科睿观察

【科技观察】科研也陷入AI FOMO:《自然》调查1900名研究者,一边质疑,一边怕落后
日期:2026-08-04 作者/来源:科睿研究院
1.jpg

chosun.com


科技观察


这是科睿研究院第825篇原创内容。

字数5100字,阅读全文大约需要10分钟。


最近几年,人工智能技术快速渗透到各行各业,从日常办公到工业生产,几乎每个领域都在讨论 AI 带来的改变。科研领域也不例外,从数据分析到论文写作,AI 工具的身影越来越常见。很多讨论聚焦于 AI 能不能提升科研效率,会不会催生新的科研范式,却很少有人关注科研人员自身的真实心态。


2026年6月,国际学术期刊《自然》发布了一项针对科研人员的 AI 认知调查,覆盖全球 75 个国家的1907名研究者,结果呈现出一种极具张力的矛盾状态。一方面,近半数研究者对 AI 持负面态度,超过六成的人认为 AI 工具的风险大于收益。另一方面,近六成的人坦言,如果不在工作中使用 AI,自己就会被同行甩在后面。


2.jpg


这种一边质疑、一边又不得不跟进的心态,正是当下流行的 FOMO,也就是错失恐惧症。这个词源自英文 Fear of Missing Out,指的是人们因为担心错过他人正在经历的正向事件,而产生的焦虑心理,最终往往会做出从众的选择。在科研领域,AI 带来的 FOMO 正在成为一种普遍的集体情绪,它无关对技术的认可与否,更多是一种竞争环境下的被动选择。




矛盾的集体认知:

风险判断与使用焦虑并存


这项调查的受访者来自全球 75 个国家,其中占比最高的是美国研究者,达到 38%。调查围绕三个核心问题展开,分别是研究者对 AI 的整体态度、AI 对科学研究的影响判断,以及 AI 工具的实际使用频率。从最终结果来看,科研群体对 AI 的整体态度偏于谨慎,甚至可以说偏负面。在所有受访者中,有接近 48% 的人表示自己对 AI 总体持负面感受,30% 的人持正面态度,剩下 22% 的人态度中立。


如果把判断聚焦到具体的使用场景,这种负面倾向会更加明显。有 63% 的受访者明确表示,使用大语言模型这类工具来分析科研数据、梳理科学文献时,带来的风险要超过实际收益。这一数据足以说明,大部分科研工作者对 AI 的能力边界和潜在风险,有着清醒的认知。他们清楚 AI 生成的内容可能存在错误,可能引入偏见,也可能破坏科研过程的严谨性。


但有意思的是,风险认知并没有阻挡人们使用 AI 的脚步。调查显示,有接近 60% 的受访者认为,如果不在自己的研究工作中使用 AI 工具,就会落后于同行。这种担心被落下的焦虑,压过了对风险的担忧,最终体现在了实际的使用数据上。在所有受访者中,有超过六成的人表示自己会在研究中使用某种形式的 AI 工具。其中 25% 的人每天都会用到 AI,26% 的人每周使用,15% 的人每月至少使用一次,只有 34% 的受访者表示自己从来不用 AI 工具。


澳大利亚昆士兰科技大学的博士生亚历山大・吉布森的经历,很能代表这种矛盾的心态。他的研究方向是临床预测模型,在日常工作中,他能明显感受到一种被动的推力,驱使自己去使用 AI 工具。这种推力不是来自机构的要求,而是来自整个行业的氛围,大家都在说 AI 能提升效率,能加快产出速度,如果你不用,进度就会比别人慢。


吉布森自己也尝试过用大语言模型提取 PDF 文献里的数据,来支撑自己的研究。从效率角度看,AI 确实帮了大忙,因为这些数据如果靠手动提取,工作量极大,甚至可能让整个研究无法推进。但使用过程中他也发现,大语言模型会频繁出错,提取出来的数据存在不少偏差。最终的结果是,研究的速度提上去了,但工作的质量并没有提升,甚至还要花额外的时间去校验 AI 的错误。


这种速度换质量的处境,并不是个例。早在 2023 年,《自然》就曾针对读者做过一次类似的 AI 认知调查,当时研究者的担忧主要集中在三个方面,分别是 AI 可能传播错误信息、固化数据中的偏见,以及可能导致科研岗位减少。三年过去,这些担忧并没有消失,反而随着 AI 工具的普及,叠加了一层新的焦虑,也就是担心不使用 AI 就会被淘汰。从最初的讨论要不要用,到现在的不得不用,科研群体对 AI 的态度变化,折射出技术渗透的真实路径。它往往不是靠完美的体验说服所有人,而是靠改变行业的竞争节奏,让个体不得不跟进。


3.jpg

bloomberg.com


科研领域本身就存在激烈的竞争,项目申请有时间窗口,论文发表看重时效性,同行之间的产出速度也会形成隐性的对比。当一部分人开始用 AI 压缩工作时间,加快产出频率,整个行业的效率基准线就会被拉高。剩下的人哪怕不认可这种方式,也很难独善其身。毕竟在同样的时间里,别人能产出更多成果,你如果坚持不用,就可能在竞争中处于劣势。这种环境下,FOMO 的产生几乎是必然的,它不是某个人的选择,而是整个生态变化带来的集体压力。



