关于人工智能进入科学领域的流行说法是，自动化将去除繁琐的杂务，研究人员会用省下来的时间更深入地思考，并把工作完成得更彻底。一项新的建模研究认为，这种说法把经济学完全讲反了。大型语言模型让科学家变得更快，也就抬高了研究人员时间的价格，而时间越贵，就越会被花在下一个项目上，而不是用来打磨手头的项目。作者伊蒙·迪德（Eamon Duede）、凯文·格罗斯（Kevin Gross）、莫莉·克罗克特（Molly Crockett）和卡尔·伯格斯特龙（Carl Bergstrom）在摘要中直白地预测，研究人员将做得更多、但做得更差，而不是做得一样多、但做得更好。
这篇论文于 2026 年 7 月 19 日发布在 arXiv 上，尚未经过同行评审，它对这项技术刻意采取了宽容的假设。模型假定大型语言模型的表现与最热情的拥护者所想象的一模一样：便宜、快速、准确、不出错。作者指出，即便在这样的假设下，工具的存在本身也会重塑科学家分配精力的方式，因为它改变了引导研究的摩擦与激励。这一发现是结构性的，不是对幻觉或技能退化的抱怨，作者也明确表示，人工智能工具并非问题的根源。大型语言模型照出的，是一个早已奖励数量胜过质量的激励体系。
这套数学机制来自行为生态学。模型借用了最优觅食理论，这一理论由埃里克·查诺夫（Eric Charnov）于 1976 年提出，用来描述动物如何决定何时离开一块食物区域，模型把它套用在研究人员决定何时离开一个项目上。科学家会花一段固定长度的发现期来了解项目的价值，包括提出假设、做预实验、收集初步数据。一旦价值明确，研究人员要么放弃项目、开始新的探索，要么投入开发阶段，而开发阶段又分为两部分。第一部分是必需工作，也就是把结果变成可发表论文的不可压缩成本，包括作图、排版、校对、投稿。第二部分是可自由支配的开发，包括后续实验、敏感性分析、更深入的统计、打磨文字。模型的关键量是时间的长期回报率，它决定了研究人员每花一小时所面对的机会成本。
基于这一框架，论文推导出三个预测，其中前两个令人不安。当大型语言模型缩短发现期时（在技术性领域正是如此，模型能帮助研究者快速识别有前景的问题），研究者会变得更挑剔，发表的项目比例更小，但即便是他们决定发表的项目，开发得也不如以前彻底，因为时间的机会成本上升了。当大型语言模型转而降低撰写手稿所需的必需工作（在以实地工作为基础的学科中正是如此，写作和分析占主导），发表的阈值就会下降，于是更多项目被发表，而每个项目开发得都不够深入。只有第三种情况毫无疑义是好的：当大型语言模型加速的是可自由支配的开发本身，让后续实验和更深入的分析变得更便宜时，项目会被开发得更彻底。某个领域最终哪一种结果占上风，取决于大型语言模型加速的是研究的哪个阶段。
模型最尖锐的结论，是对”省时谬误”的诊断。作者写道，指望自动化琐碎任务能为科学家换来深入思考的时间，这一希望会落空，因为大型语言模型让研究人员的时间变得更值钱，而不是更不值钱。一旦一篇论文接近可发表状态，用来打磨它的每一个小时，都是没有用来发现下一个项目的一小时，而当一切运转得更快时，这一个小时的机会成本还会增大。结果就是形成一种继续往前走的激励。作者指出，他们把科研机构视为静态不变的，这在短时间尺度上是合理的，但随着实践变化快于政策变化，这种假设注定会带来一段错位期。在大型语言模型缩短手稿产出时间的领域，期刊投稿量已经在急剧上升，给同行评审带来压力，而”不发表就出局”的激励结构比这些工具早出现几十年。
论文最引人注目的细节，是它自己的人工智能使用声明。作者报告说，正文是在没有人工智能辅助的情况下写成的，只用了内置的拼写检查，但他们使用了 ChatGPT 5.4、ChatGPT 5.5 和 Gemini 3.1 来建议证明策略，用 Claude Fable 5 检查证明的一致性，并用 ChatGPT 5.5 来调整图表字体和 LaTeX 格式。一篇主张大型语言模型会把科学家推向匆忙的论文，其本身的产出恰恰在模型所描述的环节借助了大型语言模型，也就是证明核查和排版这类可自由支配的工作，被加速并部分外包。这是对这种现象的一个小而诚实的例证，而不是对它的批判。
这些保留意见是真实存在的。这是一篇预印本，模型做了大量简化，把时间当作唯一的资源，并假定激励保持不变。真实的大型语言模型会出错，而这些错误可能带来模型没有计入的成本。但这项工作的价值在于，它把结构性效应单独剥离了出来：即便是一件完美的工具，在一个奖励产出的体系里，也会把精力从深度上移开。对科学政策而言，实际的结论是，要改善结果就必须改变激励，因为技术并不是起约束作用的瓶颈。作者认为，指望省下的时间会转化为更深入的思考，这种希望被他们的结果打了折扣。大型语言模型举起的那面镜子，正把体系自己的模样照给它看。
婷 翻译
References
Eamon Duede, Kevin Gross, M.J. Crockett, and Carl T. Bergstrom, The unintended consequences of large language models as a labor-augmenting technology in science. arXiv:2607.17397 (2026). DOI: 10.48550/arXiv.2607.17397.
Kaia Glickman, Scientists using LLMs will ‘do more, less well’, modelling study predicts. Nature News, 31 July 2026. DOI: 10.1038/d41586-026-02397-5.
E.L. Charnov, Optimal foraging, the marginal value theorem. Theoretical Population Biology 9(2), 129-136 (1976).