人工智能更能提升非精英机构的论文产出:来自 AlphaFold 的证据
《Journal of Informetrics》:AI boosts publication output more at non-elite institutions: Evidence from AlphaFold
【字体:
大
中
小
】
时间:2026年10月01日
来源:Journal of Informetrics 3.9
编辑推荐:
摘要AlphaFold 是一个用于高精度蛋白质结构预测的人工智能系统,它有望降低结构生物学研究的门槛。我们假设,AlphaFold 的发布为非顶尖机构的科学家创造了更多机遇。为了验证这一点,我们采用双重差分策略,将3434名结构生物学家的出版产出与3014名其他(非结构)生物
摘要
AlphaFold 是一个用于高精度蛋白质结构预测的人工智能系统,它有望降低结构生物学研究的门槛。我们假设,AlphaFold 的发布为非顶尖机构的科学家创造了更多机遇。为了验证这一点,我们采用双重差分策略,将3434名结构生物学家的出版产出与3014名其他(非结构)生物学家的出版产出进行比较。科学家根据其所属机构是否位列h指数排名前50的机构之列,被划分为顶尖或非顶尖机构。我们的研究发现表明,AlphaFold类模型与非顶尖机构结构生物学家出版产出的更大增幅相关。然而,这种增幅主要集中在较低层次的期刊上。这些结果表明,人工智能正在重塑竞争格局并改变科学进步的格局。
引言
基于Transformer的人工智能模型正在迅速改变科学领域,以出乎意料的步伐取得进展,并已在写作和翻译等任务上超越人类(Grace等人,2018年)。然而,关于它们对科学知识生产的影响,特别是关于其知识产出在顶尖与非顶尖机构之间的分配,目前尚缺乏共识。因此,规范人工智能使用的准则和法规仍然高度碎片化。
虽然直接考察技术对知识生产的马太效应的研究为数不多,但有更广泛的文献在讨论谁能从新技术中获益最多。尽管通常预期信息技术会提高生产力,但Gómez-Bengoechea和Jung(2024年)表明,大型企业从中获得的回报不成比例地更大。这一争论在人工智能时代仍然存在。Brynjolfsson等人(2025年)发现,低技能劳动者从基于人工智能的客户服务中获益更多,而高技能劳动者获得的收益则较少。与此同时,生产率更高的企业往往以更快的速度采用人工智能(Bughin,2024年)。类似的争议也出现在科学领域。Kusumegi等人(2025年)表明,大语言模型的用户倾向于更喜欢更新、更长的论文,这可能会通过重新分配注意力到较不成熟的工作上来缓解马太效应。相比之下,Algaba等人(2026年)发现,基于大语言模型的推荐系统不成比例地偏袒高引用率的论文,从而可能强化了累积优势。总之,这些相互矛盾的发现凸显了需要通过更系统的证据来量化人工智能如何重塑科学知识生产模式。
在众多人工智能模型中,AlphaFold引起了学术界的特别关注(Jumper等人,2021年)。这不仅因为它代表了一种革命性的领域专用工具,还因为它早于近期生成式人工智能工具(如ChatGPT)的扩散。在此之前,科学家依赖昂贵的仪器和复杂的实验来确定蛋白质结构。借助DeepMind的模型,现在可以以相当高的精度和速度预测蛋白质结构。图1展示了结构生物学的动态:标题或摘要中包含"AlphaFold"的论文数量,以及引用AlphaFold的论文数量。这些出版物迅速增加,表明整个科学界的工作流程正在经历深刻的重塑。这种势头预计将持续,特别是由于AlphaFold的两名开发者在2024年获得了诺贝尔化学奖。这些证据强调了AlphaFold对结构生物学和更广泛的生物医学科学的变革潜力。
AlphaFold类模型的出现引发了一个根本性问题:谁能从其出色的预测能力中获益更多?一方面,该系统使蛋白质结构的获取民主化,可能会赋予资源有限或非顶尖机构的研究人员权力,因为他们之前无法获得昂贵的实验设施。另一方面,顶尖机构拥有广泛的计算资源、专有数据集和专业人员,可能更有能力将AlphaFold的输出转化为高影响力发现。这种分歧将注意力引向了一个更深层的机构问题:AlphaFold主要是拉平了竞争水平,还是进一步巩固了已经拥有丰富资源的组织的优势?解决这一未解决的张力,不仅对于理解人工智能如何重塑科学实践至关重要,而且对于指导政策——即未来的投资应优先考虑前沿模型开发还是更广泛的人力资源培训——也同样重要。
我们关注结构生物学,以研究人工智能如何重塑顶尖和非顶尖机构结构生物学家的研究产出,原因有三。首先,AlphaFold由计算机科学家开发,这提供了一个罕见的机会来观察和量化人工智能对生物学家的影响。其次,结构生物学的核心是蛋白质分析,这意味着该领域几乎所有研究人员都直接受到AlphaFold类模型出现的影响,图1中提到的次数和引用次数的急剧增加证实了这一点。第三,该领域以蛋白质为中心的特性使我们能够明确区分结构生物学家和其他生物医学科学家,从而定义明确的处理组和对照组。因此,本研究回答了以下研究问题:
在研究生产率方面,人工智能是否使科学民主化,重点关注结构生物学中顶尖与非顶尖机构之间的差异?
