一、引言：信息富足中的”贫困”

当代科研工作者正面临一个深刻的学术悖论：全球学术文献总量呈指数级持续增长，但研究者精准检索、获取核心所需文献的难度反而大幅提升。美国康奈尔大学研究团队选取2018年1月至2024年6月arXiv、bioRxiv、SSRN三大主流预印本平台的200余万篇论文为研究样本，覆盖物理科学、生命科学、社会科学三大领域，系统探究了大语言模型对当代科研产出的影响机制[3]。这种“信息富足下的认知贫困”，精准点明了当前科研工作的核心瓶颈——并非知识总量匮乏，而是各类知识单元之间的有效连接严重缺失。

更为关键的是，知识连接断裂带来的不仅是科研效率的损耗，更深刻重塑了研究者的思维模式。有学者研究表明，当下高密度的信息环境更推崇信息获取的速度与广度，而非认知的深度与精度。多数研究者仅浏览文献标题、摘要与简短评述，极少完整研读全文内容。这一现象催生了极具风险的科研惯性：信息与工具的获取门槛空前降低，却让研究者逐渐弱化了深度剖析、批判性思辨与刻意钻研的核心科研能力。

从20世纪系统科学的蓬勃兴起，到当代跨学科交叉研究的纵深推进，学术界已形成统一共识：科学进步的核心要义，绝非零散新知识的简单叠加堆砌，而是对现有认知体系的重构与串联。当碎片化的文献资源、孤立的科研数据、分散的学术思想实现有效联动与深度衔接，全新的科学认知便会自然生成。这也是本文核心研究命题的核心依据与研究出发点。

二、从”实体”到”关系”：科学认知的底层转向

2.1 系统科学对”实体”传统的颠覆

系统科学思想史的相关研究清晰印证了人类科学认知的核心转向：20世纪40年代末兴起的系统科学，彻底打破了近代科学以物质“实体”为核心的研究范式，将事物间的“关系”确立为认识论的核心基础，将各类研究对象定义为动态系统，从多元维度揭示客观事物及其发展过程中，各类关系的共性规律与本质特征[1]。这一认识论变革具有里程碑式的意义，标志着科学认知的核心对象，从孤立、静态的“物质个体”，转向多元、动态的“事物关联”。

系统科学的核心理论指出，任何系统都无法脱离个体、环境与背景的关联独立存在，系统的定义、描述与认知均依托于各类关系生成。贝塔朗菲对系统作出经典定义：系统是由若干相互关联的要素构成、并与外部环境产生互动的有机整体。该定义精准诠释了系统跨层级、不可简单还原的核心关系属性，奠定了关系认识论的理论根基[1]。

2.2 结构与功能：关系的两种表征

在系统科学理论体系中，结构与功能是两大核心基础范畴，二者均以“关系”为核心表征形式。其中，系统结构指代系统内部各类要素的关联模式与关系总和；系统功能则是系统依托内部结构、对接外部环境所展现的核心特性与应用能力。系统研究方法的核心逻辑，便是立足部分与部分、整体与部分、系统与环境的多维关系，探究系统的运行规律，进而形成最优的问题解决路径[1]。

系统科学同时蕴含完整的整体辩证思维，提出“部分依存整体、整体赋能部分”的核心观点。传统认知普遍认可“不识部分，难知整体”，而系统科学进一步完善了这一逻辑，强调“不识整体，亦难明部分”。分形学理论也佐证了这一观点，自然界多数现象均具备分形结构，系统整体与局部存在天然的自相似特征。基于此，系统科学要求研究者立足整体视角，统筹剖析系统内部要素、整体与局部、系统与环境的辩证关系，以此实现对系统的全面、深度认知[1]。

2.3 “整体大于部分之和”的实证验证

整体涌现性是系统科学的核心理论基石，由贝塔朗菲正式引入系统科学体系，并沿用亚里士多德“整体大于部分之和”的经典命题概括其核心内涵。这一理论假说，在当代跨学科研究领域中得到了充分的实证支撑。

武汉大学操玉杰、李纲、毛进、杨冠灿等学者以交叉学科“医学信息学”为研究载体，依托指数随机图模型（ERGM）开展实证研究，系统剖析跨学科领域共词网络的生成机制与影响因素。研究结果表明，知识网络的结构特征对共现关系生成的影响，远超关键词本身的属性特征；择优连接机制与传递性机制对知识关联生成具有显著的正向驱动作用[2]。该结论具备重要的方法论价值，直接印证了知识研究领域的核心规律：知识节点的连接方式，比节点自身属性更为关键，为“连接即科学”的核心命题提供了坚实的实证依据。

