导语：当“AI 如果让 90% 的人都失业会怎样？”成为舆论焦点时，很多讨论停留在情绪层面：岗位会不会消失，人类会不会被替代。但如果把视角转向科研这一被视为“高端脑力劳动”的领域，我们或许能看到更具结构意义的变化。近期分别发表于 Science 与 Nature 的两项大规模实证研究，为理解 AI 对知识劳动的冲击提供了系统证据。这些研究显示，AI 带来的并非简单的“消灭工作”，而是对生产结构、评价机制与探索方向的深层重塑。

关键词：大语言模型（LLM）、科学学、学术写作、语言公平、科学计量学、科研生产力、马太效应

一、AI 并未消灭科研工作，而是重塑了劳动结构

论文题目：Scientific production in the era of large language models: With the production process rapidly evolving, science policy must consider how institutions could evolve

论文链接：
https://doi.org/10.1126/science.adw3000

发表时间：2025年12月18日

论文来源：Science

康奈尔大学殷裔安团队发表于 Science 的研究基于 2018—2024 年三大预印本数据库的 210 余万篇论文数据，通过文本特征算法识别 LLM 辅助写作的论文，系统考察大语言模型对科研产出的影响。结果显示，采用 LLM 的研究者论文产出显著增长，在不同数据库中增幅达到 36% 至近 60%。尽管研究者谨慎指出这种关联并不等同于严格的因果关系，但在多种识别方法和统计模型下，这种“采用—产出跃升”的趋势都保持稳健。

图1：以作者首次被检测为 LLM-assisted所在月份为 0（竖虚线），横轴为相对月份，纵轴为采用者相对未采用者的产出变化（%）；点为估计值，竖线代表 95% 置信区间。图中可见采用后产出在多个后续月份保持在更高水平。

LLM 的作用首先体现在程序性写作环节，例如摘要撰写、文献综述整合、语言润色与结构整理等。这些任务高频、耗时，但高度语言化，因而容易被自动化工具接管。从劳动经济学角度看，这是一种典型的“任务替代”而非“岗位替代”。科研人员并未消失，而是部分劳动模块被技术抽离、重组。若将这一机制外推至更广泛的就业结构，可以看到，AI 更可能重构工作内容，而非简单地消灭职业本身。

二、语言门槛的降低与隐性不平等的缓解

该研究还揭示了一个重要的分配效应。数据显示，在部分数据库中，来自非英语国家机构的研究者在采用 LLM 后的产出增幅显著高于英语国家同行。这意味着，语言模型在一定程度上缓解了长期存在的语言壁垒问题。过去，非英语母语研究者不仅要完成高质量研究，还需承担额外的语言表达成本，而 LLM 的普及削弱了这一隐性门槛。

这一现象提示我们，AI 并非只会扩大差距。技术也可能在某些维度上推动“语言平权”。然而，语言门槛的下降同时带来了新的问题——当复杂表达不再需要高昂成本，传统评价体系是否仍然有效？

三、质量信号失灵：当语言不再代表投入

研究发现，在传统人类撰写论文中，语言复杂度与发表概率之间存在正相关关系。复杂句式与专业术语通常被视为研究投入与学术训练的信号。然而，在 LLM 辅助论文中，这种关系发生逆转：语言越复杂，发表概率反而下降。

图2：横轴为写作复杂度，纵轴为稿件最终发表（同行评审期刊/会议）的概率；橙线为 LLM-assisted样本，蓝线为 non–LLM-assisted样本，阴影为 95% 置信区间。非 LLM 文本里复杂度越高，发表概率越高；但在 LLM 辅助文本里，复杂度越高对应更低的发表概率。

其根本原因在于，LLM 降低了生成复杂语言的成本，使“语言投入”与“学术投入”发生解耦。当任何人都可以轻松生成结构精致、术语密集的文本时，复杂性本身不再具有区分度。由此带来的风险是“看起来像优秀论文”的文本数量上升，评审负担加重，传统筛选机制的有效性被削弱。

在更宏观的就业语境下，这一变化具有象征意义。当 AI 可以低成本生成专业化成果时，基于形式与表达的能力信号会迅速贬值。评估机制若不更新，可能转而依赖更隐性的地位标记，例如机构背景或既有声望，从而在无形中重塑新的门槛。

四、个体受益与团队收缩：效率提升的另一面

论文题目：Artificial intelligence tools expand scientists’ impact but contract science’s focus

论文链接：
https://doi.org/10.1038/s41586-025-09922-y

发表时间：2026年1月14日

论文来源：nature

清华大学电子工程系李勇教授团队发表于 Nature 的研究则从更宏观的科学计量视角出发，分析了 1980—2025 年间 4130 万篇自然科学论文，识别 AI 赋能研究对科学家个体与整体结构的影响。结果显示，采用 AI 的研究者在论文产出、引用数量与职业晋升方面均显著优于未采用者。初级科学家更快成为项目负责人，退出学术界的概率也有所降低。

