2026年10月30日，复旦大学陈树渠比较政治发展研究中心举办的年度主题演讲第16期（总第411期）在邯郸校区文科楼615教室成功举行。英国曼彻斯特大学商学院菲利普·沙皮拉（Philip Shapira）教授受邀以“人工智能将如何推动科学进步？机遇、风险与政策启示”为题发表学术演讲。讲座由复旦大学国际关系与公共事务学院李寅老师主持，吸引了众多师生参与。

一、研究缘起与问题背景

人工智能正在怎样改变科学研究，以及如何使这些变化有益于科学发展，是本次讲座讨论的主要问题。沙皮拉教授指出，人工智能已经进入数据分析、研究设计和知识生产等多个环节，国家政策与科研资助也在推动其应用。与此同时，可信度、可解释性、可复现性和能源消耗等问题持续受到关注。理解这场变化，需要考察研究人员如何使用人工智能，以及科研组织与政策如何影响技术的应用。

沙皮拉教授以AlphaFold对蛋白质结构预测的贡献和材料发现等领域的应用为例，介绍了人工智能参与科学探索的进展。他还讨论了谷歌提出的人工智能协同科学家，以及将模型与实验设备结合的自主实验室设想。这些探索试图把提出假设、设计实验、分析结果等环节连接起来，其发展也使研究结果能否被理解和检验的问题更加突出。他借图灵对计算机器准确性的提醒强调，检查机器输出的内容始终是使用技术的一部分。

围绕这些问题，沙皮拉教授介绍了团队开展的大规模文献计量分析与实验室访谈，同时关注论文中可识别的人工智能应用，以及科学家实际工作中的经验，研究技术扩散、团队合作、科学创造力和科研管理之间的关系。

二、科研中的人工智能的使用方式

在对生成式人工智能的研究中，团队分析了OpenAlex数据库中2017年至2023年约79万篇人工智能相关论文，将直接应用技术开展研究的论文与讨论技术影响的论文加以区分。研究发现，生成式人工智能相关论文在自然科学、工程和社会科学等领域快速增长。沙皮拉教授同时指出，基于关键词的文献检索只能识别论文中披露的内容，研究者使用生成式人工智能辅助写作等活动，往往难以通过这种方式完整捕捉。

研究发现，与其他人工智能应用论文相比，生成式人工智能应用论文的作者团队规模较大，但以作者所属国家数量衡量的国际合作水平没有显著差异。在讨论型论文中，生成式人工智能论文的团队规模比其他人工智能论文小，国际合作水平则较高。沙皮拉教授据此说明，人工智能与科研合作之间的关系随论文性质而变化，需要区分技术应用与议题讨论所对应的组织方式。

为进一步分析技术如何进入科学研究，团队提出四种使用或涉及人工智能的模式。基础开发类研究推进人工智能自身的架构、算法或优化方法，适配改造类研究根据具体科研需求修改模型，工具应用类研究直接采用既有模型且不改变其架构，讨论类论文则提供理论分析、综述或评论。研究利用模型分类与人工验证识别这些模式，发现基础开发类论文增长相对缓慢，较快增长主要出现在工具应用和适配改造方面。在他看来，这表明科研政策需要同时关注技术扩散，为不同学科的研究人员提供使用和调整既有工具的能力与资源。

三、科学创造力与人工智能应用的关系

沙皮拉教授进一步提出，科学研究的价值涉及新知识与新发现，论文产出数量只能说明其中一部分，因此团队也考察了人工智能应用与科学创造力之间的关系。研究使用了2005年至2024年约110万篇论文，将采用人工智能的论文与按学科匹配抽取的非人工智能论文进行比较，并在模型中控制作者、机构和国家数量等特征，以及发表年份和学科差异。

