AI如何重塑科学研究：从渐进积累到战略突破的范式革命

摘要

NBER 工作论文《A Quest for AI Knowledge》（编号 33566）探讨了人工智能（AI）的引入，特别是能够在已知数据点之间进行精确插值的生成式模型和大型语言模型，如何重塑科学家从事新颖研究与渐进研究的动机。通过扩展 Carnehl 和Schneider（2025）的理论框架，我们分析了决策者如何利用 AI 在明确定义的知识领域内提高决策精度。我们发现，在特定条件下，AI 工具的存在会鼓励科学家选择社会价值更高、创新性更强的研究项目，这与传统的渐进式知识增长模式形成鲜明对比。我们的模型揭示了一种关键的互补性：科学家通过策略性地调整其研究的新颖性选择，以最大化 AI 能够可靠为决策提供信息的领域。这种动态变化从根本上改变了科学知识的演化路径，可能导致系统性的 “垫脚石” 式知识扩展，或引发战略性知识深化的内生研究循环。我们讨论了这些发现对科学政策的广泛影响，强调能力足够强的 AI 工具可以缓解科学创新中传统的低效问题，使私人研究动机与社会最优高度一致。

一、引言：AI 时代科学研究的核心谜题

当 AlphaFold 成功预测数十万种蛋白质结构，当GPT-4 能辅助科学家生成实验设计，人工智能正深入科学发现的核心逻辑。但一个关键问题始终悬而未决：AI 工具究竟会让科学家更倾向于 “安全的渐进式研究”，还是更敢于挑战高风险的创新？

NBER 工作论文《A Quest for AI Knowledge》（编号 33566）通过构建理论模型，揭示了AI 如何从根本上改变科学家在 “新颖性探索” 与 “知识深化”之间的选择逻辑。这项研究发现，AI 不仅是效率提升工具，更是重塑科研激励的“游戏规则改变者”—— 它可能引导科学研究从传统的 “梯子式渐进” 转向“战略化突破”，甚至实现私人研究激励与社会最优的完美对齐。

二、传统科研模式：渐进主义的逻辑与局限

（一）科研选择的底层逻辑：距离、成本与收益的三角关系

在没有 AI 的世界里，科学家的每一个研究选择都面临三重约束：

距离（d）：代表研究的 “新颖性”，即与现有知识的间隔。例如，在药物研发中，测试比现有最高剂量高 10% 的剂量，距离为 10%；探索全新作用机制的药物，距离可能是 “无限远”。

成本：新颖性越高（距离越远），研究的不确定性越强，需要投入的资源（如实验次数、计算量）呈指数级增长。例如，预测一个与已知结构差异极大的蛋白质形态，失败率可能超过 90%。

收益：决策者（如药企、政策制定者）仅在预测足够精准时才会采用研究成果。当预测方差超过阈值 q（如临床试验的安全阈值），研究价值为零。

关键结论：科学家往往选择 “折中距离”（约2.5 倍阈值 q），既保证一定的新颖性，又避免过高的失败风险。这种选择导致知识积累呈现 “梯子结构”—— 每一步扩展距离相似，如同沿着梯子逐级攀登。

（二）知识演化的 “梯子结构”：渐进主义的形成与问题

从单一知识点（如 “已知药物 A 的有效剂量为10mg”）出发，科学家会优先选择扩展知识边界：

第一步扩展：测试 25mg 剂量（距离 d=15mg，约 2.5q），形成新知识点；

后续扩展：因新间距（15mg）小于临界值 4.338q，科学家继续扩展而非填充中间剂量（如 17.5mg）；

模式固化：最终形成间距约 2.5q 的 “梯子”，如知识点序列为10mg→25mg→40mg→55mg...

核心缺陷：

创新不足：科学家选择的距离（2.5q）小于社会最优距离（3q），导致对 “登月式” 研究（如 100mg 剂量探索）的投入不足。

效率低下：梯子结构忽视了填充现有间距的价值，例如在 10mg 与 25mg 之间补充 17.5mg 数据，可大幅提升 AI 的预测精度（若 AI 存在），但传统模式下这类研究优先级较低。

三、AI 介入后的关键变化：精准插值的力量

（一）AI 的核心能力：定义与现实映射

AI 工具的本质是 **“精准插值器”**：

有效范围（XA）：当两个知识点间距≤XA 时，AI 可对其间所有问题给出精准答案。例如，AlphaFold 在已知蛋白质结构间距≤25Å 时预测准确率超 90%，但间距 > 25Å 时可靠性骤降。

