Nghiên cứu trên Nature: AI giúp tăng năng suất gấp 3 lần nhưng làm nghèo nàn sự sáng tạo khoa học

AI đang biến các nhà khoa học thành những cỗ máy xuất bản—và âm thầm dẫn dắt họ vào cùng những góc nghiên cứu chật hẹp.

Đó là kết luận từ một phân tích trên hơn 40 triệu bài báo học thuật, cho thấy các nhà khoa học sử dụng công cụ AI trong nghiên cứu của họ xuất bản nhiều bài báo hơn, tích lũy nhiều trích dẫn hơn và đạt được các vị trí lãnh đạo sớm hơn so với những đồng nghiệp không sử dụng.

Nhưng có một vấn đề. Khi các học giả cá nhân thăng tiến nhanh chóng trong sự nghiệp, thì sự tò mò của nền khoa học nói chung lại bị thu hẹp. Các nghiên cứu nặng về AI bao phủ ít phạm vi chủ đề hơn, tập trung quanh cùng những vấn đề giàu dữ liệu và tạo ra ít sự tương tác tiếp nối giữa các nghiên cứu hơn.

Những phát hiện này làm nổi bật sự căng thẳng giữa việc thăng tiến sự nghiệp cá nhân và tiến bộ khoa học tập thể, khi các công cụ như ChatGPT và AlphaFold dường như ưu tiên tốc độ và quy mô—chứ không phải sự bất ngờ.

"Bạn đang đối mặt với xung đột giữa các động lực cá nhân và khoa học nói chung," James Evans, một nhà xã hội học tại Đại học Chicago, người dẫn đầu nghiên cứu, cho biết.

Và khi ngày càng nhiều nhà nghiên cứu đổ xô vào cùng một "trào lưu" khoa học, một số chuyên gia lo ngại về một vòng lặp phản hồi của sự tuân thủ và suy giảm tính nguyên bản. "Điều này rất đáng lo ngại," Luís Nunes Amaral, một nhà vật lý nghiên cứu về các hệ thống phức tạp tại Đại học Northwestern, nhận định. "Chúng ta đang đào cùng một cái hố ngày càng sâu hơn."

Evans và các đồng nghiệp đã công bố những phát hiện này vào ngày 14 tháng 1 trên tạp chí Nature.

Mối quan tâm lâu dài về cách khoa học tiến hóa

Đối với Evans, sự căng thẳng giữa hiệu quả và khám phá là một địa hạt quen thuộc. Ông đã dành hơn một thập kỷ sử dụng các tập dữ liệu khổng lồ về xuất bản và trích dẫn để định lượng cách các ý tưởng lan truyền, đình trệ và đôi khi hội tụ.

Năm 2008, ông đã chỉ ra rằng việc chuyển sang xuất bản và tìm kiếm trực tuyến khiến các nhà khoa học có xu hướng đọc và trích dẫn cùng những bài báo nổi bật, từ đó đẩy nhanh việc phổ biến các ý tưởng mới nhưng lại thu hẹp phạm vi các ý tưởng đang lưu hành. Các công trình sau đó đã mô tả chi tiết cách các động lực nghề nghiệp âm thầm hướng các nhà khoa học đến những câu hỏi an toàn, đông đúc hơn thay vì những câu hỏi rủi ro và nguyên bản.

Các nghiên cứu khác đã theo dõi cách các lĩnh vực lớn có xu hướng làm chậm tốc độ đổi mới khái niệm theo thời gian, ngay cả khi khối lượng bài báo bùng nổ. Và gần đây hơn, Evans đã bắt đầu áp dụng cùng một lăng kính định lượng lên chính AI, xem xét cách các thuật toán định hình lại sự chú ý tập thể, khám phá và tổ chức tri thức.

Công trình trước đó thường mang một lời cảnh báo: Những công cụ và động lực giúp khoa học hiệu quả hơn cũng có thể làm thu hẹp không gian ý tưởng mà các nhà khoa học cùng khám phá. Phân tích mới hiện cho thấy AI có thể đang đẩy động lực này lên mức quá tải.

Tác động của AI đối với sự nghiệp và các chủ đề nghiên cứu

Để định lượng tác động này, Evans và các cộng sự từ Trung tâm Nghiên cứu Quốc gia về Khoa học và Công nghệ Thông tin Bắc Kinh đã huấn luyện một mô hình xử lý ngôn ngữ tự nhiên để xác định các nghiên cứu có sự hỗ trợ của AI trong sáu lĩnh vực khoa học tự nhiên.

