生成式人工智能进入科研的方式，已经不只表现为对写作、检索或信息整理的辅助。Wang等人在综述中记录了截至2023年已发表案例里AI参与假设形成、实验设计、数据处理等不同环节；这意味着研究者面对的不是一件孤立的效率工具，而是一组能够嵌入知识生产链的技术安排（Wang et al., 2023）。OECD的报告把这种变化放在更宽的科研议程中，考察AI带来的研究机会、生产率前景，以及验证、能力、隐私和双重用途等问题（OECD, 2023），其对AI现状的描述对应2023年的技术图景。英国皇家学会的报告则把方法、技能、科研诚信和伦理放在一起，说明AI的影响既可能扩展科研能力，也可能把新的判断负担带入科研过程（Noble et al., 2024）；该报告发布于2024年，未覆盖其后的智能体化工具。这些来源的证据性质并不相同，不能被合并成一个关于AI效果的总体结论，却足以支持一个较为谨慎的判断：就2023—2024年的证据而言，AI的应用已经出现在科研活动链的多个环节，问题也应当从“能不能更快完成某一步”扩展到“科研过程各环节如何分配能力、风险与责任”。
这里的“进入多个环节”仍然只是活动链变化的描述，不等于科学范式已经发生革命。Kuhn关于常规科学、异常、危机和科学革命的分析，区分了工具在既有范式内解决难题与问题、证据标准、世界观和共同体秩序共同改变两种情形（Kuhn, 1970）。按照这一区分，论文生成速度提高、模型被更多研究者采用，或者某个局部实验环节被自动化，都只能说明技术进入或活动方式改变，不能单独证明科学革命已经发生。Jasanoff对知识可信度与社会秩序共同生产的讨论进一步提示，所谓“科学进步”不仅是技术产出增加，也涉及谁能够提出问题、哪些证据被承认、怎样安排责任以及什么样的秩序获得稳定（Jasanoff, 2004）。因此，本文把“工具升级”“流程重组”和“范式转变”放在不同的分析意义上：工具升级主要指操作方式变化，流程重组涉及任务连接和验证负担的变化，范式转变则是要求问题选择、证据生成、验证标准、知识组织与责任结构联动变化的高门槛判断。它不是对AI现状的预设结论，也不是按时间先后排列的必然阶段。
科学产出还具有制度属性，不能被还原为一个个孤立的文本或结果。Merton对科学规范、共同体和奖励结构的分析说明，知识生产同时依赖对有效性、原创性、无私性和普遍性的承诺，也依赖共同体对贡献、信誉和资源分配的判断（Merton, 1973）。Jasanoff进一步说明，知识可信度与社会身份、制度安排和表征秩序共同生成，社会性并不会取代实验、计算和数学约束，却会影响哪些问题得到资源支持、哪些结果被接受、谁有资格作出解释（Jasanoff, 2004）。在这一背景下，AI带来的并不只是“更多产出”，还可能影响产出的可见度、被评价的方式和进入下一轮机会的条件。Merton关于累积优势的经典分析指出，既有声誉和累积资源可能提高后续可见度与获得机会的概率；这项理论可以被用来分析组织机制，却不能被当作现代AI部署已经造成集中或不公平的证据（Merton, 1968）。Andersen等人对科研人员的研究显示，生成式AI的采用和风险认知会随学科、职业阶段与任务而变化；这是一项来自丹麦、以自我报告为基础的调查，采集期所对应的工具以GPT-4级为主，能够提示实际使用存在情境差异，却不能代表全球科研生产率或质量变化，也不反映其后智能体化工具的采用状况（Andersen et al., 2025）。规范框架、制度机制和采用调查放在一起看，得到的并不是一个单一结论，而是同一问题的不同侧面：制度规定应当如何负责任地使用技术，制度结构如何塑造可见度与机会，而实际采用又会在不同任务中呈现出差异。
围绕AI是否提高科研生产率的争论，也需要把“生产率”拆成几个不能互相替代的环节。可以把候选生成理解为扩大可供检验的假设、文献线索或实验设计数量，把局部执行理解为在限定任务中减少某些操作时间，把验证成本理解为核查来源、测量、逻辑、复现条件和潜在错误所需的时间投入，再把全流程可信生产率理解为最终增加了多少经得起检验且能够被共同体使用的知识。这样拆分并不是为了制造一张新的绩效表，而是为了避免把某一个环节的局部收益误写成全流程收益。Wang等人的综述记录了AI在科研机会方面的潜力，也明确把数据质量、监督和验证列为瓶颈（Wang et al., 2023）；OECD的报告将提高科研生产率作为机会之一讨论，却没有提供一个适用于所有学科和任务的统一效应量（OECD, 2023）。