知识卡片：科学家使用大语言模型将“做得更多、但做得不太好”，建模研究预测

一句话结论

一项基于最优觅食理论的建模研究预测：在现有“重数量轻质量”的科研激励体系下，科学家使用大语言模型（LLM）后，会更快产出更多论文，但花在打磨、润色上的时间减少，导致论文整体精细化程度下降——即“do more, less well”。

事件概述或研究问题

• 本研究试图回答：LLM 的普及将如何改变科学家的科研生产力与论文质量？
• 研究由 Duede、Gross、Crockett 和 Bergstrom 合作，预印本于 2026 年 7 月 19 日发布在 arXiv 上（待核实最终期刊发表状态）。
• Nature 新闻于 2026 年 7 月 31 日报道了这项研究。

方法/产品要点

• 将科研过程划分为不同阶段：
  • 发现阶段：提出假设、开展初步实验，判断项目价值。
  • 开发阶段（两部分）：
    • 必要工作：制作图表、撰写论文草稿等；
    • 可自由支配的工作：开展后续实验、润色写作等。
• 采用最优觅食理论的框架，类比动物在保存资源的前提下最大化能量收益，分析科学家在引入 LLM 后如何重新分配时间与精力。
• 模型假设 LLM 处于最佳状态：廉价、快速、准确。

主要结果或产业意义

• 模型预测：LLM 能加速科研流程的各个阶段，但不会带来更好的论文。
• 因为发现阶段和必要工作阶段变快，科学家能更快地产出论文；而发表压力使得他们缺乏动力花额外时间打磨论文。
• 结果不是“用 LLM 把同样的工作做得更好”，而是“做得更多、但做得不太好”。
• 共同作者 Carl Bergstrom 指出：LLM 本身不是问题所在，“LLM 是一面镜子，映照出我们本已存在的问题”——即科研激励体系偏向产出数量。

为什么重要

• 该研究将“AI 提高科研效率”的乐观叙事复杂化，提示效率提升可能以质量为代价。
• 它为关于 AI 工具与科学出版生态的讨论提供了一个形式化建模视角，而非仅靠轶事或调查。
• 与已有相关卡片关注模型技术细节不同，本条聚焦于 LLM 对科研劳动结构与激励系统的宏观影响，是一种“元研究”层面的增量信息。

局限与不确定性

• 该研究目前仅为预印本，尚未经过同行评审（待核实后续是否已通过评审）。
• 模型假设 LLM 对科研人员“廉价、快速、准确”，但实际使用中 LLM 可能产生幻觉、引入错误或增加验证成本，模型结论可能因此偏离现实。
• 预印本原文的完整推导和参数设定未在新闻中披露，具体建模细节需查阅原文（待核实）。
• 新闻提到“AI 与低质量生物医学论文激增相关”等关联文章，但本条内容未提供直接计量证据，仅为模型预测。

可用于图书/PPT/简报的角度

• 警示页：AI 提升科研效率的另一面——数量与质量的权衡。
• 科学政策讨论：改革“发表或灭亡”激励体系的必要性。
• 图表演示：用“发现—必要工作—可自由支配工作”三阶段示意 LLM 如何改变科学家时间分配。

原始材料

• 新闻标题：Scientists using LLMs will ‘do more, less well’, modelling study predicts
• 作者：Kaia Glickman
• 来源：Nature，2026 年 7 月 31 日在线发表
• DOI：https://doi.org/10.1038/d41586-026-02397-5
• 预印本：Duede, E., Gross, K., Crockett, M. J. & Bergstrom, C. Preprint at arXiv https://doi.org/10.48550/arXiv.2607.17397 (2026)（待核实）