Nature警示：AI科研热潮下的冷思考
AI 科研流水线系列至此已发布前 4 站内容：首站为借助 AI 寻找资源，第二站是利用 AI 进行预测，第三站是使用 AI 辅助设计，第四站则是由 AI 自动完成实验流程。表面上看，AI 在科研中实现了全面提速。
然而在 5 月 19 日，Nature 发表的一篇评论文章却给这一趋势敲响了警钟。该文标题为「AI 在科研中的盲目应用令人担忧，我们急需设立规范」，作者为耶鲁大学的人类学教授 Lisa Messeri 与普林斯顿大学的心理学教授 M. J. Crockett。
他们的主要观点是：论文数量的增加，并不等同于科学进展的加快。文章列举了三个具体案例，指出副作用已经开始显现。这篇文章为我们整个系列提供了一个反思性的结尾。
关键信息速览 · Nature 评论要点
文章类型
Nature 评论文章
时间
2026 年 5 月 19 日
作者
耶鲁 + 普林斯顿
Messeri & Crockett
核心警告
三大证据
思路 + 质量 + 新人
最大规模分析
涵盖 4130 万
篇论文，涉及 6 个学科
AI 科研流水线 · 五站规划图
站 1
找资源
已完成
站 2
做预测
已完成
站 3
搞设计
已完成
站 4
做实验
已完成
★ 站 5
想风险
本期总结
系列总结。前四站展示了 AI 的科研能力，本期刊文则聚焦于 AI 的局限性。
第一个证据来自 2026 年另一篇 Nature 论文（Hao 等人）。该研究分析了 4130 万篇研究论文，涵盖生物、医学、化学、物理、材料、地球科学六大领域。研究结论指出：
「AI 的使用促使研究者聚焦于已有问题的重复解决方案，而非探索新问题。」
换句话说：使用 AI 工具撰写论文的研究人员更倾向于研究已被广泛探讨的问题，给出与他人相似的答案。这是因为 LLM 基于历史语料训练，自然地复制了已知研究模式。
Messeri 和 Crockett 将这种现象称为「对知识生态的连锁影响」。简言之，AI 不仅使单篇论文趋同，还逐渐压缩了整个科学界的探索空间。如果所有人都使用相同的 AI 工具研究相同问题，真正的创新思想将被逐渐排挤。
第二个证据更加直接。两组独立研究都发现了一致的现象：
第二项研究的作者得出了一个直白的结论。原文是：
「表面上很有说服力但科学上令人失望的研究，可能会淹没整个文献。」
这个警告非常明确。LLM 让每个人都能写出语法完美、逻辑顺畅、看起来很专业的论文。但当这种能力被普及后，「写得好」就不再等同于「科学好」。审稿人和读者需要更多精力来识别真正有价值的研究。
这是文章中最尖锐的一段，也是耶鲁大学这位人类学教授最擅长的视角。
Messeri 和 Crockett 引用了科学社会学经典理论 Harry Collins 的「隐性知识」（tacit knowledge）概念。简言之，科研有两种知识：
显性知识（explicit knowledge）
即论文、教科书、方法部分中可被语言传递的内容。
隐性知识（tacit knowledge）
无法完全通过语言传递，只能通过实践和师徒传承获得。例如：哪些数据看起来「合理」、实验细节中哪些地方容易出错、一个结果是否与已有文献相符。
科研新人如何获得隐性知识？传统路径是从「入门级」工作开始：清理原始数据、做文献综述、给老师打杂跑实验。这些工作看似枯燥，但正是它们让新人逐步接触到真实的数据、文献和实验。
问题在于：AI 正在替代这些入门级工作。LLM 帮你清理数据、撰写综述、运行模拟。新人不再有机会进行这些「枯燥但重要」的工作，因此无法积累隐性知识。
Messeri 和 Crockett 指出了一个最令人担忧的悖论。AI 工具的开发者反复强调：
「我们的目标不是替代科学家，而是增强和加速他们的工作。」
这听起来很合理。AI 生成结果，专家科学家来检查、纠错、负责。但 Messeri 和 Crockett 反问：
监督 AI 需要资深科学家的判断力。判断力来自经验。经验来自从入门工作一步步积累的隐性知识。但 AI 正在削减这些入门工作。
那么下一代「应该监督 AI 的科学家」从何而来？
这个问题没有简单答案。两位作者只是冷静地将其发表在 Nature 主刊上，让整个学术界共同思考。
Nature 评论 · 一句话总结
发表更多论文 ≠ 科学进展更多
研究思路在变窄 · 写得好不再等于科学好
新人正在被「去技能化」
Messeri (耶鲁) · Crockett (普林斯顿) · Nature 2026
数据 · doi.org/10.1038/d41586-026-01557-x | 科研 AGENT 实验室
↑ 长按保存或截图发送至导师 / 研究生群
前四站我们介绍了 AI 在科研中的应用：找资源、做预测、搞设计、做实验。每一步都令人振奋。但 Nature 的这篇评论在最后敲响了警钟。
这两位教授并非反对 AI，他们都是顶尖学者，肯定也在自己的工作中使用 AI。他们强调的是「我们急需设立规范」。不是停止使用，而是在使用中设立护栏。
对每个使用 AI 做科研的人，有三句话：
① 使用 AI 加速可以，但不要让 AI 替你判断。判断力是科学家最宝贵的资产，必须自己培养。
② 入门级的「枯燥」工作不要全部外包给 AI。清理数据、阅读文献、运行预实验，这些是你积累隐性知识的入口。
③ 带学生的导师要特别警惕。不要让学生在获得博士学位时，发表能力世界一流的，但判断真实科学问题的能力却几乎是空的。
五篇连载，AI 科研流水线系列到此结束。回顾来看，每站对应 AI 在科研流程中的一个角色：
前四站展示了 AI 在科研中的力量。最后一站提醒我们，这种力量需要被审慎使用。这两件事并不矛盾，都是当代科研人应有的态度。
论文信息
Messeri L, Crockett M J. 对 AI 在科研中的盲目应用令人担忧，我们急需设立护栏。Nature, 2026, 653(8115): 675-676. DOI：10.1038/d41586-026-01557-x ｜ 相关原始论文：Messeri & Crockett, Nature 2024, 627: 49-58（AI 与科研中的理解幻觉）
💬 评论区聊聊
你在科研中最依赖 AI 的是哪一步？写文献综述、清理数据、运行代码，还是想 idea？如果让你完全不用 AI 重新做一次，你最舍不得放手的是哪一步？评论区聊聊你的实际依赖。
📤 发给你身边的导师和研究生
这篇值得在课题组里读一遍。AI 帮你写得快不一定帮你做得好。特别是带学生的导师，要警惕学生在博士期间发表能力一流但判断力空白。这是 Nature 写给整个学术界的话，比任何一份导师建议都更重。
🎬 系列收官
AI 科研流水线系列 5 篇全部发完。后续会继续做新的系列，可能聚焦：单一论文深度精读、科研工具组合避坑、AI4Sci 商业化观察。想看什么主题在评论区说。
科研 AGENT 实验室 · 顶刊雷达 系列第 5 站，共 5 站 · 收官
2026-05-31