AI进入科研流程，一直被寄予厚望：写代码、查文献、跑分析、排版投稿，这些琐事交给大模型，科学家就能腾出双手，专注真正重要的思考。
但一篇新发表的理论研究提出了相反的判断：即便大语言模型完美无缺、零错误、零成本，科研质量也可能变得更差，而不是更好。原因不在AI本身，而在经济学里一个古老的概念——机会成本。
省下的时间，去了哪里？
这篇论文来自普林斯顿大学、华盛顿大学等机构的研究者。他们的核心推理链条是这样的：当AI替科学家省下了某个环节的时间，科学家的时间就变得更“值钱”了。每一小时花在现有项目上，就意味着少了一小时去启动一个新项目。
于是，一个反直觉的结果出现了：时间越充裕，科学家反而越不愿意在一个项目上深耕。因为把时间投给新项目，可能带来新的论文、新的发现、新的机会；而把时间花在打磨已有项目上，边际收益看起来就没那么诱人了。
研究者用行为生态学里的“最优觅食理论”来建模——这个框架原本用来描述动物如何在不同的食物来源之间分配精力。迁移到科研场景中，它模拟的是：当AI缩短了项目生命周期中不同阶段的时间成本，科学家会把劳动力往哪里倾斜。
项目只有两个阶段，但取舍很残酷
在模型里，一个科研项目被拆成两个阶段。第一阶段是“可行性判断”：研究者先看这个想法是否值得做，再决定是放弃还是推进。第二阶段是“推进执行”，又分成两部分：强制部分——比如做图、排版、投稿这些绕不开的流程；以及自愿部分——比如多跑几组实验、做更深入的分析、把文章打磨得更漂亮。
论文作者指出，当时间变得稀缺时，最先被牺牲掉的，恰恰是那个“自愿部分”。
换句话说，AI省下来的时间，并没有被用来把一篇论文做得更深，而是被用来开下一篇新论文。
三种场景，指向同一个结论
论文设想了AI介入科研流程的三种场景，结果都不太乐观。
第一种场景，AI用来辅助评估早期想法。因为“重新开始”的成本变低了，研究者会变得更挑剔，只有最有前景的项目才能进入下一轮。但问题在于，即便是这些过关的项目，得到的打磨也会更少——因为省下来的时间，拿去开新项目更划算。作者说，这种模式在技术类领域尤其典型。
第二种场景，AI用来加速发表环节——写作、排版、分析都快了。结果是：因为“把论文发出去”这件事变得太容易，一些本来不值得做的弱项目，现在也值得做了。于是，进入流通的论文变多了，但每一篇的平均深度，变浅了。
第三种场景论文中也有涉及，整体逻辑延续了前两种的推演方向。
不是AI的错，是激励结构的错
这篇论文最值得注意的地方在于：它刻意把AI理想化了。模型假设AI不犯错、不引入误差、成本几乎可以忽略不计——这等于排除了大模型目前众所周知的幻觉、不可靠等弱点，只为了单独检验“时间节省”这一个变量的纯效应。
结果依然指向负面。
这其实是一个比“AI有幻觉”更让人不安的结论：就算AI哪一天完美了，科研生态的内在激励结构，也可能让技术进步变成质量稀释的加速器。
当发表论文的成本降低，论文数量会上升，但单篇的含金量可能下降。当启动新项目的成本降低，科学家会更倾向于频繁切换赛道，而不是在一条路上挖到足够深。
这不是某个人的选择问题，而是整个系统在“机会成本”逻辑下的自然演化。
效率提升，不等于质量提升
这篇论文的价值，在于把“AI赋能科研”这个叙事翻过来看了一眼。它提醒我们：效率提升和质量提升，是两条独立的曲线。AI确实能帮科学家做更多事，但“更多”不等于“更好”。
当每个人都在更快地产出，深度反而可能成为稀缺品。而深度，恰恰是科学进步最需要的东西。
论文作者没有给出解决方案，他们只是提出了一个值得整个科研共同体认真对待的问题：当AI把时间还给科学家，科学家真的会把时间用在“思考”上吗？
热门跟贴