---
id: "mb-20261021-1b1268"
kind: "deep"
title: "为什么更强的人工智能突破，反而加速了自身的枯竭？718万篇论文揭示的创新反噬"
description: "芝加哥大学知识实验室通过分析计算机科学36年间718万篇论文与7.3万份同行评审发现，每一次重大AI架构的出现虽在短期拉高产出，却通过学术引力吸空了理论与系统领域，致使中坚学者扎堆单一范式、评审信心暴跌，并加速耗尽未来重组创新所需的思想多样性。"
domain: "ai"
domain_label: "AI 与大模型"
canonical_url: "https://mubeitech.com/deep/mb-20261021-1b1268"
markdown_url: "https://mubeitech.com/deep/mb-20261021-1b1268/markdown"
json_url: "https://mubeitech.com/api/interpretations/mb-20261021-1b1268"
topic: "为什么更强的人工智能突破，反而加速了自身的枯竭？718万篇论文揭示的创新反噬"
source_type: "generated"
status: "published"
generated_at: "2026-10-21 06:20:58"
frame_type: ["机制"]
legal_anchor_count: 0
transcript_citation_count: 0
---

# 为什么更强的人工智能突破，反而加速了自身的枯竭？718万篇论文揭示的创新反噬

全世界最聪明的头脑全挤在同一个方向，技术会不会跑得更快？

我们的直觉通常是：当然会。
钱给得最多，论文发得最猛，天才扎堆攻关，突破理应一个接一个。

芝加哥大学知识实验室（Knowledge Lab）的一群学者，把计算机领域过去 36 年的数据全扒了一遍。
得出的结论却让人倒吸一口凉气：
技术突破越强，它死得越快。
每一次横扫整个行业的超级突破，都在加速耗尽它下一代突破需要的原料。

这个结论背后，有一套扎扎实实的数据支撑。
社会学家詹姆斯·埃文斯（James Evans）和他的合作者，调集了 1990 年到 2025 年的完整记录。
整整 718 万篇论文。
370 万名计算机学者。
91.8 万次学者的跨方向大转移。
还有 45 个国际顶会的 7.3 万份同行评审。

数据摊开之后，第一件事就让人吃惊：整个学科正在被巨型黑洞吸空。
2017 年 Transformer 架构一战成名。
在这之后，计算机科学里凡是换研究方向的学者，有 53.8% 全部涌进了人工智能。
AI 占整个计算机领域的论文份额，从 2017 年的 40%，一口气飙升到 2025 年的超过 55%。
与此同时，曾经处在黄金时代的系统研究大步后退，理论计算机更是进一步萎缩。

更关键的是，到底是谁在转行？
有人猜是赶时髦的年轻学生，也有人猜是功成名就的大佬。
数据给出的答案完全出人意料。
学者们跑了一个回归模型，发现转行概率是一条非常陡峭的倒 U 型曲线。
峰值精准落在了 31.8 岁，学术声誉处于前 18% 的学者身上。
这群人正是学术界最能打的中坚力量。
他们扔掉了自己原本深耕的冷门理论、操作系统和编译器，顶着换方向的代价，全跑来追赶 AI 的重力场。

中坚力量全跑过来了，会发生什么？
审稿系统直接被冲垮了。
顶会里同行评审的信心打分，在 5 分满分的标尺上，硬生生暴跌了整整 1 分。
从 3.9 一路跌到 2.9。
为什么跌这么狠？
跨界套用 AI 方法的论文铺天盖地，审稿池里塞满了刚进场的新人。
会务系统根本找不到真正懂行的专家去匹配论文。
到最后，一篇论文能不能被录用，越来越像是在抛硬币。

审稿乱套还只是眼前的麻烦，更深一层的破坏，发生在整个学术生态的思想库里。
研究团队把论文摘要里稳定出现的名词提取出来，当作学术生态里的思想物种，追踪它们的诞生、活跃和死亡。
从 2012 年的 AlexNet，到 2017 年的 Transformer，再到后来席卷全球的大语言模型。
每一次超级突破，确实在短期内拉高了整个领域的思想容纳上限。
但接下来发生的事，一次比一次严峻。
突破越大，吸走的注意力越彻底，随之而来的思想枯竭就越陡峭。
这就像在原本树种丰富的原始森林里，突然引进了一种极度高产的速生树。
大家把周围的所有草木全拔光，改种同一棵摇钱树。
眼前的收成确实暴涨。
但森林里原本错综复杂的基因多样性，被彻底吸干了。

这种枯竭甚至不是计算机领域独有的现象。
他们在结构生物学里看到了完全相同的周期。
冷冻电镜技术爆发，以及后来的 AlphaFold 预测蛋白质结构，同样在掀起狂欢之后，迅速陷入了新想法的枯竭期。

学术界难道不知道有问题吗？
他们当然知道，而且出台了对策。
国际机器学习大会（ICML）、国际学习表征大会（ICLR）等几大顶会，推行了一套互惠评审机制。
规则很简单：你投的论文越多，分给你审稿的任务就越多。
初衷是为了治水，防止有人光灌水不审稿。
但这帮学者做了一个多主体模拟实验，发现了这套政策可怕的副效应。
在现有的科研体制下，论文产出最多的，永远是那些资源最厚、紧跟主流大模型的高产大户。
互惠评审直接让这群主流作者垄断了审稿池的大多数席位。
每个人审稿都带着自己的学术品味。
主流作者握着审稿权，自然更容易给符合主流范式的文章开绿灯，把那些画风奇特、偏离主流的探索毙掉。
一套原本为了公平的救火政策，反而加速把学术界收紧成极少数人的审美闭环。

经济学里经常讲熊彼特的创造性破坏，认为新技术淘汰旧技术是发展的必经之路。
但这个理论一直有个默认假设：供你挑选新创意的种子库，永远是在增长的。
现实却给所有人上了一课。
新范式不仅淘汰了对手，还把孕育下一次突破所需要的思想多样性给吃光了。
科学史上真正的革命性突破，从来不用在最拥挤的大道上猛踩油门。
它靠的是把那些不起眼的冷门碎片重新拼装起来。
如果整个生态为了眼前的红利，把所有边缘探索全部铲平，那赢家通吃的结果就是自掘坟墓。
一个只剩同一种声音的奇点，后面不会再有任何继承者。

_Canonical: <https://mubeitech.com/deep/mb-20261021-1b1268> · Source: 墓碑科技 MUBEITECH (mubeitech.com)_
_Rendered by mubei-terminal._