摘要：2025年4月7日，欧盟委员会发布《科学AI：创造力的希望还是危险》（Artificial Intelligence in Science: Promises or Perils for Creativity?）报告，探讨了AI对科学创造力的影响。
2025年4月7日，欧盟委员会发布《科学AI：创造力的希望还是危险》（Artificial Intelligence in Science: Promises or Perils for Creativity?）报告，探讨了AI对科学创造力的影响。
该报告指出，AI的迅速发展以及AI/机器学习工具的广泛普及，引发了人们对其在科学中的作用的兴奋与担忧。AI带来了加速科学发现的前所未有的能力——无论是通过更有效地处理大量数据来检测人类研究人员可能无法发现的关系、趋势或异常，还是通过支持诸如文献综述、头脑风暴、编写代码等研究任务。
然而，当科学家将AI作为知识生产的合作伙伴时，它也会带来认知上的风险。事实上，对AI的过度依赖引发了人们担忧其对科学创造力、可信度、研究诚信以及更根本的科学理解的影响。
那么，AI到底如何影响科学创造力？为了回答这一问题，该报告从OpenAlex平台上收集了2000-2022年间AI在80个领域使用情况的文献进行了实证分析，部分结果如下：
1.AI在科学领域的应用日益广泛
统计显示，与AI相关的科研活动数量在2010-2015年期间稳步增长，之后急剧加速。第一次飞跃可归因于AlexNet（2012年）突破性成果引发的"深度学习革命"以及深度卷积神经网络（CNN）的普及。第二次激增则可能由Transformer架构的出现和广泛应用推动——继Vasani等人发表开创性论文《注意力机制就是全部所需》之后。
2.中国在AI研究方面领先于美国和欧盟
从AI论文数量来看，中国表现尤为突出，在2010年至2016年期间略有下降之后，AI研究产出飙升，超过了欧盟和美国。相比之下，欧盟和美国则保持了稳步上升趋势，尽管这两个地区近年来都略有放缓。
当筛选至少达到10次引用门槛的论文时，情况仅略有变化，除近年来外，美国一直领先于欧盟，而中国在2018年后的引用数量上仍超过欧盟和美国。如果以被引频次位于前1%的论文来衡量，中国从2020年开始占据领先地位，美国表现始终优于欧盟。
3.AI的采用与科学创新性呈现正相关
研究发现，AI的采用与所有创新性指标均呈正相关。具体表现为：AI显著提高了引入新词汇、新短语及新词/短语组合的可能性，这些是概念创新性的重要标志；此外，AI的融合似乎使科研成果在语义层面与既往研究产生更大距离，从而更具创新性。这进一步强化了这样一种观点，即：AI通过提供新工具、开辟新研究路径（例如发现现有药物或试验药物的新治疗用途）来拓展科学研究范围。
4.AI对科研成果的产出存在地区差异
研究显示，无论是新颖性指标还是引用阈值，AI对科研产出的促进作用在中国表现最为显著，而欧盟和美国则呈现相似趋势。这表明中国不仅在科研产量上实现了追赶，更重要的是，政府通过大规模AI研究投入和基础设施建设来加速技术进步的战略，已使中国在AI驱动的科学创新和影响力方面也处于全球领先地位。
该报告最后指出，AI已不再局限于小众应用——从代表A的考古学（Archaeology）到代表Z的动物学（Zoology），它正在塑造或重塑各学科领域的研究范式与科研工作流程。其变革性与深远影响使之成为一种强大的"发明方法"，有望帮助科学界摆脱近几十年的生产力低迷困境。但机遇与挑战并存，AI既可能加速科学发展，同样也可能阻碍科研进步。
需要特别强调的是，AI的影响力不仅取决于技术本身，更与其应用方式和地域密切相关。研究发现有两个主要结论值得关注：首先，AI在知识体系稀疏且复杂的领域（即概念更为碎片化、关联性更弱的学科）产生的变革效应最为显著；其次，区域差异十分突出——近年来中国在AI驱动的研究中已取得领先优势，不仅在科研成果数量上超越欧美，更在科学创新性和影响力方面展现出更强实力。