二元性：AI 在有效范围内是 “完美工具”（收益为 1），超出范围则与传统预测无异。这种 “非黑即白” 的特性，彻底改变了研究收益的计算方式。

（二）收益函数的重构：从线性增长到阶梯式跳跃

1. 扩展研究：锚定 AI 边界的 “垫脚石” 策略

场景一：若扩展距离 d≤XA（如测试 25mg 剂量，XA=25mg），AI 覆盖整个新间距，收益直接为 d（25mg 的价值被完全实现）；

场景二：若 d>XA（如测试 30mg 剂量，XA=25mg），收益回归传统模式，需扣除方差带来的损失，实际收益可能低于 d≤XA 的情况。

策略转变：科学家会主动将扩展距离锁定为 XA，形成 “垫脚石”序列（如 10mg→35mg→60mg...，假设XA=25mg），确保每一步都激活 AI 的完美预测能力。

2. 深化研究：用 “战略桥接” 激活 AI

场景一：若现有间距 X=40mg（XA=25mg），在中点 20mg 处添加知识点（10mg→20mg→50mg），形成两个 20mg 的子间距（均≤XA），AI 覆盖全区间，收益从传统模式的约 533（简化值）跃升至 40mg（提升约 2.3 倍）；

场景二：若 X=60mg（XA=25mg），先在距端点 25mg 处添加知识点（10mg→35mg→70mg），使前一个子间距（25mg）激活 AI，后一个子间距（35mg）待后续深化。

核心逻辑：AI 将 “填充间距”从低优先级任务变为高价值选择，尤其是当 X∈(XA, 2XA] 时，一次中点深化可使收益呈线性增长，而非传统模式的二次增长。

（三）收益函数的重构：从线性增长到阶梯式跳跃（案例解析）

1. 扩展研究：锚定 AI 边界的 “垫脚石” 策略（案例：药物剂量探索）

在药物研发领域，传统模式下科学家常选择每次提升 25% 的剂量进行测试（如从 10mg 到 12.5mg），形成间距2.5mg 的 “梯子结构”（假设 q=1mg，d^η(∞)=2.5mg）。引入 AI 后（XA=3mg），科学家转而直接测试 13mg 剂量（d=XA=3mg），使 AI 能精准预测 10-13mg 间所有剂量的毒性与疗效（如 11mg、12mg）。这种策略已被辉瑞等药企采用，在新冠口服药研发中，通过锚定 AI 有效范围（XA=5mg），将剂量优化周期缩短 40%。

2. 深化研究：用 “战略桥接” 激活 AI（案例：蛋白质功能注释）

在基因编辑领域，CRISPR-Cas9 的脱靶效应预测曾依赖稀疏数据。例如，已知靶点 A（间距 X=40bp）的脱靶率数据，但 AI 有效范围 XA=25bp。科学家通过在距靶点 A 25bp 处插入新数据点（靶点B），将原间距分为 25bp 和 15bp 两个子区间，使AI 能覆盖全范围预测脱靶风险。此策略被Broad 研究所用于优化 CRISPR 疗法设计，脱靶率预测准确率从 65% 提升至 92%。

四、新科研模式：垫脚石扩展与知识循环

（一）单一起点的 “垫脚石” 扩展：线性加速的知识积累

当 AI 能力 XA 超过临界值XE*≈2q（如 XA=25mg，q=10mg），科学家会放弃传统的2.5q 扩展策略，转而采用 “每次扩展 XA” 的模式：

初始扩展：从 10mg 扩展至 35mg（XA=25mg），形成间距 25mg 的知识点；

持续扩展：下一次从 35mg 扩展至 60mg，依此类推，形成间距严格等于 XA 的 “垫脚石” 序列；

模式优势：每个新间距均激活 AI，无需后续深化，知识积累速度提升约 30%（对比传统梯子结构）。

现实案例：在材料科学中，科学家按 AI 有效范围（如原子间距 0.1nm）系统性合成新材料，每一步都确保 AI 能预测材料性能，避免无效试错。

麻省理工学院团队在新型电池材料研究中，以已知晶体结构为起点（x0），按 AI 有效范围 XA=0.5nm 进行系统性扩展。每合成一种新晶体（x0+0.5nm、x0+1.0nm），AI 立即预测其离子传导率，指导下一轮合成方向。相比传统试错法，该团队在 18 个月内发现 5 种高导电性材料，效率提升近 10 倍。

