AI for Science：最难学的是“换一个问题”

事件概述

《Nature》今年发表的一项大样本研究，分析了4130万篇自然科学论文，发现使用AI工具的科学家平均发表论文更多、引用更多、晋升更快。但从集体视角看，随着AI被采用，研究覆盖的主题范围缩小了4.63%，科学家之间的互动减少了22%。

这揭示了一个矛盾：AI让个人科研效率提升，却可能让整个科学共同体的探索方向变得更窄。

核心信息

• 个人效率与集体探索未必兼得：AI对数据丰富、问题成熟、评价标准清楚的领域尤其有效，研究者更容易在这些区域获得个人成果，但集体注意力也被推向同一批“容易出成果”的方向，类似导航把所有车辆导向同一条快速路，结果反而拥堵。

• 科学进步常是“换坐标系”而非“填格子”：知识不是一张行列已定的稀疏矩阵，真正的大变化往往同时更换观察手段、核心概念、解释机制和验证标准。相对论重写时间与空间的关系，显微镜、测序等新仪器打开新的观察窗口，都属此类。

• 理解是“能被搬走的压缩”：仅把数据压缩成规律还不够，真正的理解要经得起换例子、换语言、换干预后仍能识别同一结构。数学中的“坐标无关”思想可迁移为一种检验：一个概念若只能在原术语、原例子里成立，可能只是表面表达。

• AI已在明确验证机制下产出新候选，但难以自主重定义问题：AlphaTensor、FunSearch、AlphaEvolve、Google Co-Scientist等系统，均在有明确目标或自动评价器的场景中产生可验证的新结果。但它们仍依赖人类设定目标、约束与实验安排，尚未具备独立的“重新表征问题”能力。

值得关注

当所有人都在更快地找答案时，最稀缺的能力是停下来判断：眼前这道题是不是一开始就被表述错了？有效的重表征需要解释旧问题为何卡住、提出新变量或新观测方式、保留原有理论的有效部分，并给出可被现实推翻的新预测。

AI会持续压低获取答案的成本，但学习并不会消失——它会让过去被记忆和检索遮住的部分露出真面目：不是更会找答案，而是能判断哪些问题值得被替换。