专用模型更受认可,

通用 AI 隐患突出


科研群体对 AI 的负面印象,并不是针对所有 AI 工具。调查结果显示,不同类型的 AI 工具,在科研人员中的接受度差异非常大。整体来看,为特定科学任务专门设计的 AI 模型,受欢迎程度要远高于 ChatGPT 这类通用型大语言模型。


出现这种差异的核心原因,在于两类工具的定位和边界不同。专用的科研 AI 模型,往往是针对某一类具体的科研问题训练的,它的适用范围清晰,局限性也明确,研究者能清楚知道它能做什么,不能做什么,输出的结果也更容易验证。比如在基因研究领域,谷歌深度思维开发的 AlphaGenome 工具,专门用来预测基因突变对生物体的影响,很多计算生物学家都会在研究中用到它。


美国卡内基梅隆大学的计算生物学家艾琳・卡普洛就是这类工具的使用者。她的研究方向是寻找基因转录调控元件,也就是控制基因表达的特定 DNA 序列。在工作中,她经常用 AlphaGenome 来辅助分析遗传变异的影响。她很清楚这个模型的边界,它的训练数据只来自人类和小鼠,所以在针对这两类物种的研究中,结果的可靠性比较高。如果换到其他物种上,模型的表现就会大打折扣。


4.jpg

cio.com


但卡普洛也发现,很多同事对这类工具的边界没有清晰的认知,会把它用到训练数据覆盖范围之外的物种上,默认它能通用。这种超出适用范围的使用,很可能得到错误的结果,而使用者如果没有意识去验证,就会把错误带入后续的研究中。在她看来,现在很多研究者对 AI 的怀疑态度还远远不够,大家往往只看到工具的便利,却没有花时间去理解它的局限,这种盲目使用才是最大的风险。


相比专用模型,通用生成式 AI 的问题就更加突出。最受诟病的就是幻觉问题,也就是 AI 会生成看起来很合理,但实际上完全虚假的内容。在科研场景里,最常见的就是用 AI 写作文献综述时,它会编造根本不存在的参考文献,或者错误解读原始研究的结论,有时候甚至会得出和原文完全相反的观点。


卡普洛就对同事用 AI 写文献综述的做法感到担忧。她承认,AI 确实能加快文献梳理的速度,节省大量时间。但如果研究者依赖 AI 生成的综述,又没有逐一核对原始文献,就很可能被虚假信息误导。科研工作的基础是准确的文献积累,如果这一步出了问题,后续的研究方向都可能走偏。除了幻觉问题,通用大语言模型还可能放大训练数据中的偏见,导致研究结论出现系统性的偏差。


当然,这并不意味着通用 AI 在科研领域完全没有价值。很多研究者会用它来整理思路、润色文字、处理一些重复性的基础工作。问题在于,不少人把它当成了万能工具,从数据分析到论文写作全部交给 AI,甚至直接用 AI 生成完整的论文初稿,却不做充分的人工校验。这种使用方式,本质上是把科研的核心环节交给了一个不可靠的工具,自然会带来大量风险。


调查数据也印证了这一点,只有 23% 的受访者认为 AI 工具对科研产生了积极影响,有 31% 的人认为 AI 的影响是负面的,还有接近一半的研究者认为,AI 最终带来什么样的影响,完全取决于人们怎么使用它。这个结论其实已经点明了问题的核心,AI 本身不是洪水猛兽,也不是万能钥匙,它的价值和风险,都掌握在使用者手里。如果使用者能清晰认知工具的边界,只在合适的场景使用,并且做好人工校验,AI 就能成为很好的助手。反之,如果盲目依赖,不加辨别,就可能给科研工作带来伤害。


640.jpg

图自unsplash



效率提升的边界与使用责任


尽管争议很多,但 AI 在科研领域的普及,本身就说明它确实存在不可替代的价值。很多研究者坦言,在一些特定场景里,AI 带来的帮助是实实在在的,甚至能让一些原本难以开展的研究变得可行。


其中最没有争议的价值,是在语言辅助方面。全球很多研究者的母语不是英语,而当下的主流学术体系又以英语为通用语言,很多非英语母语的研究者,要花大量时间在英文写作的打磨上,同样的研究成果,可能因为语言表达的问题,影响最终的发表效果。整合了 AI 技术的语法校对和写作辅助工具,就能很好地解决这个问题。


澳大利亚新南威尔士大学的博士生德巴扬蒂・布姆米克就提到,AI 写作辅助工具对非英语母语的研究者帮助很大。这类工具能修正语法错误,优化表达逻辑,让研究者不用再在语言细节上耗费过多精力,可以把更多时间放在研究本身。除了写作辅助,AI 转录工具也很受田野研究者的欢迎。在田野调查中,研究者往往会积累大量的访谈录音,手动整理转录要花费大量时间,AI 转录工具能快速把语音转成文字,大幅提升工作效率。当然,这类工具的使用有一个前提,就是要做好个人数据的保护,避免访谈对象的隐私信息泄露。


