AI 常被吹捧为科研加速器，但一项新研究泼了盆冷水：它可能让科学家做得更多，却做得更差。
发生了什么
《The Decoder》报道了一项理论研究的核心论点：即使语言模型完美无缺，AI 也可能让科研质量下滑，而非提升。研究通过建模发现，当 AI 节省了科研人员的时间后，这些时间会被重新分配——但并非用于打磨现有研究，而是被投入到新项目的启动中。在三种模拟情景里，有两种情景下单篇论文的质量出现下降。
为什么重要
这项研究触及了 AI 生产力悖论的核心。传统观点认为，AI 解放的时间会自然流向更深度的思考或更严谨的验证。但该研究指出，科研激励体系可能扭曲这种分配：新项目往往带来更多发表机会、经费和声誉，而深化已有研究则收益有限。于是，节省的时间被用于“扩大产出”而非“提升质量”。
这并非反对 AI 在科研中的应用，而是提醒我们：工具的效率提升，未必自动转化为成果质量的提升。真正的瓶颈可能在于科研评价体系——它更看重数量而非深度。
影响与看点
对科研机构而言，这意味着引入 AI 时需配套调整评价机制，否则可能加剧“发表或灭亡”的文化，催生更多低质量论文。对 AI 开发者来说，这可能是一个机会：设计能主动引导深度研究（如自动生成反例、建议补充实验）的工具，而非仅提供效率提升。
一个值得观察的趋势是，AI 辅助下的科研是否会走向“广度优先”而非“深度优先”。若该理论成立，未来科研生态可能面临质量稀释的隐忧。作为编辑，我认为这项研究最大的价值在于提醒我们：技术是中性的，但其影响取决于制度设计。在拥抱 AI 的同时，我们或许需要重新思考“什么才是好的科研”。
