一句话看懂：一篇来自普林斯顿、华盛顿大学等机构的理论经济学论文提出，即便大语言模型完美无错，AI 也可能让科学家做得更多但做得更差——因为省下的时间会流向新项目，而非深挖旧项目。
事件核心：发生了什么
这篇论文用“最优觅食理论”构建数学模型，模拟研究人员在不同项目间分配精力的方式。模型把科研项目分为两阶段：先验证想法是否可行，再决定推进或放弃；推进阶段又分为“必做部分”（制图、排版、投稿）和“自愿部分”（补充实验、深入分析、润色）。
论文设想了三种 AI 介入场景：AI 加速前期想法评估时，研究者因试错成本降低而更挑剔，但推进的项目反而获得更浅的投入；AI 加速写作和排版时，发表门槛降低会导致更多但更浅的论文涌入——这在以实地调查为主的学科中尤为典型。只有在第三种场景——AI 直接加速深度分析这类“自愿部分”——研究质量才会真正提升。作者因此概括：LLM 作为增效工具提高了时间的“机会成本”，推动我们“做得更多、但做得更差”。
为什么重要
该研究的价值在于它剥离了 AI 的常见缺陷（如幻觉、错误），只聚焦“节省时间”这一单纯变量，结论依然指向质量下降。这挑战了业界默认的叙事：AI 释放人力后自然会流向更深层的思考。
实际证据也在佐证这一点：OpenAI 的实地报告显示，AI 重写科研软件可提速 60 倍，但瓶颈转向了验证和长期维护；METR 研究则发现经验丰富的开源开发者使用 AI 工具后，实际完成时间反而延长 19%，尽管他们自感快 24%。在发表端，LLM 加速写作已推高投稿量，让本就超负荷的同行评审系统承压，Sakana AI 的“AI Scientist-v2”甚至带错误引用通过了 ICLR 工作坊审核，arXiv 则对 AI 幻觉来源祭出一年的投稿禁令。
对用户/开发者/创作者的影响
对科研人员和开发者而言，这篇论文提示了一个反向操作策略：把 AI 用在那些你本来就会敷衍的深度环节，而不是用于加速“交差”的流程。对内容创作者和工程师来说，需警惕“效率错觉”——工具带来的速度感可能掩盖了协作成本（如代码审查、事实核查）的转移。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对企业采购 AI 工具也有参考意义：若部署 AI 只压缩了产出端流程，而非质控与验证环节，人力节省可能并未转化为质量红利。对工具设计者而言，论文的三种场景划分可作为功能设计坐标：优先优化“深潜”而非“冲刺”的功能，可能更容易形成真实价值。
值得关注的后续
目前公开信息显示，该研究尚停留在理论建模阶段，但两个方向值得留意：其一，能否出现实证研究，在实验室或出版数据中验证“省时导致浅薄”的定量关系；其二，论文建议机构回应应因学科而异——不同学科会否据此调整 AI 辅助工具的分工策略。此外，随着 arXiv 处罚趋严，科研界会否形成“AI 痕迹”审计的规范，也将影响大模型在学术场景的落地形态。
