信息来源：https://www.nature.com/articles/d41586-026-02397-5

一项最新的学术建模研究揭示了一个令人忧虑的现象：大型语言模型（LLM）的普及正在改变科学家的工作节奏。

研究表明，生成式人工智能工具的介入虽然极大地提升了科研生产力，但并未如预期般提升学术成果的质量。

相反，在现行学术评价体系的驱动下，科研人员趋向于将节省下来的时间迅速投入到新项目中，导致学术产出呈现出“数量井喷、质量下滑”的扭曲态势。

这一结论不仅引发了学术界对人工智能辅助科研的深刻反思，更将矛头直指当今科学界根深蒂固的评价机制漏洞。

为了量化 AI 工具对科研工作流程的重塑，研究人员将科研全过程细化为概念构思与初步验证的“发现阶段”，以及包含初稿撰写与后续深度润色的“开发阶段”。

该研究引入了生态学中的“最优觅食理论”模型，用以分析科学家在追求科研回报时的精力分配策略。

模型假设生成式 AI 在理想状态下能够大幅缩短撰写初稿与制作图表等繁重工作的时间。

然而，面对“不发表就淘汰”的现实压力，绝大多数研究者并没有选择将节省出的时间用于深挖后续实验或打磨论文逻辑。

相反，他们更倾向于加快论文产出周期，以实现科研成果数量的最大化。

正如研究合著者、华盛顿大学生物学家卡尔·伯格斯特罗姆（Carl Bergstrom）所言，AI 并非导致学术质量滑坡的罪魁祸首。

它更像是一面镜像，精准地折射并放大了一直存在于学术界内部“重数量、轻质量”的结构性痼疾。

AI 辅助科研引发的连锁反应已在出版端显现。

知名数据科学家詹姆斯·埃文斯（James Evans）透露，在其担任编辑的学术期刊中，投稿量出现了惊人的数倍激增，其中绝大部分充斥着由 AI 批量生成的低质“学术垃圾”。

不过埃文斯也指出，不应因此全面否定 AI 的价值，大语言模型在打破学科壁垒、促进跨领域交流与灵感碰撞方面依然具备独特潜力。

多伦多大学经济学家约书亚·甘斯（Joshua Gans）同样认为，AI 归根结底是一种提升效率的工具，在特定情况下牺牲部分精雕细琢以换取整体科研产出的提升并非不可接受。

关键症结在于，现行的学术考核与晋升机制严重依赖论文发表篇数及引用量等量化指标。

为了从根本上扭转“AI 助长学术灌水”的恶性循环，专家呼吁学术界必须彻底改革评价标准。

例如在职称评定与项目资助中，摒弃对简历长度和发表数量的盲目追求，转而聚焦于评估研究者最核心、最具突破性的少数代表作。

唯有打破“唯论文论”的评价藩篱，科研人员才能重获精雕细琢的耐心，让人工智能真正成为助推高质量科学发现的引擎。