与之并列的，是Clark等人对生成式AI用于证据综合的系统综述：在纳入的19项研究中，证据尚不足以支持无人类参与或监督的通用生成式AI证据综合（Clark et al., 2025）。这不是对所有系统的固定错误率判断，而是对监督条件、研究设计和可推广范围的限制；纳入研究涉及的工具集中在2023—2024年，该结论应读作这一代际范围内的监督缺口，而非对当前代工具的终局判断。机会与监督缺口必须同时保留，才能既不把AI的能力压缩为已实现的自动化，也不把尚未成熟的证据误写成普遍失败。
效率与可信性的张力还涉及对“可重复性”和“可复制性”的区分。国家科学院、工程院和医学院的报告将计算可重复性与使用新数据的可复制性分别处理：前者关注在相同数据、代码和条件下能否得到一致的计算结果，后者关注在不同数据或新条件下，相关发现是否仍能成立（National Academies of Sciences, Engineering, and Medicine, 2019）。这一区分对于AI辅助科研尤其重要，因为生成文本、提出假设或生成代码可以降低某些表面操作的时间成本，却不会自动解决测量效度、因果识别、数据代表性、引用真实性和结论可迁移性的检查。一个结果即使能够在同一流程中再次生成，也未必能在新数据上得到支持；一个候选假设即使具有新颖措辞，也未必能经受实现和验证。Wang等人把机会与数据、验证瓶颈并置，Clark等人则把监督缺失和证据综合风险联系起来，二者共同支持一种较为克制的判断：局部加速只有在验证成本没有超过新增信息所要求的审查成本时，才可能转化为可信知识的增加（Wang et al., 2023; Clark et al., 2025）。这一判断的证据基础来自2023—2024年代的工具与研究设计，其适用范围需随模型代际更新而重新检验。这也是为什么“更快”与“更可信”不能被压缩为同一个效率指标。
为处理这些差异，本文把AI对科研的影响区分为三种相互关联但不互相替代的变化类型。能力增强指个人或团队借助系统扩大搜索范围、提出候选方案、比较材料或改进局部操作；流程自动化指在边界清晰、反馈明确、结果可验收的任务中，把重复步骤交给机器或人机协同流程；制度重构则涉及评价标准、知识秩序、劳动分工、资源分配、责任归属和监督方式的改变。这里的三个术语是变化类型和分析维度，不是按先后次序排列的阶段，也不是与第2章“技术能力—科研实践—科学制度”这一对象层级混用的第三套阶段。“能力增强—流程自动化—制度重构”回答的是变化以什么方式发生，“技术能力—科研实践—科学制度”回答的是变化发生在哪一类对象或制度层面；“工具采用—流程重组—制度转型”则更接近时间或变化程度轴。这三种变化类型可以与对象层级、时间或变化程度轴交叉：同一变化类型可以出现在技术能力、科研实践或科学制度对象上，同一对象也可能同时呈现不同变化类型。
OECD关于机会与治理的议程、Noble等人关于方法、技能、诚信与伦理的综合报告，为这些变化类型提供了问题背景；Merton的规范与奖励分析、Jasanoff的共同生产框架，则帮助解释为什么局部能力的增加可能延伸到共同体和制度层面（Merton, 1973; OECD, 2023; Noble et al., 2024）。这三种变化类型是本文的分析性综合，不是任何单一来源已经提出的阶段表，也不是一套可以脱离学科、机构和任务直接打分的成熟量表。它们提供比较证据的维度，而不是把现实变化排列成必经路径。Andersen等人所报告的采用差异，恰好说明把不同任务和职业群体压缩成一个统一的技术接受率，会遮蔽实际使用中的条件（Merton, 1973; Andersen et al., 2025）。
在制度的分析维度上，效率也不是唯一值得观察的轴。可信性关心结论能否被追溯、复核和挑战；多样性关心研究是否触及不同问题、方法和知识传统；公平性关心技术资源、可见度和风险是否被不均匀地分配；责任结构关心出现错误、误导或伤害时谁有能力发现、谁必须解释、谁承担后果。效率只描述单位投入与产出之间的关系，不能代替对证据质量、知识覆盖或机会分布的判断。Merton关于累积优势的讨论提醒我们，已经被看见的工作可能获得更多后续机会；Jasanoff则表明，身份和制度会影响哪些知识能够取得可信性（Jasanoff, 2004; Merton, 1968）。把这些经典机制用于分析AI，并不是声称AI已经复制了所有既有不平等，而是提醒我们：如果推荐、生成、排序和评价被纳入知识分配过程，就要追问谁更容易被看见、谁更容易被遗漏、谁承担核验成本。英国皇家学会的报告把技能、诚信和伦理并列，OECD则把验证与能力建设列入科研议程，说明技术收益与制度风险不能被拆成互不相干的两条线（Noble et al., 2024; OECD, 2023）。评价轴因而不是效率的附属指标，它们共同构成判断技术变化能否改善科学长期条件时需要同时考察的维度。
