Искусственный интеллект превращает ученых в фабрики по выпуску публикаций — и незаметно направляет их в одни и те же перенаселенные ниши исследований.
Анализ свыше 40 миллионов научных статей выявил: исследователи, использующие инструменты ИИ, выпускают больше работ, набирают вдвое больше цитирований и занимают руководящие позиции на год-два раньше коллег без таких помощников.
Но цена высока. Пока отдельные ученые взлетают вверх по карьерной лестнице, наука теряет широту взглядов. Работы с активным применением ИИ затрагивают меньше тем, плотнее группируются вокруг хайповых направлений вроде ChatGPT и AlphaFold. Эти системы ценят скорость и объем — но не новизну.
«Конфликт между личными выгодами и общим прогрессом науки налицо», — подчеркивает Джеймс Эванс, социолог из Чикагского университета и автор исследования.
По мере того как ученые стекаются на популярные направления, эксперты предупреждают о замкнутом круге единообразия и снижения оригинальности. «Проблема серьезная», — говорит Луис Нунес Амарал, физик из Северо-Западного университета, специалист по сложным системам. «Мы копаем одну яму всё глубже».
Открытия изложены в статье журнала Nature.
Долголетний интерес к тому, как развивается наука
Для Эванса столкновение эффективности и поиска нового — знакомая тема. Более десяти лет он работает с огромными массивами публикаций и цитирований, чтобы измерить распространение идей, их торможение и сближение.
В 2008 году он доказал: переход к онлайн-публикациям и поиску заставляет ученых чаще читать и ссылаться на заметные работы, что ускоряет новые идеи, но ограничивает их разнообразие. Дальше описал, как карьерные мотивы незаметно подталкивают к безопасным и популярным вопросам вместо рискованных и свежих.
Другие работы фиксировали, как крупные области замедляют инновации в концепциях со временем, несмотря на взрыв публикаций. Недавно Эванс применил тот же подход к ИИ, изучая, как алгоритмы меняют коллективное внимание, открытия и структуру знаний.
Те исследования несли предупреждение: средства для ускорения науки могут сжимать пространство идей, которые она исследует сообща. Новый анализ предполагает, что ИИ разгоняет этот процесс.
Влияние ИИ на карьеры и направления исследований
Чтобы измерить эффект, Эванс и соавторы из Пекинского национального исследовательского центра информационных наук и технологий обучили модель обработки естественного языка для распознавания исследований с ИИ в шести областях естественных наук.
База данных охватила 41,3 миллиона англоязычных статей, вышедших с 1980 по 2025 год в биологии, химии, физике, медицине, материаловедении и геологии. Исключены компьютерные науки и математика, где фокус на создании методов ИИ.
Ученые проследили траектории карьеры отдельных исследователей, накопление внимания к их работам и эволюцию полей — от рассеивания до сгущения идей. Сравнили около 311 тысяч статей с элементами ИИ — например, на базе нейронных сетей или больших языковых моделей, — с миллионами остальных.
Выяснилось четкое равновесие потерь и выгод. Ученые с ИИ втрое продуктивнее по публикациям, почти впятеро успешнее по цитированиям и выходят в лидеры команд раньше на год-два.
А если отобразить эти работы в многомерном «пространстве знаний», исследования с ИИ занимают меньше территории, плотнее скапливаются у модных тем вроде машинного обучения, подъема глубокого обучения и волны генеративного ИИ. «Скорее, тенденция усиливается», — замечает Эванс.
Сужение взглядов — не единственный побочный эффект. Автоматизация упрощает массовое производство рукописей и тезисов для конференций, из-за чего редакторы журналов и организаторы видят всплеск низкокачественных и поддельных материалов, часто фабричных партий.
«Мы зациклились на количестве публикаций, забывая, о чем именно исследуем и как это углубляет понимание реальности, здоровья и природы», — говорит Нунес Амарал, описавший фабрики статей на ИИ год назад.
Автоматизация простейших задач
Помимо искажений в публикациях, анализ Эванса говорит: ИИ в основном берет на себя легкие участки науки, не раздвигая ее границы.
Модели на больших объемах данных мастерски решают четкие задачи: предсказание структур белков, классификацию изображений, выявление закономерностей в огромных наборах. Некоторые уже предлагают гипотезы и направления — намек на «соученого ИИ».
Но без специальной настройки такие системы — и ученые с ними — избегают зон с дефицитом данных и запутанными вопросами, считает Эванс. Риск не в замедлении, а в унификации: лаборатории несутся вперед, но вся наука рискует слиться на одних проблемах, методах и выводах — турбо-версия сужения от поисковиков вместо библиотечных стеллажей.
«Эта работа пугает, когда думаешь о долгосрочных последствиях ИИ в науке», — делится Кэтрин Шей, социальный психолог из Школы бизнеса Теппера Университета Карнеги — Меллона в Питтсбурге.
«Некоторые вопросы лучше подходят для ИИ-инструментов», — отмечает она. В мире, где публикации — валюта успеха, ученые тянутся к задачам, которые инструменты быстро превращают в готовые статьи. «Получается самоподкрепляющийся круг», — добавляет Шей.
Сужение — навсегда?
Продлится ли тренд — зависит от того, как создадут и внедрят новые поколения ИИ в научные процессы.
В свежей статье Боувень Чжоу и коллеги из Шанхайской лаборатории искусственного интеллекта в Китае отметили: ИИ в науке пока разрознен, данные, вычисления и генерация гипотез работают поотдельности, что тормозит обмен знаниями и прорывы. Интеграция меняет дело, расширяя открытия, уверен Чжоу, экс-главный ученый группы IBM Watson.
Возможно, соглашается Эванс. Но дело не в архитектуре ИИ. Главное — перестроить стимулы, определяющие выбор тем.
«Не в самой конструкции», — уточняет Эванс. «В стимулах».
Сейчас задача — осознанно менять применение и поощрения ИИ в науке: «Мы еще не вложились в истинную ценность ИИ — в то, что он позволит делать по-новому».
«Я оптимист по ИИ», — добавляет он. «Надеюсь, эта работа подтолкнет к свежим подходам» — таким, чтобы ученые смелее брались за непривычные вопросы, а не просто ускоряли рутину. «Это ключ к росту новых областей».