在科研圈，“引用量” 是个绕不开的话题。它像一把标尺，悄悄衡量着一篇论文的影响力，越多人在研究中提及它、借鉴它，它的引用次数就越高。可要是问起 “全世界被引次数最多的论文是哪篇”，别说普通读者，就连不少研究者可能都会摇头。毕竟，大家印象里的 “学术明星”，往往是破解 DNA 双螺旋、发现青霉素这类轰动全球的诺奖级成果。但最新数据却颠覆了这个认知：截至目前，人类科研史上的 “引用冠军”，是一篇 73 年前发表的 “技术说明书”。

《自然》杂志近期发布的新分析显示，有些研究的被引次数已突破几十万次。其中，1951 年发表在《生物化学期刊》上的一篇论文，以超过 35 万次的被引记录，稳居 Web of Science 数据库榜首。这个数据库收录了从 1900 年至今的 9800 万篇论文，能从如此庞大的 “学术海洋” 中脱颖而出，这篇论文到底凭什么？

图自Nature

一篇 “不被作者看好” 的实验指南

这篇 “顶流论文” 的核心内容，说起来其实很朴素。它介绍了一种在溶液中测定蛋白质含量的方法，作者是已故美国生物化学家 Oliver Lowry。

在现代生命科学研究里，蛋白质定量是基础中的基础，不管是研究细胞功能、测试药物效果，还是分析生物样本，都得先知道 “这里面有多少蛋白质”。而 Lowry 团队开发的这套方法，就像一把精准的 “尺子”，操作相对简单、结果又稳定，很快成了全球实验室的 “标配工具”。

就像家里装修离不开电钻，实验室做蛋白相关实验，几乎都绕不开这篇论文。它不涉及复杂的理论突破，也没有提出颠覆性的科学观点，却因为 “好用、实用、普适”，成了科研人员笔下的 “常客”。有趣的是，Lowry 本人对这篇论文的 “爆红” 毫无预料。他在 1977 年曾写道，尽管自己深知这篇论文 “并非杰作”，但看到它被如此广泛地引用，私底下还是挺高兴的。

生物科技蛋白质分子结构3D渲染

为了验证这个结果的可信度，《自然》新闻团队不仅参考了 Web of Science 的数据，还比对了另外两个大型科研数据库 ——Dimensions 和 OpenAlex。

这两个数据库的公开版本同样收录了 1900 年以来的研究成果，虽然统计出的被引次数略有差异（普遍比 Web of Science 更高），但所有榜单的 “榜首” 都毫无悬念地指向了这篇 1951 年的论文。这种跨数据库的一致性，更坐实了它 “引用之王” 的地位。

21 世纪论文逆袭，AI 成最大黑马

这次《自然》发布的高被引榜单，其实是对 2014 年版本的一次更新升级。十年间，科研圈的引用格局已经发生了不小的变化。2014 年时，想进入 “被引百强榜”，只需要约 1.2 万次引用；而现在，这个门槛已经飙升到 3 万次以上（此处统计的是被 Web of Science 核心合集论文引用的次数，以便和 2014 年数据横向对比）。门槛的提高，背后是科研成果的爆发式增长，每年发表的论文数量越来越多，可供引用的文献基数也随之扩大，能从中脱颖而出的，都是真正的 “影响力强者”。

更值得关注的是榜单内容的变化。2014 年的百强榜里，占据前列的大多是 20 世纪 50 年代、70 年代的细胞与分子生物学工具类论文；而现在，榜单里有一半名额被后来发表的论文 “夺走”。其中，21 世纪发表的论文表现尤为亮眼：已有 16 篇进入历史总榜前 50 名，要知道，它们积累引用次数的时间，比那些老资历论文短了几十年。

在这些 “新贵” 中，人工智能领域的论文是最大黑马。2015 年，微软研究人员在一场 AI 会议上发表的一篇论文，在三大数据库的排名中位数分析中，已经冲到了第五位（仅在 Web of Science 单一数据库中排第七）。

而另一篇 1997 年发表的论文 —— 介绍 “长短期记忆（LSTM）” 神经网络架构的研究，至今仍保持着高引用热度，在 2023 年被引次数最多的论文中排名第十。LSTM 之所以能 “历久弥新”，是因为它在处理序列数据（比如语言、时间序列）时效率极高，至今仍是 AI 领域的基础工具之一。

