人工智慧正從輔助工具轉變為科學基礎設施的組成部分。過去需要大型跨領域團隊才能完成的任務，例如文獻回顧、實驗設計和模型建構，現在越來越多地可以由具備良好判斷力和有效 AI 系統的小型團隊來處理。
問題不再是 AI 是否會增加科學產量，而是它將如何重塑科學家選擇提問的方式。例如，2026 年《自然》雜誌的一項研究，利用預訓練語言模型分析了 4100 萬篇自然科學論文，以識別 AI 輔助的研究。研究發現，從事 AI 輔助研究的科學家發表的論文數量是未從事者的三倍，獲得的引用量也接近五倍。然而，AI 的使用也與研究主題範圍縮小 5%、合作減少 22% 有關。
因此，AI 可能會讓科學研究變得更容易，但同時也可能縮小集體追求的問題範圍和推理風格。
我在自己跨學科的工作中，親眼目睹了這種張力，我的工作橫跨演算法設計、生物數據分析和臨床研究。例如，數十年的嚴謹研究仍未能解決憂鬱症究竟是一種疾病還是一系列症狀相似的病症的疑問。這部分是因為這個問題需要跨越不同領域的轉譯，包括臨床症狀評估、腦影像預處理、演算法設計和臨床驗證。傳統上，每個步驟都需要不同的專業知識，而在跨學科的交接點上，進展往往會減緩。AI 可以透過協助研究人員閱讀其領域之外的論文、比較方法學選擇以及將統計模式轉譯回臨床術語，來減少這種斷裂感。
然而，這種進步也潛藏著風險。一旦這個鏈條變得容易自動化，它就可能成為「論文工廠」的範本——一個 AI 工具可以導引文獻搜尋、識別顯著關聯，並最終撰寫出一篇完善的手稿。研究人員或自動化系統，不必深入探究一個問題，而是可以將相同的流程應用於各種數據集或主題，並穩定地產生可發表的結果。實際上，這使得研究工業化成為可能：產生許多方法相似、結論看起來也相似的研究。而失去的是質疑假設、探索替代解釋以及詢問原始問題本身是否構建得當的、更為緩慢、更為關鍵的工作。
