质量靠边
芝加哥大学数据科学家、社会学家James Evans并未参与该预印本研究，但曾与Carl Bergstrom合作发表论文，同时指导过预印本第一作者Eamon Duede的博士课题。他评价，该模型精准还原了当下科研激励体系的现实。
James Evans称，预印本描述的场景已有现实佐证：他同时担任两本期刊主编，观察到稿件投稿量增长9倍，其中超九成是他口中“AI拼凑的劣质文稿”。
但James Evans也认为大语言模型对科研并非全然负面：它能够搭建跨学科交流桥梁，催生全新研究发现方向。
其他学者同样认可大语言模型的正向价值。加拿大多伦多大学AI方向经济学家Joshua Gans提出，这类工具切实提升科研人员工作效率，研究者拥有自主选用与否的选择权。
他表示，即便行业存在快速发稿的压力，科研人员仍可自主选择深度打磨课题；同时，适度降低文稿打磨投入、换取整体科研产出提升，或许是值得接受的取舍。
Carl Bergstrom指出，伴随大语言模型普及，科研领域的人才评价激励机制亟待改革。他建议，科研人员的学术成就不应以论文总数、总引用量衡量，而应聚焦其最具代表性的核心成果。“评审终身教职时，我不在意候选人简历有多长，我只看他最出色的五篇论文。”Carl Bergstrom说道，“若采用这套评价标准，就没人会再一味堆砌大量低水平论文。”
译文源自
DOI：https://doi.org/10.1038/d41586-026-02397-5
参考文献
Duede, E., Gross, K., Crockett, M. J. & Bergstrom, C. 2026, Preprint at arXiv，DOI：https://doi.org/10.48550/arXiv.2607.17397
