我注意到一个有意思的细节

我注意到一个有意思的细节。NIH的提案里，AI辅助写作迹象越明显的，拿到资助的概率反而高出4个百分点。这个数字放在科学界，足以让很多人坐不住了。但比这4%更值得注意的，是同一份研究里的后半句：那些AI辅助痕迹明显的提案，研究范围也在系统性收窄。

先说这4%怎么来的。我看了下研究设计，他们用写作风格特征做信号检测，不是简单问一句"你用了AI吗"。这跟我之前审AI生成的PR很像，AI写的东西再润色也有痕迹，句式工整得过分，逻辑过渡平滑得不像人写的。问题是，评审专家也是人，人也吃这一套。一个表述清晰、结构规整、找不到语法硬伤的 proposal，在半小时的评审时间里天然占便宜。这跟AI帮人写简历、写cover letter拿更多面试是一个逻辑，筛选环节的成本被AI压低了，通过率自然上去。

但收窄研究范围这个发现，才是真正的隐忧。我怀疑这是AI在替科学家做"安全的选择"。它并没有替科学家选方向，只是把选项收敛到最不容易出错的那几条。我刚开始用Claude跑了一点东西，它的语言模型天然倾向于把开放式问题收敛到可论证、可计算、可量化的路径上。你给它一个模糊的假设，它给你三个清晰的子问题；你给它五个方向，它帮你排序然后推荐前两个。对grant proposal来说，这种收敛本身是加分的，评审喜欢看到聚焦的研究计划。可问题是，科学的突破往往发生在那些说不清楚、难以量化、甚至看起来不靠谱的方向上。

我查了下西北大学那个研究团队的原始报告，里面有一句话很扎眼：AI辅助的提案产出了更多研究，但不一定是更多突破。这个"不一定"用得很克制，但指向的结论几乎是明摆着的。AI生成的文本在评审中占优势，而AI的训练数据又偏向已有的、被验证过的研究范式。两者叠加，整个资助体系就会像一个增强回路，不断奖励那些AI觉得"像好科学"的东西。短期看是效率提升，长期看是路径依赖。

我做过不少技术尽调，见过太多类似的案例。一个系统如果只用"过审率"做KPI，它一定会演化出专门对付评审的策略。AI写grant proposal，等于把几十年的"评审口味"压缩进了一个概率分布。它能帮你通过评审，但也会让你在不知不觉中远离那些让评审眼前一亮的东西。

还有一个数据值得注意：虽然AI辅助的提案拿到钱的比例更高，但评审普遍反映这些文本"听起来很笼统"。这跟我在公司里看到的AI周报是同一个病，语法正确、结构完整、信息密度极低。

好在科研界对内容的真伪还有一套硬核的验证机制，实验做不出来就是做不出来，论文发不出来就是发不出来。但我担心的是，那些因为AI辅助而拿到钱的课题，本身方向已经被收敛到一个安全区。这笔钱大概率会产出一篇体面的论文，而不是一个真正的突破。

这可能是AI进入科研领域后最隐蔽的代价。我们一直在谈AI能不能帮科学家做更多事，现在的问题是，AI正在悄悄定义什么事值得做。

---

本文编译自 Hacker News，原文：https://phys.org/news/2026-08-ai-grant-narrowing-ideas.html
版权归原作者所有，本文为基于公开报道的编译与独立分析。