AI加速科学产出，arXiv投稿量2026年激增

AI 已经发展到能解决科学和数学问题的程度。这些并非无关紧要的问题：AI 系统已经针对那些伟大头脑花费数十年、有时甚至数百年试图解决的问题，提出了解决方案。关于 Navier–Stokes 方程奇点形成证明的公告，是第一个让我瞠目结舌的消息。如今我每天都能读到，某个猜想据称被解决，或某项结果由 AI 产出。

但这里有个问题。AI 的发展速度如此之快，方式又如此特殊，以至于科学界难以跟上。

看看这张 arXiv 投稿量图表——arXiv 是一个免费的科学论文在线存储库，本身不提供同行评审。看看长期增长趋势，尤其是 2026 年的急剧攀升。这种科学产出的爆炸——无论质量高低——正是当下更大范式转变的一个症状。AI 已经将知识工作工业化，而有大量低垂的果实可供算力去摘取。问题在于怎么摘。

arXiv 月度投稿量。扩张早于生成式 AI 出现，但近几个月增幅尤为陡峭。投稿数量既不衡量研究质量，也不反映使用 AI 产出的比例。来源：arXiv。

科学归根结底是一个由共同体驱动的过程。我们不能忘记这一点。一个相互连接的科学家共同体已经运作了数百年，通过一个随时间有机演化的相当简单的流程，推动人类知识向前发展。

第 1 步看起来足够无害。毕竟，我们有大量问题需要回答。但这并非简单的一步。我要请你注意“共同体想要回答的”这个说法。共同体由理解本领域开放问题的专家组成。他们集体确定自己想要回答的问题，并判断哪些值得追求。他们既提出问题，也确立问题的重要性。

他们做到这一点的主要方式之一，是通过第 5 步。对新科学工作的消化会产生新问题、新假设和新证据。

要看清 AI 的进步如何扰乱这一过程，看看数学就知道了。仅仅两个月内，针对数百个研究问题的候选答案被发布出来，供共同体评估。这一切发生得太快，数学家们几乎没有时间消化。哪些答案是正确的？哪些包含重要洞见？它们提出了什么新问题？我们还不知道。

正如顶尖数学家 Terence Tao 所说，“优秀、富有成果的开放问题集合，正以一种不可再生的方式被开采”。他担心的是，即便可设想的问题供给是无限的，有价值的开放问题也可能变得稀缺。来源：Tao 9 月 8 日的帖子。

这仅仅是个开始。其他科学领域可能很快经历同样的 AI 消化不良。大量结果——来自成熟科学共同体内部和外部的都有——正涌向网络。科学共同体面对的是上述流程第 3 步和第 4 步产生的大量结果。他们将难以判断哪些结果需要严格审查，哪些重要，哪些没什么意思。

我的回答平淡无奇：科学需要继续遵循这一流程。但首先，我们需要认识到，这就是我们一直在遵循的流程——并找出哪些环节现在需要更多关注。

在第 5 步中，我把“消化”标成了斜体。甚至在这篇笔记的初稿里我就这么做了。科学共同体需要加快对结果的消化，方式要有助于他们识别并提出有趣的问题。

首先，自主或人类引导的 AI 智能体将其工作提交到一个公共存储库。该存储库设有准入要求，旨在评估新颖性和正确性。提交内容应说明其与已知结果有何不同，并包含独立核查所需的证据。智能体可以帮助复现计算和检查证明，而实验性主张仍需要相应的实证验证。

其次，科学共同体从这个结果池中提取、识别重要结果，并提出下一组重要问题。这种解读、综合和问题形成的工作，应在同行评审学术期刊中得到认可和奖励。

这正是科学过程中日益劳动密集的部分：理解答案意味着什么，并找出随之而来的好问题。