伦理和诚信在导论中不能只作为效率讨论的附加风险。UNESCO关于人工智能伦理的建议把人权、透明、监督、问责、公平与可持续性列为重要原则，这些原则为分析科研应用提供了规范坐标，却不是对AI实际风险大小的经验测量（UNESCO, 2021a）。Blau等人把生成式AI对引用、原创性、作者责任和治理的影响描述为相互纠缠的复合问题；由于这是一篇评论，其主张不能被当作某种固定违规率或普遍因果结论，却能提醒我们把技术使用放回科研诚信和责任体系中考察（Blau et al., 2024）。一个系统可以提高材料整理的效率，却不能因此成为错误来源的免责主体；一个研究者可以借助模型形成假设，却仍需对假设的来源、可行性和证据边界作出可说明的判断。透明、披露、监督和问责在这里不是效率之外的附加要求，而是使效率能够被理解为科研能力的必要条件（UNESCO, 2021a; Blau et al., 2024）。
本文因此采用分层证据纪律。已有研究和报告可以支持事实判断，例如2023—2024年发表的案例与综述显示，AI已出现在某些科研环节，不同任务中的采用和风险认知存在差异，截至2025年的证据综合研究对监督和错误控制较为谨慎；但经典科学学理论和政策建议只能提供概念框架、规范原则或研究议程，不能代替AI部署的因果证据（Kuhn, 1970; Jasanoff, 2004; OECD, 2023; Andersen et al., 2025）。模型假设、合成数据、模拟结果、解释性推论和价值判断也必须保持边界。全文后续使用的小型模拟是在给定参数和生成机制下检验关系是否可能出现的工具，不是对真实科研生产率、科学质量、公平性或个人能力的测量；模拟可以揭示召回、验证负担、共识或资源分配如何随条件变化，却不能替现实世界补上长期、跨机构和端到端的因果证据（Clark et al., 2025; National Academies of Sciences, Engineering, and Medicine, 2019）。这种区分不是对技术效果的回避，而是为了避免用一个没有外部效度的数字替代尚未完成的经验检验。
由此形成全文的工作命题：本文的分析立场是，AI对科研的影响可能同时表现为能力扩展与知识秩序重组，不能被单一的效率概念概括。它可能扩大研究者能够提出的候选问题、能够处理的材料范围和能够完成的局部任务，也可能伴随验证负担增加、证据标准滞后、责任归属模糊或资源分配失衡，从而使效率收益受到抵销。范式变化不能仅凭采用率或产出速度判断；生产率不能仅凭候选数量或单步耗时判断；可信性也不能仅凭语言流畅、形式完整或模型给出的解释判断。全文先厘清技术能力、科研实践与科学制度这些对象层级，继而追踪AI在认识论和科研活动链中的局部表现，再把科学学、科学计量学、伦理治理和机制模拟放在同一判断框架中。各部分的分析都回到同一个问题上：当科研链中的速度、广度和协作结构发生变化时，什么条件能够使这些变化转化为更可信、更多样且责任清楚的知识，哪些条件又可能使效率收益被验证不足、知识集中或判断外包所抵销。
导论所要建立的，不是一种“AI必然进步”或“AI必然破坏科学”的二选一判断，而是一种能够容纳相反证据的研究姿态。工具可以增强能力，也可以把未经验证的内容更快地带入下一环节；局部任务可以自动化，也可以因为上下文、责任和核验要求而变得更加昂贵；科学秩序可以借助新的发现方式获得新的可见度，也可能把既有的优势机制带入新的技术环境。只有把效率与可信性、覆盖与多样性、局部收益与全流程负担、技术能力与制度责任同时放在视野中，关于“AI是否改变科学”的讨论才不会在乐观叙事和风险叙事之间来回摆动。这些概念边界也构成后文继续讨论的起点：科学学、科学计量学和研究伦理分别提供制度、传播和责任等不同视角，三者需要在同一问题意识中相互校正。