荷兰莱顿大学科学计量学退休研究员 Paul Wouters 分析，新论文之所以能快速逆袭，有两个关键原因：一是每年发表的论文数量激增，带来了更多的引用机会；二是在线研究平台和社交媒体的普及，让优质论文能更快被科研界看到，传播速度比过去快了好几倍。

图自Nature

实用主义至上，工具类成果成 “常青树”

纵览所有高被引论文，不难发现一个共性：它们大多是 “工具型” 研究，而非纯理论突破。在 Web of Science 数据库中，被引次数超过 20 万次的论文仅有 3 篇，内容全部是生物实验技术；百强榜的前三名，也依然被生物学方法类论文占据 —— 除了 Lowry 的蛋白质定量方法，还有涉及分子克隆技术、DNA 分析的研究。

这些论文之所以能长期霸榜，核心在于它们解决了科研中的刚需：不管研究方向多前沿，都得先用这些基础工具把 “地基” 打牢。

不过，传统领域的 “垄断” 正在被打破。近年来，密度泛函理论（DFT）相关论文的引用增速格外显眼。DFT 是一种简化材料电子行为建模的近似方法，听起来很理论化，但实际上已经成了材料科学、量子化学、催化剂设计等领域的 “标配工具”—— 用它可以快速计算材料的结构和性能，大大减少实验成本。目前，已有三篇 DFT 相关论文跻身被引次数历史前十，成为传统生物领域之外的另一股 “中坚力量”。

文献计量学家提醒，单纯比较被引次数并不完全公平，因为不同领域、不同发表年份的论文，引用规律差异很大。比如，生物学领域的论文引用频率通常高于数学领域，新论文的引用增长速度也会比老论文快。

因此，在评估论文影响力时，需要结合领域和发表时间进行校正。但即便如此，工具类成果的 “高引用体质” 依然明显 —— 它们就像科研界的 “基础设施”，用得越广，被提及的次数自然越多。

Wouters 还提到一个有趣的现象，像 Lowry 的论文这样的 “老大哥”，能长期稳居榜首，除了实用性，还有一层 “象征性” 意义。在某些领域，引用这篇论文逐渐成了一种学术规范。研究者们未必每次都直接参考它的方法，但会出于学术传承的考量，在文献列表中提及它。这种 “文化共识”，让它的引用次数得以持续增长。

如果按照当前的引用增速，“引用之王” 的宝座会不会易主？《自然》对 OpenAlex 数据库的趋势分析给出了一个可能性：微软那篇 AI 论文，或是某篇高被引的 DFT 论文，有望在 2030 年前超越 Lowry 的论文。这意味着，未来的 “学术顶流”，可能不再局限于传统的生物学领域，而是来自 AI、计算科学等新兴方向。

图自unsplash

从目前的趋势来看，未来的高被引论文很可能具备两个特征：

一是 “开源属性”，比如被广泛使用的科研软件、算法代码；

二是 “跨领域适用性”，能同时服务于多个学科的研究。像大家常用的图像分析软件 ImageJ、深度学习框架 PyTorch，或是蛋白质结构预测工具 AlphaFold，它们的相关论文都已经具备了高引用的潜力。毕竟，每一个使用这些工具的研究者，都可能在自己的论文中提及它们。

当然，我们也需要理性看待引用量。它确实是衡量科研影响力的重要指标，但绝非唯一标准。

很多颠覆性的原创新发现，在初期可能因为过于超前而被忽视，引用次数并不高；而一些 “跟风式” 研究，反而可能因为话题热度获得大量引用。但不可否认的是，引用量背后反映的，是科研界的 “需求导向”—— 那些能真正解决问题、降低研究门槛、推动领域发展的成果，终究会被时间看见。

图自unsplash

就像 1951 年那篇蛋白质定量论文告诉我们的，科研不一定要追求 “惊天动地”，有时候，一篇扎实的 “工具指南”，也能成为影响几代人的学术经典。科研世界的 “流量密码”，从来不是华丽的理论，而是切实的价值。