研究将创造力理解为新颖性与有用性的结合，并以引文影响作为有用性的文献计量代理。新颖性采用两类指标，一类考察参考文献是否形成不常见的知识组合，另一类识别论文文本中出现的新词组。团队分别将新颖性与引文数量转换为百分位排名，再合成为创造力得分，以综合得分最高的10%识别高创造力论文。结合两种新颖性指标与三年、最长十年的引文观察期，研究构建了四种结果指标。

模型估计显示，与未采用人工智能的论文相比，采用人工智能的论文进入高创造力组的概率高出4.9至10.2个百分点。不同使用方式对应的表现有所区别，工具应用在结合知识重组与引文影响的创造力指标上表现较好，适配改造则在结合新词组与引文影响的指标上表现较好。相关模式在调整指标与样本范围后仍然存在，但人工智能论文在这些指标上的优势自2018年后有所收窄。

沙皮拉教授也指出，这些结果反映了相关关系，研究尚未识别人工智能应用的因果效应，文献计量指标也只能测量创造力的一部分。例如，生物学家开始使用人工智能后，可能引用新的计算机科学文献、引入新的方法术语，由此提高新颖性指标，但这些变化对生物学知识本身推进了多少，需要进一步判断。此外，较近发表的论文尚不具备完整的十年引文记录。

四、实验室中的效率收益与专业判断

为了解论文记录之外的科研实践，团队已在英国、美国、意大利、德国、法国和日本开展170余次访谈，受访者包括不同人工智能使用程度的科学家和工程师，相关资料仍在分析中。初步访谈表明，人工智能能够扩大样本处理和数据分析的规模，也能帮助研究者在给定目标下寻找解决方案。

效率收益也对判断力提出了更高的要求。沙皮拉教授指出，人工智能可以迅速提出大量备选方案，但研究人员需要判断哪些值得投入实验，缺乏经验时可能沿着无效方案反复尝试。一些受访者在数据准备与分析环节节省了时间，却在结果核查和返工上花费更多精力。因此，评估人工智能的生产率收益，需要把新增的核查任务计算在内，并考察整个研究过程中的时间分配。

他还介绍了一项针对美国制造与材料研究人员的32次访谈。研究发现，人工智能有助于更快、更低成本地筛选材料和设计方案，但其可靠性依赖数据覆盖，在数据稀疏或陌生的设计空间中，推断能力受到限制。现阶段的访谈更支持人工智能促进渐进性创新的判断，其对突破性技术变革的作用仍有待观察。

人员能力与组织安排同样影响应用效果。访谈显示，许多科研人员通过自学、观看教学视频或在实验中摸索来掌握人工智能，年轻研究人员也会将新工具带入团队，并帮助资深研究者学习。在具备人工智能专业人员的实验室，相关技术能够得到更有效的使用。模型的黑箱问题与可解释性不足，也使人的监督和领域知识继续发挥作用。

五、人工智能治理的政策启示

沙皮拉教授提出，支持人工智能推动科学发展，需要兼顾前沿模型研发与不同学科的应用能力建设。科研资助应支持跨学科合作、基础设施、培训和开放资源，使领域专家能够与数据科学及伦理、人文学科研究人员共同工作。同时，应透明报告人工智能在研究过程中的具体作用，建立研究透明度与可复现性标准，并加强数据治理、伦理和人工智能素养方面的能力培养。

在科研管理方面，他强调应关注整个工作流程。例如，药物发现阶段节省的时间，还需与后续知识产权保护、药物测试等程序一并考虑。对于科学创造力，资助与评价制度应支持高风险研究和具有挑战性的目标，并改进对新颖性的测量，使研究者有条件提出更有抱负的问题。围绕人工智能如何改变科学、科学界如何参与塑造人工智能的讨论，也应持续纳入研究管理与政策制定。

主讲结束后，李寅老师对沙皮拉教授的分享表示感谢。与会师生围绕人工智能相关论文的识别、使用模式的分类及新颖性指标等问题与沙皮拉教授进行了交流，讲座在学术互动中圆满结束。