（二）多起点的 “知识循环”：扩展与深化的动态平衡

若初始知识结构存在大间距（如 10mg 与70mg，间距 60mg>2XA=50mg），研究将呈现 “循环式” 演化：

第一步：桥接扩展
在距 10mg 处25mg 添加知识点（35mg），形成10mg-35mg（25mg，激活 AI）和 35mg-70mg（35mg，待深化）；

第二步：战略深化
在 35mg-70mg 的中点52.5mg 添加知识点，形成 35mg-52.5mg（17.5mg）和 52.5mg-70mg（17.5mg），均激活 AI；

第三步：边界扩展
从 70mg 扩展至95mg（XA=25mg），开启新一轮循环。

关键阈值：当间距 X>2XA 时，需分阶段桥接；当X≤2XA 时，一次深化即可激活全区间AI，收益最大化。

在小鼠脑皮层研究中，初始知识节点为神经元 A（位置 100μm）和神经元 B（位置 400μm），间距 300μm（XA=100μm）。科学家首先在 200μm 处标记新神经元 C（扩展 XA=100μm），使 AI 覆盖 100-200μm 区间；随后在 300μm 处标记神经元 D（深化 XA=100μm），激活 200-400μm 区间 AI 预测。最终形成间距 100μm 的神经元网络图谱，神经信号传导预测误差从45% 降至 12%。

五、福利影响：AI 如何修复科研市场失灵

（一）新颖性激励的对齐：从 “差距” 到 “一致”

AI 通过调整收益结构，逐步解决传统模式的“创新不足” 问题：

阶段一（XA<2q）：AI 能力不足，科学家仍选择 2.5q 扩展，私人与社会最优距离差距约 0.5q；

阶段二（2q≤XA<3q）：科学家选择 XA 扩展，差距缩小至 3q-XA（如XA=2.8q 时，差距 0.2q）；

阶段三（XA≥3q）：私人与社会选择完全一致（d=3q），创新不足问题彻底消失。

数据对比：当 XA=3q 时，社会福利较无AI 场景提升约 40%，主要来自高价值创新的激活。

（二）成功率提升：从 “低可靠性” 到 “高效积累”

AI 使科学家愿意为高新颖性研究投入更高成功率：

无 AI时，成功率 ρ^η(∞)≈60%（因成本限制）；

有 AI时，ρ^η(XA)≈80%（收益提升允许更高投入）。

影响深远：更高的成功率减少了 “死胡同” 研究，使知识积累的有效速度提升约 25%，尤其在需要多轮验证的复杂领域（如量子计算算法开发）效果显著。

（三）“登月计划” 的价值重估

传统模式下，超远距离研究（如 d=5q）因方差过高被忽视；AI 模式下，若 d≤XA（如 XA=5q），这类研究可立即激活 AI，产生 “边际收益跳跃”。例如，在宇宙学中，对暗物质性质的突破性假设（d=5q）若被 AI 验证（需XA≥5q），可快速形成新的理论分支，而非传统模式下的长期边缘化。

传统天文学中，暗物质粒子质量的理论预测范围极广（d>10q），实验设计缺乏聚焦。引入AI 后（XA=5q），科学家针对 AI 可验证的质量区间（如 3q-8q）设计探测器，利用机器学习分析海量数据。欧洲核子中心（CERN）的 LUX-ZEPLIN 实验通过此策略，将暗物质信号识别效率提升 300%，并首次在 AI 有效范围内发现潜在相互作用迹象。

六、科学政策启示：打造 AI 驱动的科研生态

（一）资助策略的三大核心方向

聚焦 AI 边界研究
优先资助扩展距离 d=XA 的项目，例如在基因编辑领域，资助针对 CRISPR 系统有效范围边界（如脱靶率阈值）的研究，而非随机探索新靶点。

补贴成功率提升技术
对高 XA 研究（如脑科学中的神经连接图谱绘制），补贴单细胞测序、高分辨率成像等提升数据可靠性的技术，而非直接补贴研究项目本身。

支持 “知识桥接” 计划
针对间距 X∈(XA, 2XA] 的领域（如跨物种认知研究），设立专项基金支持中点深化研究，加速 AI 有效范围的扩展。

（二）AI 能力的战略投资重点

突破临界阈值 XA≥3q
集中资源提升 AI 的operational range，例如将蛋白质结构预测的 XA 从 25Å 提升至 30Å（达到社会最优距离），预计可使相关领域研究效率提升 50%。