该研究同时发现，医学信息学领域的前沿关键词，普遍倾向于与基础学科关键词建立跨领域共现关系，而基础学科关键词则更偏向于学科内部的关联联动。这种差异化的跨层级连接特征表明，跨学科知识连接并非均匀分布，而是存在明确的结构偏好与层级差异：前沿应用学科主动对接基础学科寻求知识融合，而基础学科则以内部知识迭代、自我完善为主要发展模式[2]。

三、三个层级的连接：文献、数据与思想

3.1 文献之间的连接：知识网络的底层结构

前述基于指数随机图模型的学科交叉研究，进一步揭示了知识演化的核心规律：知识网络中的新增关键词节点，更倾向于与已有新型节点建立关联[2]。这意味着新知识的生成，本质是全新知识节点与存量知识体系的联动融合，而持续迭代的知识节点会不断构建全新关联，最终形成动态延伸、持续拓展的全域知识网络。

从宏观学科发展视角来看，跨学科研究的核心突破，大多源于科研范式的“脱嵌”变革。研究者突破传统单一学科的范式束缚，围绕复杂科研问题与前沿研究领域，构建全新的知识研究模式与学术协作体系。这种范式突破的本质，正是打破学科壁垒、在异质知识节点之间搭建全新的连接通道。纵观科学发展史，每一次颠覆性的重大科研突破，均伴随着跨领域、跨层级的知识连接创新。

3.2 数据与思想的连接：人机协同的新范式

人工智能时代下，科研数据体量呈爆炸式增长，人类科学研究的认知对象与创新范式发生根本性变革。学界普遍认为，数据及其关联关系已成为驱动科研创新的核心动力，数据洞察能力与理论思辨能力的深度耦合，是当代科研创新的核心源泉。

北京大学国家发展研究院胡诗云、易君健的专项研究表明，以大语言模型为核心的人工智能技术，正彻底重塑知识工作者的科研生产模式。该研究将大语言模型在经济管理全科研流程中的功能定位，划分为参谋、助研、智能体、伙伴四大核心角色[7]。其中，“参谋”角色侧重思想赋能，协助研究者梳理文献资料、深化理论认知、厘清核心概念并提供多元化研究思路；“助研”角色侧重事务赋能，承接文献整理、格式校准、参考文献排版等重复性科研工作[7]。

这一角色划分框架的核心价值，在于明确了人工智能的核心定位：并非替代研究者完成核心学术判断，而是全方位赋能知识连接的各个环节，搭建研究者与文献、碎片化信息、跨领域思想之间的联动桥梁。正如该研究所述，大语言模型全面融入科研全流程，不仅能够通过自动化处理基础工作提升科研效率，更能依托人机协同模式，极大拓展人类科研思维的广度与深度[7]。

3.3 加速连接的实际效果

大语言模型对科研生产力的赋能价值，已得到多项实证研究的数据验证。前述康奈尔大学团队基于200余万篇预印本论文的系统性研究（第一作者Keigo Kusumegi，通讯作者Yian Yin）得出明确结论[3]：在arXiv平台中，使用大语言模型的科研人员，论文产出量较未使用者高出约1/3；在bioRxiv与SSRN平台中，这一产出增幅突破50%。

对于非英语母语科研群体，大语言模型的赋能效果更为突出。数据显示，亚洲科研机构研究者依托大语言模型开展科研工作后，论文产出增幅达43.0%—89.3%[3]。在文献检索、引文梳理等核心科研环节中，人工智能工具的优势显著优于传统检索工具，能够更精准、全面地抓取最新文献与相关学术资料。该研究第一作者指出，大语言模型能够帮助研究者接触更多元的知识体系，为创新性科研思路的生成提供充足支撑[3]。这正是知识连接升级带来的核心红利——多元化的知识触达，能够催生更多潜在的学术关联与创新可能。

