这几天，大家都在讨论人工智能给科研带来的变化，结果芝加哥大学的詹姆斯·埃文斯教授团队做了个大调查。他们用大数据分析了全球4130万篇论文，发现用AI辅助的科研人员发表论文量是别人的3.02倍，引用次数更是高达4.85倍。论文数量多了，晋升也快，平均缩短了1.4年。不过这也让人担心。虽然个人效率提高了，但科学探索的范围却缩小了。研究表明，全球关注的核心议题数量减少了4.63%。另外，跨团队交流的频率也下降了22%，出现了“孤独的人群”现象。埃文斯教授把这种现象叫做“数据趋光性”。科研人员为了最大化AI工具效能，都去选择数据资源丰富的成熟领域研究。这种趋势虽然能提高短期产出效率，但也导致了方法论单一化的风险。因为大家都用相似的方法和路径进行研究，整个科学界过度依赖相同的工具链和评估标准。这样一来，那些数据储备薄弱但可能孕育重大理论突破的新兴领域就很难受到关注了。这个问题要是解决不好，科学创新的多样性生态就会受到侵蚀。芝加哥大学的这个研究告诉我们，在拥抱AI技术带来便利的同时，我们还需要给科学探索保留多样性基因。这就需要优化评估体系，增加对探索性高风险研究的支持力度，还要设立鼓励方法论创新的发表渠道。同时还要加强跨学科对话机制建设。 科研资助机构、学术期刊和科研机构都应该行动起来，共同面对这个新课题。只有当技术创新与人类科研人员的批判性思维、创造性想象形成良性互补时，科学探索之路才能既行稳致远又保持活力与勇气。 总之，AI和科学研究融合是大势所趋。但是我们要注意平衡产出数量和质量创新之间的关系。只有这样才能守护好科学探索最宝贵的多样性基因。