人工智能在科学研究中的普及正引发一个悖论：尽管个体研究者的产出效率显著提升，但整个科学界探索的思想范围却在收窄。
数据显示，采用人工智能工具的学者发表论文数量约为同行的三倍，引用次数接近五倍。然而，对科学文献的分析表明，人工智能辅助研究的覆盖范围比非人工智能工作少 4.6%，这一趋势存在于超过 70% 的研究子领域中。
造成这一现象的核心原因并非技术本身，而是制度激励。虽然人工智能工具扩大了科学家的探索能力，但现有的系统性激励促使研究人员将这种能力集中于机构易于识别、评估和奖励的问题上，而非开拓未知领域。
这种动态并非由人工智能独创。研究表明，过去六十年间，论文和专利的破坏性指数已呈现下降趋势。但人工智能加速了这一过程，因为在大量工作中，速度和模式识别正是缩小系统关注领域的关键因素。学术职业结构进一步强化了这种效应：利用人工智能扩展熟悉的研究领域，比进入陌生领域更快且成本更低，而现有激励机制恰恰奖励这种速度。
针对上述问题，文章提出了三项改革建议。
让新的地形可以被测量
目前的资助体系主要奖励对现有数据的下游利用，而非上游新数据集和测量能力的创建。通过将强大的人工智能模型应用于公共数据集，研究人员通常能以较低成本产生可发表的结果。
例如，谷歌开发的材料探索图形网络（GNoME）作为一种深度学习工具，已确定了 381,000 个候选稳定无机晶体，使已知材料景观扩大了 3 倍。与此同时，DeepMind 创建的蛋白质结构预测系统 AlphaFold 生成了超过 2.14 亿个潜在蛋白质结构，使得生物相互作用能够在前所未有的规模上进行审查。
相比之下，建立纵向队列研究或启动生物多样性监测计划往往需要多年的持续投资才能产生任何可发表的发现。
这种不对称性正在扩大：使用人工智能模型进行预测的成本在过去两年中大约下降了 100 倍，而建造新的观测基础设施仍带来高昂的长期运营成本。这意味着每隔几个月，廉价资源与昂贵资源之间的差距就会进一步拉大。
文章呼吁资助者有意为数据基础设施提供补贴，特别是在被忽视的领域。尽管这些投资进展缓慢且不具吸引力，但它们是让人工智能能够利用以前被忽视领域观测数据的前提条件。
停止惩罚“旋转”
大学和资助机构必须停止惩罚那些利用人工智能进入新领域的研究人员。人工智能工具降低了跨学科转向的信息成本——例如，进入基因组学领域的生态学家现在可以更快地浏览不熟悉的文献。然而，评价系统仍然处罚那些转向其他子领域的行为。招聘委员会倾向于根据候选人在单一领域的持续出版记录进行评估，资助机构也通常要求申请人提供基于其先前工作的初步数据作为支持前提。