Tập dữ liệu của họ bao gồm 41,3 triệu bài báo tiếng Anh được xuất bản từ năm 1980 đến 2025 trong các lĩnh vực sinh học, hóa học, vật lý, y học, khoa học vật liệu và địa chất. Họ đã loại trừ các lĩnh vực như khoa học máy tính và toán học vốn tập trung vào việc phát triển chính các phương pháp AI.

Các nhà nghiên cứu đã theo dõi sự nghiệp của từng nhà khoa học, xem xét cách các bài báo của họ tích lũy sự chú ý và mở rộng tầm nhìn để xem xét cách toàn bộ các lĩnh vực phân cụm hoặc phân tán về mặt trí tuệ theo thời gian. Họ đã so sánh khoảng 311.000 bài báo có kết hợp AI theo một cách nào đó—ví dụ như thông qua việc sử dụng mạng thần kinh hoặc các mô hình ngôn ngữ lớn—với hàng triệu bài báo khác không sử dụng.

Việc áp dụng AI thúc đẩy tác động khoa học cá nhân, với các nhà nghiên cứu sử dụng AI liên tục nhận được nhiều trích dẫn hơn những người không sử dụng AI. (Veda C. Storey)

Kết quả cho thấy một sự đánh đổi đáng kinh ngạc. Các nhà khoa học áp dụng AI đạt được năng suất và sự chú ý cao hơn: Trung bình, họ xuất bản số lượng bài báo gấp ba lần, nhận được số lượng trích dẫn gấp gần năm lần và trở thành trưởng nhóm sớm hơn một hoặc hai năm so với những người không sử dụng.

Nhưng khi các bài báo đó được lập bản đồ trong một "không gian tri thức" đa chiều, các nghiên cứu nặng về AI chiếm một dấu ấn trí tuệ nhỏ hơn, tập trung chặt chẽ hơn quanh các vấn đề phổ biến, giàu dữ liệu và tạo ra các mạng lưới tương tác tiếp nối yếu hơn giữa các nghiên cứu.

Mô hình này duy trì qua nhiều thập kỷ phát triển AI, trải dài từ học máy sơ khai, sự trỗi dậy của học sâu, đến làn sóng AI tạo sinh hiện nay. "Nếu có bất cứ điều gì," Evans lưu ý, "thì nó đang ngày càng tăng cường."

Sự thu hẹp về trí tuệ không phải là hệ quả ngoài ý muốn duy nhất. Với việc các công cụ tự động giúp việc sản xuất hàng loạt bản thảo và bài nộp hội nghị trở nên dễ dàng hơn, các biên tập viên tạp chí và ban tổ chức hội nghị đã chứng kiến sự gia tăng đột biến các bài báo hoặc bài thuyết trình kém chất lượng và gian lận, thường được sản xuất ở quy mô công nghiệp.

"Chúng ta đã trở nên quá ám ảnh với số lượng bài báo [mà các nhà khoa học xuất bản] đến mức không còn suy nghĩ về việc chúng ta đang nghiên cứu cái gì—và điều đó đóng góp như thế nào vào việc hiểu rõ hơn về thực tại, sức khỏe và thế giới tự nhiên," Nunes Amaral, người đã mô tả chi tiết hiện tượng các "nhà máy" bài báo nghiên cứu do AI thúc đẩy vào năm ngoái, cho biết.

Tự động hóa các vấn đề dễ giải quyết nhất

Ngoài những biến dạng trong xuất bản gần đây, phân tích của Evans cho thấy AI phần lớn đang tự động hóa các phần dễ giải quyết nhất của khoa học thay vì mở rộng biên giới của nó.

Các mô hình được huấn luyện trên dữ liệu hiện có phong phú rất giỏi trong việc tối ưu hóa các vấn đề được xác định rõ ràng: dự đoán cấu trúc protein, phân loại hình ảnh, trích xuất các mẫu từ các tập dữ liệu khổng lồ. Một số hệ thống cũng đã bắt đầu đề xuất các giả thuyết và hướng điều tra mới—một cái nhìn thoáng qua về thứ mà một số người hiện gọi là "AI đồng khoa học".