这些研究发现一方面具有政策意义，另一方面也引发了更深层次的哲学和认识论思考——在智能机器时代，"成为科学家"究竟意味着什么？
首先从政策层面来看，尽管确保AI研究的战略优势是多数政府的共同优先事项（将AI应用于研发也隐含在旨在增强科研与产业竞争力的政策议程中），但大多数国家AI战略对AI在科学中作用的明确关注仍显不足。OECD对32个国家AI战略的审查显示，仅有极少数战略包含支持科研领域AI应用的具体措施。
除这一缺口外，本研究揭示的AI效益在学科间分布不均现象，更提出了重要的政策考量。某些学科可能尚未充分挖掘AI潜力，这要求我们采取针对性干预措施以促进其采用和有效运用。政策支持可体现为：根据学科特性提供财政激励、改善基础设施、开展专项培训计划等。但目前几乎没有系统证据能说明：哪些资金渠道最能有效支持现有AI能力的即时部署与长期核心AI研究；不同应用领域（如计算能力和数据获取）的实际基础设施需求为何；以及如何设计高级培训计划以最优提升研究人员的AI素养与技能。
这一空白显然呼吁未来研究从多个维度延伸和补充：（1）纳入更新数据以捕捉最新技术发展（首先是生成式AI与大语言模型，也包括最新推理模型）；（2）扩展至更多科学领域，最好能像本研究一样采用差异化细分维度；（3）探索科研产出与生产力的替代性衡量指标；（4）运用因果推断方法评估AI专项资助、计算设施获取等制度干预对科研领域AI应用的影响等。
另外，AI风险真实存在且影响重大，所以不容忽视。在AI系统能力和普及度飞速提升的同时，人类能否有效掌控这一快速演进技术的忧虑也与日俱增。因此，政策制定必须保持敏捷，及时应对新挑战——既要激励AI驱动的科学研究，又需管控相关风险（包括复杂AI/ML模型的黑箱特性、潜在滥用与偏见等问题），在科研治理中寻求微妙平衡。
AI在科研中的广泛应用确实带来了新的治理挑战，特别是其对研究诚信与伦理的影响。2024年欧盟委员会发布的《科研领域AI负责任使用指南》确立了四项基本原则：可靠性（确保研究质量）、诚实性（如实报告AI使用情况）、尊重性（考虑可能受影响的各方利益相关者）及问责性（对AI使用及其产出负责）。但具体实施仍需分领域制定实操指南——虽然高层原则对指明方向很有价值，其落地应用必须结合具体科研场景。
人类科学家首次面对一种在复杂性与能力上可与人类智能比肩的机器智能。这种前所未有的互动促使我们进行深刻反思：究竟什么让我们区别于智能机器？诚然，机器的智能水平持续提升，但真正的创造性直觉思维需要允许犯错、随时跳出逻辑框架、在不可预测中学习的能力。这是因为人类大脑是确定性、混沌性与随机性的复杂结合体，而当前AI在这方面仍有本质局限。
另一个关键维度是"远见"——这与单纯的"观察"截然不同。迄今为止，机器仍缺乏这种特质：它们不会自主决定探索遥远星系（尽管在被指定任务时能出色处理天文数据）；在解决微积分和量子力学复杂问题方面，机器比大多数科学家更高效，但它们永远无法率先洞察到构建这些理论体系的必要性。
底线是：要破解自然界的重大谜题，我们或许需要超越人类智能的其他智慧形式。因此，AI在科研中的应用将从奢侈品转变为必需品。但科学的本质不仅在于回答问题，更在于提出正确的问题——这种提出革命性问题的能力，正是人类科学家不可替代的独特价值。
资料来源：
European Commission(2025). Artificial intelligence in science : promises or perils for creativity? https://data.europa.eu/doi/10.2777/6693925
[本文为中国教育科学研究院国际教育研究中心承担的教育部高校国别和区域研究2024年课题研究成果]
来源：中国教科院比较所