为了进一步解析这一问题,我们追求三个具体目标。首先,我们考察AlphaFold类模型是否导致结构生物学家的研究生产率总体提高。其次,我们调查这些效果在顶尖和非顶尖机构之间是否存在系统性差异,从而揭示人工智能是起到民主化作用还是加强了现有的机构不平等。最后,我们探讨AlphaFold类模型是否导致了研究生产率的异质性转变。
在后续部分中,第2节回顾了相关文献。第3节描述了数据和实证设计。第4节呈现了主要结果和稳健性检验,随后在第5节进行讨论。第6节以政策启示作为结论。
章节摘要
人工智能作为知识生产中的通用技术
人工智能已在多个领域推动了知识生产,如棋盘游戏(Silver等人,2016年)、汽车比赛(Wurman等人,2022年)、药物发现(Jimenez-Luna等人,2020年)、材料设计(Merchant等人,2023年)、分子工程(Sanchez-Lengeling和Aspuru-Guzik,2018年)、核聚变(Degrave等人,2022年)、政策设计(Koster等人,2022年;Zheng等人,2022年)、学习算子(Lu等人,2021年)、实验设计(Gil等人,2014年)、提出猜想(
数据来源
我们利用两个来源构建平衡面板数据集。第一个是引文数据库OpenAlex(网址:
https://openalex.org),该数据库提供全面的科学出版物元数据。我们选择OpenAlex而非更专业的领域数据库(如PubMed),原因有几点。首先,OpenAlex采用滚动更新机制,使我们能够捕捉近期的出版活动,从而评估人工智能的短期和长期影响。其次,其覆盖面
描述性统计
如表1所示,结构生物学家倾向于发表更多论文,并且更专注于生物医学主题,鉴于基于期刊的识别方法,这一模式是预期的。我们还在附录表A9中报告了样本的地理分布,以提供更多关于数据集范围和代表性的背景信息。总体而言,两组具有高度可比性。此外,由于匹配期早于观察窗口,我们能够验证
贡献
本研究做出了两个主要贡献。首先,它通过AlphaFold类模型在结构生物学中的案例,为技术和不平等文献提供了新的实证证据。我们的结果并非假设技术进步统一地有利于顶尖机构,而是表明,在这种特定情境下,AlphaFold类模型的广泛可及性与非顶尖机构研究人员的显著追赶效应相关。这些
结论
利用科学家层面的数据,我们考察了AlphaFold类模型如何重塑顶尖和非顶尖机构结构生物学家的知识生产,为新的人工智能工具带来的生产率提升提供了提示性证据。颠覆性技术的出现降低了现有工作流程和资源投资的边际回报,可能为非顶尖机构创造了更多机遇。异质性分析与这一模式一致,
作者贡献声明
潘天行:撰写—原稿撰写、方法论、调查研究、正式分析、数据整理。李江:撰写—审阅与编辑、监督、方法论、资金获取、概念构思。
潘天行|李江
南京大学信息管理学院,中国南京,邮编210023
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号