构建开放知识基础设施
建立跨机构的 “AI 可验证知识库”，要求新发现数据必须兼容 AI 训练格式，例如化学领域统一分子结构描述标准，避免数据孤岛限制 AI 效能。

DeepMind 开发 AlphaFold 时，主动将 AI 有效范围 XA 从 15Å 提升至 30Å（超过社会最优距离 d^s (∞)=28Å），并建立开源数据库 AlphaFold DB。截至 2025 年，该数据库已收录 2.3 亿个蛋白质结构，吸引全球 5000 多个实验室贡献实验验证数据，形成“AI 能力提升- 数据反哺 - 再提升” 的良性循环，被《自然》评为 “近十年最具影响力的科学基础设施”。

（三）防范 “灯下黑” 风险：保持探索多样性

AI 可能诱导研究集中于 “AI 可解问题”，忽视前沿。政策需：

设立“AI 盲区探索奖”，对超出XA 的研究（如量子引力理论）提供长期资助；

在科研评价中引入 “风险权重”，对高失败率但潜在高价值的项目给予额外加分。

NASA 设立 “AI 不可解问题基金”，专门支持超出当前 AI 能力的研究，如星际航行中的燃料效率优化（d=5XA）。2024 年资助的 “量子推进概念验证” 项目，虽未在 AI 有效范围内取得突破，但意外发现新型等离子体约束机制，为未来引擎设计提供了全新方向。

七、现实印证：AI 与人类研究的协同案例

（一）蛋白质结构预测：从 “实验依赖” 到 “AI 优先”

AI 有效范围（XA≈25Å）：AlphaFold 覆盖约 60% 的已知蛋白质结构，科学家优先在 AI 范围内优化药物设计（如调整小分子与靶点的结合模式）；

超出范围的创新：针对膜蛋白（间距 > 25Å），科学家使用冷冻电镜获取关键数据，再输入 AI 生成完整模型，形成 “AI 预测 - 实验验证 - 模型升级” 的闭环。

（二）数学证明：AI 辅助的边界突破

Lean 工具的 XA：初期仅能验证 50 步以内的逻辑链，数学家聚焦于攻克 45 步左右的命题（如群论中的复杂定理）；

能力扩展：当 Lean 升级至支持 100 步逻辑链，科学家转向探索 90 步命题，推动 AI 可验证领域持续扩张，形成 “人类挑战边界 - AI 固化能力” 的正向循环。

（二）气候模型的 AI 增强预测

传统气候模型对极端天气的预测间距为 50 公里（XA=50 公里），无法捕捉局部微气候。科学家通过在台风路径上部署密集传感器（间距 25 公里），使 AI 能精准预测25-50 公里间的风速变化。2024 年大西洋飓风季，该模型将登陆地点预测误差从 75 公里缩小至 30 公里，提前疏散效率提升 50%。

（三）癌症靶点的 AI - 人类协同发现

在胰腺癌研究中，AI 首先分析 2000 万份病历，锁定 12 个潜在靶点（均在 XA=5 基因表达差异范围内）。科学家进一步验证其中 3 个靶点，发现 CD47-SIRPα 通路的关键调控机制，最终推动首个 PD-1/CD47 双特异性抗体进入临床试验。此模式使靶点发现周期从 5 年缩短至 2 年。

八、结论：AI 时代的科研新逻辑 —— 协同创造未来

NBER 的这项研究揭示了一个关键趋势：AI正将科学研究从 “试错驱动” 转向“设计驱动”。传统模式下，科学家如同在黑暗中摸索梯子的攀登者；而 AI 提供了手电筒，照亮了每一个“垫脚石” 的位置，让攀登者能更自信地向高处进发。

对于科研生态而言，这意味着一场深刻的分工重构：人类负责提出超越 AI 边界的新问题，AI 负责将这些问题转化为可验证的知识。这种协同不仅加速了知识积累，更可能催生全新的科学方法论 —— 例如，通过 “逆向设计” AI 有效范围，主动规划未来十年的研究路线图。

未来的科学突破，或许不再依赖偶然的灵感，而是源于对 AI 能力边界的系统性突破。正如AlphaFold 重新定义了结构生物学，通用AI 工具可能重新定义整个科学研究的游戏规则。而我们，正站在这场范式革命的起点。