Nhưng trừ khi chúng được thiết kế và khuyến khích một cách có chủ đích để làm như vậy, các hệ thống đó—và các nhà khoa học dựa vào chúng—khó có khả năng mạo hiểm vào những vùng đất chưa được lập bản đồ, nơi dữ liệu khan hiếm và các câu hỏi phức tạp hơn, Evans nói. Mối nguy hiểm không phải là khoa học chậm lại, mà là nó trở nên đồng nhất hơn. Các phòng thí nghiệm cá nhân có thể chạy đua về phía trước, trong khi doanh nghiệp khoa học tập thể có nguy cơ hội tụ vào cùng những vấn đề, phương pháp và câu trả lời—một phiên bản tốc độ cao của sự thu hẹp mà Evans đã ghi nhận lần đầu khi các công cụ tìm kiếm thay thế các kệ thư viện.

"Đây là một bài báo thực sự đáng sợ khi nghĩ về cách các hiệu ứng bậc hai và bậc ba của việc sử dụng AI trong khoa học diễn ra," Catherine Shea, một nhà tâm lý học tổ chức nghiên cứu về hành vi tổ chức tại Trường Kinh doanh Tepper thuộc Đại học Carnegie Mellon ở Pittsburgh, cho biết.

"Một số loại câu hỏi phù hợp hơn với các công cụ AI," bà lưu ý. Và trong một môi trường học thuật nơi các bài báo là thước đo chính của sự thành công, các nhà nghiên cứu tự nhiên bị thu hút vào những vấn đề dễ dàng nhất để các công cụ này xử lý và biến thành kết quả có thể xuất bản. "Nó trở thành một vòng lặp tự củng cố theo thời gian," Shea nói.

Liệu sự thu hẹp này có phải là tạm thời?

Liệu xu hướng này có tồn tại hay không có thể phụ thuộc vào cách thế hệ công cụ AI tiếp theo được xây dựng và triển khai trong các quy trình làm việc khoa học.

Trong một bài báo xuất bản tháng trước, Bowen Zhou và các đồng nghiệp tại Phòng thí nghiệm Trí tuệ Nhân tạo Thượng Hải ở Trung Quốc lập luận rằng việc ứng dụng AI trong khoa học vẫn còn manh mún, với các công cụ dữ liệu, tính toán và tạo giả thuyết thường được triển khai theo kiểu biệt lập và đặc thù cho từng nhiệm vụ, hạn chế việc chuyển giao tri thức và làm cùn đi các khám phá mang tính chuyển đổi. Nhưng khi các yếu tố đó được tích hợp, các hệ thống AI phục vụ khoa học sẽ giúp mở rộng khám phá khoa học, Zhou, một nhà nghiên cứu học máy từng là giám đốc khoa học của IBM Watson Group, cho biết.

Có lẽ vậy, Evans nói. Nhưng ông không nghĩ rằng vấn đề nằm ở thiết kế thuật toán của AI. Ông lập luận rằng, quan trọng hơn sự tích hợp kỹ thuật, điều có thể quan trọng nhất là đại tu các cấu trúc khen thưởng định hình việc các nhà khoa học chọn làm gì ngay từ đầu.

"Vấn đề không nằm ở kiến trúc tự thân," Evans nói. "Vấn đề nằm ở các động lực."

Hiện nay, Evans cho biết, thách thức là phải chuyển hướng một cách có chủ đích cách AI được sử dụng và khen thưởng trong khoa học: "Theo một nghĩa nào đó, chúng ta chưa thực sự đầu tư vào đề xuất giá trị thực sự của AI đối với khoa học, đó là đặt câu hỏi xem nó có thể cho phép chúng ta làm những gì mà trước đây chúng ta chưa từng làm."

"Tôi là một người lạc quan về AI," ông nói thêm. "Hy vọng của tôi là bài báo này sẽ là một lời khiêu khích để sử dụng AI theo những cách khác"—những cách mở rộng các loại câu hỏi mà các nhà khoa học sẵn sàng theo đuổi, thay vì chỉ đơn giản là đẩy nhanh công việc trên những vấn đề dễ giải quyết nhất. "Đây là thách thức lớn nếu chúng ta muốn phát triển các lĩnh vực mới."

Bài viết này xuất hiện trên ấn bản in tháng 3 năm 2026 với tiêu đề “AI Helps Scientists but Hurts Science” (AI giúp các nhà khoa học nhưng gây hại cho khoa học).