与此同时，现有研究也明确了人工智能工具的应用局限。康奈尔大学团队的研究强调，大语言模型能够快速辅助研究者完成论文初稿撰写、内容扩充等工作，但无法有效甄别科研成果的核心质量。AI生成文本普遍文笔流畅、格式规范，却难以实质性提升科研成果的学术价值，海量低质量AI文本的涌现，进一步增加了同行评议、科研经费评审、科研质量监管的工作难度[3]。这一现象精准印证了本文核心观点：知识连接的有效性，依托于高质量的知识节点；人工智能仅能加速连接效率，无法替代高质量、可验证的核心科研知识。

四、”AI科学家”的实践突破：从辅助到协同

近年来，人工智能在科研领域的应用持续深化，角色定位从单一的辅助工具，逐步渗透至科研全流程，推动全球科研范式迎来颠覆性变革[5]。各类“AI科学家”系统的落地应用，标志着人机协同科研模式进入全新发展阶段。

4.1 全流程科研助手的出现

2026年3月25日《自然》杂志刊发的一项前沿研究，推出全新人工智能系统“AI科学家”（The AI Scientist），该系统可在极低人类干预的前提下，独立完成从研究选题、文献调研、实验设计、代码编写、数据运算、图表绘制，到论文撰写、同行评审的全链条科研工作[4]。

该系统由日本Sakana AI人工智能公司联合牛津大学、英属哥伦比亚大学、Vector Institute共同研发，具备完整的自主科研能力：可独立生成原创研究设想、检索梳理国内外相关文献、编写并运行实验代码、分析实验数据、绘制科研图表，同时按照标准学术范式完成论文各模块撰写与文献引用；最终可通过专属评审AI，对论文的准确性、创新性与学术质量进行量化打分，完成初步学术评审[4]。

为验证系统的实际科研能力，研究团队将3篇完全由AI独立生成的论文，投递至2025年国际学习表征会议（ICLR）机器学习专题研讨会。评审专家仅被告知部分稿件可能由AI生成，未获知具体筛选范围。最终，其中一篇论文获得6分、7分、6分的评审成绩，平均分达6.33分，顺利通过会议评审并被接收（依据实验预设伦理规范，该论文在接收后已主动撤回）[4]。

4.2 顶级期刊验证的协同模式

斯坦福大学与陈-扎克伯格生物中心联合研发的科研“虚拟实验室”，实现了人机协同科研模式的全新突破。该系统可根据人类科研需求，组建多学科背景的AI科研团队，开展跨领域协同研究。2025年7月，该系统搭建了由AI免疫学家、机器学习专家、计算生物学家构成的虚拟科研团队，引入科学评论员智能体规避AI幻觉问题、强化批判性审视能力，构建全新纳米抗体计算框架，辅助人类科学家成功设计92款抗病毒纳米抗体。经实验验证，其中2款可精准结合新冠病毒JN.1、KP.3新型突变株的刺突蛋白，相关研究成果正式发表于《自然》杂志[10]。

谷歌公司2025年2月推出的“AI联合科学家”（AI co-scientist），进一步展现了人工智能的科研创新潜力。英国帝国理工学院微生物学专家何塞·佩纳德斯耗时10年，成功发现并验证超级细菌通过获取病毒尾部结构实现进化的全新基因传播机制。而谷歌“AI联合科学家”仅耗时48小时，便独立推导得出完全一致的研究假设，同时提出多项全新科学假说，包含一项人类研究者未触及的研究方向[11]。佩纳德斯坦言，若能提前借助该AI工具，可大幅缩短项目研究周期，节约数年科研时间。

需要明确的是，该案例中人工智能的核心价值为“独立生成科学假设”，而非实验验证与结论佐证。最终确立科学结论、完成成果落地的核心支撑，仍是人类科研团队长期积累的实验数据与实证工作。这一边界划分至关重要：人工智能可加速科研假设生成、拓宽知识连接维度，但科学知识的最终验证与落地，必须依托人类科研的实证积累。

4.3 多智能体协作框架

2025年1月，美国AMD公司与约翰斯·霍普金斯大学研究团队联合提出“代理实验室”（Agent Laboratory）多智能体科研框架，依托大语言模型智能体，实现文献综述、实验设计、成果分析、报告撰写等科研环节的全流程自动化，构建了全新的智能化科研体系[6]。

该框架的核心是专业化多智能体协同体系，针对不同科研环节设置专属AI智能体，分别承担文献综述与研究规划、实验设计与结果解读、代码开发与数据运算、论文评审与质量管控等细分任务。系统支持两种运行模式：自主模式下，研究者仅需输入初始研究构想，多智能体即可自动完成全链条科研工作；辅助模式下，保留人类核心决策权，研究者可在各关键节点审核AI输出结果、优化研究方案。实验数据表明，人机协同的辅助模式产出的科研成果质量，显著优于纯机器自主模式，充分彰显了人机协同科研模式的核心优势[6]。

