Учёные, которые используют AI, публикуют в три раза больше статей, получают почти в пять раз больше цитирований и становятся руководителями групп на год-два раньше коллег. Это выяснил анализ 41,3 миллиона англоязычных научных работ, опубликованных с 1980 по 2025 год в биологии, химии, физике, медицине, материаловедении и геологии.
Но у медали есть обратная сторона. Исследователи из Beijing National Research Center for Information Science and Technology под руководством социолога Джеймса Эванса (University of Chicago) выяснили: AI-тяжелая наука занимает меньше интеллектуального пространства. Такие исследования теснее группируются вокруг популярных, богатых данными проблем и рождают гораздо более слабые сети последующих цитирований. Проще говоря, все долбят в одну и ту же точку.
«Мы копаем одну и ту же яму всё глубже и глубже», — говорит физик Луис Нунес Амарал из Northwestern University. Он же в прошлом году подробно описал феномен AI-фабрик статей — массовой генерации низкокачественных и откровенно фальшивых работ.
В ходе исследования учёные сравнили 311 тысяч статей, где использовались нейросети или большие языковые модели, с миллионами других публикаций. Закономерность прослеживается на протяжении всей эволюции AI: от раннего машинного обучения через deep learning к нынешней волне generative AI. «И она усиливается», — отмечает Эванс.
Проблема не только в публикационной гонке. AI автоматизирует самые «удобные» части науки: предсказание белковых структур, классификацию изображений, поиск паттернов в данных. Туда, где данных мало, а вопросы размыты, такие системы — и полагающиеся на них учёные — не лезут без специальной настройки.
«Некоторые типы вопросов гораздо лучше подходят для AI-инструментов, — комментирует Кэтрин Шиа из Carnegie Mellon University. — А в среде, где статьи — главная валюта успеха, исследователи естественным образом мигрируют к проблемам, которые проще всего превратить в публикации».
Эванс считает, что дело не в архитектуре нейросетей, а в системе вознаграждений. Пока карьерные стимулы поощряют количество и скорость, наука будет сужать кругозор. «Нам нужно спросить себя: что AI позволит нам делать такого, чего мы раньше не делали?» — говорит он, называя это главным вызовом для будущего научных открытий.