图1：AI 扩大了论文影响力并促进了研究人员的职业生涯。a, AI 论文（红色）与非 AI 论文（蓝色）发表后的平均年引用次数（插图显示了前 1% 和前 10% 的情况；样本量 n = 27,405,011），结果显示 AI 论文吸引了更多引用。b, 使用 AI 的研究人员与未使用 AI 的同行（对照组）的平均年引用次数（P < 0.001，样本量 n = 5,377,346），其中采用 AI 的研究人员获得的引用次数是未采用者的 4.84 倍。c, 采用 AI 的初级科学家与未采用 AI 的同行之间两种角色转变的概率（每个领域 n = 46 年的观测值）。与未采用 AI 的同行相比，采用 AI 的初级科学家成为知名研究者（established researchers，即项目负责人）的概率更高，而退出学术界的概率更低。d, 从初级科学家向既定研究者转变的生存函数（P < 0.001，样本量 n = 2,282,029）。生存函数可以很好地用指数分布拟合，结果表明采用 AI 的初级科学家更早成为既定研究者。对于所有面板，99% 置信区间（CIs）均以误差条形式显示，其中图 a 的插图以 1% 和 10% 分位数为中心，其他子图以均值为中心。所有统计检验均使用双侧 t 检验

然而，这种个体层面的“增强”伴随着团队规模的缩小。AI 研究团队平均成员数减少，尤其是初级研究人员数量显著下降。这表明，AI 在提升核心研究者效率的同时，可能替代部分初级岗位的功能。数据处理、模式识别等原本由年轻研究者承担的任务，逐渐被算法承担。

图2： AI 研究与研究团队规模的缩小有关，平均减少了 1.33 名科学家（P < 0.001，样本量 n = 33,528,469）。具体而言，初级科学家（junior scientists）的平均数量从非 AI 团队的 2.89 人减少至 AI 团队的 1.99 人（降幅 31.14%），而既定科学家（established scientists）的数量从 4.01 人减少至 3.58 人（降幅 10.77%）。

在“90% 失业”的讨论框架下，这一点尤为关键。问题或许不在于工作是否彻底消失，而在于岗位结构是否向更少数高技能核心成员集中。效率红利的分配可能更加集中，而非均匀扩散。

五、探索空间的收缩：集体层面的隐忧

更值得关注的是集体层面的变化。Nature 研究引入“知识广度”指标，发现 AI 驱动研究在向量空间中的覆盖范围显著收缩，知识熵降低，研究焦点更加集中于数据丰富的热门领域。引用结构也呈现更明显的“星状分布”，少数顶尖论文吸引大量后续研究，而不同团队之间的横向互动反而减少。

图3：AI 的采用与科学领域内外知识程度的收缩有关。a，研究团队使用预训练的文本嵌入模型将研究论文嵌入 768 维向量空间;然后测量该空间内论文的知识程度。b，为了可视化，研究团队使用 t 分布随机邻域嵌入 (t-SNE) 算法将随机批次 10,000 篇论文 (其中一半是 AI 论文) 的高维嵌入平铺到二维图中。如实心箭头和圆形边界所示，在整个自然科学领域，AI 论文的知识程度 (在未平铺的空间中计算) 较小。此外，AI 论文在知识空间中更加集中，表明对特定问题的关注更加集中。c，每个领域中 AI 和非 AI 论文的知识程度 (P<0.001，每个领域中 n = 1,000 个样本)，其中 AI 研究侧重于更加收缩的知识空间。d，每个领域人工智能和非人工智能论文的知识熵 (P<0.001，每个领域 n = 1,000 个样本)，其中人工智能研究的熵较低。对于面板 c 和 d，方框图以中位数为中心，以第一和第三四分位数 (Q1 和 Q3) 为界。所有统计检验都使用中位数检验。

这一现象与 Science 研究形成一种张力。前者表明 LLM 可能拓宽阅读与引用范围，使研究者接触更多样的文献；后者却发现，在实际研究产出层面，AI 倾向于将资源集中于已有数据优势的领域。换言之，我们可能“读得更广”，却“做得更窄”。

从创新生态的角度看，如果所有研究者都被激励去追逐“数据富矿”，那些数据稀缺但潜在重要的基础问题可能被长期边缘化。效率的提升未必等同于探索的扩张。

六、从科研样本看“90% 失业”的真实含义

综合两项研究可以看到，AI 对科研的影响并非简单的替代逻辑，而是一种结构重排。程序性任务被自动化，语言门槛被压平，核心研究者的效率显著提升，但初级岗位受到挤压，探索空间在集体层面出现收缩趋势。同时，传统质量信号逐渐失效，评估体系面临更新压力。

因此，“AI 让 90% 的人失业”更可能是一种对结构变化的夸张表达，而非对岗位数量的精确预测。真正的挑战在于，如何在效率大幅提升的同时，维护探索的多样性，重建有效的评价机制，并设计新的分工路径，使技术红利不至于演变为结构性集中。

如果说工业革命改变了体力劳动的组织方式，那么 AI 正在改变知识劳动的结构逻辑。问题不只是“人会不会被取代”，而是——在效率与集中度不断提高的环境中，我们是否还能保留足够的多样性与开放性，让创新真正持续发生。

AI+Science 读书会

AI+Science 是近年兴起的将人工智能和科学相结合的一种趋势。一方面是 AI for Science，机器学习和其他 AI 技术可以用来解决科学研究中的问题，从预测天气和蛋白质结构，到模拟星系碰撞、设计优化核聚变反应堆，甚至像科学家一样进行科学发现，被称为科学发现的“第五范式”。另一方面是 Science for AI，科学尤其是物理学中的规律和思想启发机器学习理论，为人工智能的发展提供全新的视角和方法。集智俱乐部联合斯坦福大学计算机科学系博士后研究员吴泰霖（Jure Leskovec 教授指导）、哈佛量子计划研究员扈鸿业、麻省理工学院物理系博士生刘子鸣（Max Tegmark 教授指导），共同发起以“AI+Science”为主题的读书会，探讨该领域的重要问题，共学共研相关文献。读书会已完结，现在报名可加入社群并解锁回放视频权限。