除了这些辅助性的工作,在一些数据处理场景,AI 的价值也很明显。就像吉布森用大语言模型提取文献数据,手动处理的工作量大到不可行,AI 虽然会出错,但至少能完成基础的整理工作,后续再通过人工校验修正错误,整体上还是降低了研究的门槛。对很多资源有限的研究团队来说,AI 相当于提供了一个低成本的辅助力量,让他们能开展一些之前做不了的研究。


不同的使用方式,最终会带来完全不同的结果。同样是使用大语言模型,吉布森清楚工具的缺陷,只把它当作初步处理的助手,最终结果会逐一校验,这种使用方式就规避了大部分风险。而有些研究者直接把 AI 生成的内容当作最终结论,不做任何验证,自然会埋下大量隐患。专用模型也是同理,在适用范围内使用,它就是可靠的科研工具,超出边界盲目使用,就可能得到错误的结果。


6.jpg

hitachivantara.com


布姆米克的观点很有代表性,她认为 AI 工具的风险和收益,最终都取决于使用方式。这句话听起来很朴素,却是很多研究者在实际使用中总结出来的核心经验。科研工作的核心是严谨和真实,任何工具的使用,都不能突破这个底线。AI 可以用来处理重复性的工作,可以用来提升效率,可以用来拓展研究的边界,但所有 AI 输出的结果,都必须经过研究者的核验和判断。


现在整个科研界也在慢慢适应 AI 的存在,讨论的重点已经从要不要用 AI,转向怎么规范地使用 AI。很多学术期刊已经更新了投稿规则,要求作者明确披露论文写作中是否使用了 AI 工具,以及具体的使用场景。不少科研机构也开始制定内部的 AI 使用指南,引导研究者合理使用工具,规避风险。这些规则的完善,本质上就是在给 AI 的使用划清边界,让工具服务于科研,而不是反过来让科研被工具裹挟。


对研究者个人来说,对抗 AI FOMO 的最好方式,也不是盲目跟风,也不是完全拒绝,而是建立清晰的边界意识。先搞清楚不同工具的能力和局限,再结合自己的研究需求,判断哪些场景可以用,哪些场景必须谨慎,哪些环节绝对不能依赖 AI。只有把主动权握在自己手里,才能既享受技术带来的便利,又守住科研的底线。


《自然》的这项调查,像一面镜子,照出了 AI 浪潮下科研群体的真实处境。没有人能完全置身事外,也没有人能轻易给出非黑即白的判断。FOMO 情绪的普遍存在,说明技术的发展速度,已经超过了很多人的认知更新速度,也超过了行业规则的完善速度。大家在不确定中选择随大流,不是因为认可,而是因为害怕落后。


但科研的本质从来不是比谁的速度更快,而是比谁的结论更扎实、更可靠。AI 作为一种工具,最终的意义是帮助研究者更好地探索未知,而不是制造新的焦虑和内卷。如果为了追赶速度而牺牲质量,为了不被落下而盲目使用工具,其实是本末倒置。


未来AI 在科研领域的应用只会越来越深入,这是不可逆转的趋势。但技术的方向终究是由人决定的。当整个行业慢慢建立起成熟的使用规范,当每个研究者都建立起清晰的边界意识,当下的 FOMO 焦虑或许会慢慢消散。到那个时候,AI 才能真正成为科研的助力,推动人类探索更多未知的领域。而在此之前,每个研究者都需要在浪潮中保持自己的判断,不盲从,不排斥,对工具保持谨慎,对研究保持敬畏。




参考文献

  1. https://www.bloomberg.com/news/articles/2026-04-03/why-ai-is-making-people-feel-like-they-re-falling-behind

  2. https://www.chosun.com/english/industry-en/2026/06/11/QSJ37RPEAFCRJBHOR5JDDQRHCM/

  3. https://www.nature.com/articles/d41586-026-01690-7?utm_medium=organic_social&utm_source=wechat&utm_campaign=CONR_NAJRN_ATT1_AP_CNCM_002E6_nfh

  4. https://www.sciencedirect.com/science/article/pii/S0160791X25002428

  5. https://fomo.ai/ai-resources/ai-fomo-do-you-fear-youre-missing-out/

【本文中包含的图片均来源于网络,仅用于信息传播和新闻报道目的。我们尊重并保护所有版权拥有者的权利。若有任何版权问题,或版权拥有者不希望图片被使用,请与我们联系,我们将在收到通知后立即处理并删除相关图片。】

 往期推荐 

总统带头卖房,韩国楼市仍越调越涨:芯片繁荣为何加剧财富分化

借来的繁荣:AI正在提高生产力,也在消耗未来的专家储备

第一个被AI做空的国家?印度三十年IT神话,为何没有换来AI红利

特朗普新关税生效:覆盖美国99.4%的进口,数百项豁免背后藏着怎样的现实平衡?


Copyright © 科睿研究院