用AI的博士生论文数是不用的三倍,引用量近五倍.但同一篇研究里还有一个数字被跳过了——让科研议题多样性缩减了百分之五.

组里一个做计算方向的师兄，是最早一批用上AI辅助科研的人。他把文献综述交给了AI，把数据清洗交给了AI，把论文初稿也交给了AI。半年里面发了三篇顶会。组会上导师说这是效率的胜利。他自己也觉得找到了读博的正确打开方式。

但是有一件事情让他不太舒服。

他在写第四篇论文的时候，突然发现了自己在做的东西和组里面另一个用AI的师弟做的几乎一模一样。两个人没有讨论过，也没有约好。是AI把他们引到了同一条路上面。AI擅长告诉你一个领域里面哪些方向已经被研究过了、哪些方向数据最多、哪些方法在别处有效。这些建议本身没有问题，但是它们全都指向了已经被充分探索过的路径。AI不会告诉你：有一条路还从来没有人走过。那条路上面没有数据。

这件事情在那篇报道里面被精确地量化了。一个研究团队在国际顶刊上面发表了大规模数据分析的结果：使用AI的科学家论文数量是没有使用AI的三倍，引用量接近了五倍。这个结论被转了无数次，三倍和五倍，好看的效率数字。但是同一篇论文里面还有一个数字，几乎所有转发者都跳过去了：AI使用者的加入，让科研议题的整体多样性缩减了接近五个百分点。

负五。不是谁的产出变少了。是所有的人在往同一个方向上面挤。

这组数据让人不太容易消化。你读博是为了对某个领域做出自己的判断。你读文献、跑实验、被拒稿、重新来过，这个过程很慢，但是每一步都在帮你形成一种独属于你自己的学术直觉。你用AI跳过了这个过程，快是快了，但是你的科研方向，和一个用着同样AI工具的瑞典博士、一个用着同样AI工具的日本博士后，越来越趋同。不是交流过。是都听了同一个助手的建议。

往深了想的话，-5%这个数字比三倍和五倍更加值得博士们在意。三倍论文解决的是"你够不够多"的焦虑，发够了就能够毕业了。但是-5%问的是"你跟别人有什么不同"。博士学位的终极价值不在产出量上面，在你能不能对一个领域的边界做出扩展。如果AI让所有人的边界都在往同一个方向上面扩展，所有的人并没有在扩展，只是在往同一个点上面堆罢了。

师兄后来做了一件挺简单的事情。他在开下一轮实验之前，先把AI的建议全部看完了。接着关掉了AI，自己在白板上面画了一张图：哪些方向AI提了，哪些方向AI没有提。AI没有提的那几个方向，他挑了一个开始做。他说不是AI不好。是AI没有能力告诉你它漏掉了什么。知道它漏掉了什么，这件事情得你自己来。

那篇论文最值得被记住的不是三倍和五倍，是一个负号。读博的价值不在你比AI多产出了多少，在你有没有能力走到AI没有去过的地方。