4.4 中国AI科学家的布局

国内科研机构也已加快布局智能化科研体系，持续推进AI科学家系统的研发与落地。2024年10月，上海人工智能实验室联合多家单位开源发布多智能体科学社群模拟系统“虚拟科学家”（VirSci），可精准模拟人类科研团队的协作模式，为科技创新规律研究提供全新工具支撑[8]。

2025年7月，上海人工智能实验室联合崖州湾国家实验室、中国农业大学等单位，发布国内首个生物育种领域自主科学发现系统“丰登·基因科学家”[9]。依托该AI系统的协同赋能，科研人员成功在主粮作物中挖掘出数十个未被报道的全新基因功能，且全部通过实验验证，实现了生物育种领域的科研突破。

国内外系列前沿实践充分印证：人工智能在科研领域的角色，已从基础工具迭代为协同科研伙伴，但核心定位始终是“协同赋能”而非“主体替代”。正如相关研究总结，理论思辨与创新建构能力，是人工智能时代人类科研工作者不可替代的核心竞争力[7]。

五、结论：连接始终属于研究者

本文以“科学的本质是连接”为核心命题，结合系统科学思想史理论、跨学科研究实证数据、大语言模型科研赋能量化分析、AI科学家系统前沿实践，形成如下核心研究结论：

第一，科学认知的底层逻辑是“关系”而非“实体”。系统科学彻底完成了从“实体本位”到“关系本位”的认识论转向，确立了关系视角在科学研究中的核心地位[1]。实证研究进一步佐证，跨学科知识网络中，知识节点的连接方式与关联结构，对科研创新的影响远超节点自身属性，择优连接、传递性关联是知识迭代的核心驱动机制[2]。科学进步的本质，是碎片化知识的系统性重构、跨领域思想的深度贯通与创新融合。

第二，AI工具正在全方位加速知识连接进程。基于200余万篇预印本论文的量化研究证实，大语言模型可实现30%—50%以上的科研产出增幅，对非英语母语科研人员的赋能效果更为显著，亚洲科研机构产出增幅达43.0%—89.3%[3]。在文献检索、引文梳理等核心环节，AI工具相较于传统检索方式，能够更高效地抓取前沿、多元的学术资源。当前“AI科学家”系统已可独立完成全流程科研工作，部分成果顺利通过国际学术会议同行评审[4]。“代理实验室”的对比实验也明确，人机协同模式的科研质量远高于纯机器自主研究模式[6]。但人工智能的核心定位始终是知识连接的“加速器”，其价值在于高效挖掘、呈现、串联存量知识中被忽略的潜在关联，无法创造核心创新认知。

第三，知识连接的核心主体始终是人类研究者。系统科学理论明确，系统的存在、定义与认知，完全依托于个体与环境、背景的多元关系[1]。人工智能可完成语料整合、数据清洗、内容结构化解读等基础性工作，但挖掘异质现象的内在关联、从海量数据中甄别隐秘因果逻辑、在零散文献中对接跨界研究思路的核心能力，仍归属于人类研究者。这是科学研究最本质、最核心的创新内核，也是智能工具无法替代的核心价值。

当零散的文献、孤立的数据、割裂的思想实现深度联动，全新的科学认知便会自然涌现。而实现知识连接、驱动科学创新的核心主体，始终是深耕科研、持续思辨的研究者。

参考文献

[1] 高剑平. 从”实体”的科学到”关系”的科学——走向系统科学思想史研究[J]. 科学学研究, 2008, 26(1): 25-33.

[2] 操玉杰, 李纲, 毛进, 杨冠灿. 基于ERGM的学科交叉领域知识连接机制实证研究[J]. 图书情报工作, 2019, 63(19): 128-135.

[3] Kusumegi K, Yin Y, et al. Scientific Production in the Era of Large Language Models[J]. Science, 2025. DOI: 10.1126/science.adw3000.

[4] Sakana AI, et al. The AI Scientist[J]. Nature, 2026, 651(8107): 914-919. DOI: 10.1038/s41586-026-10265-5.（该论文在接收后按实验预设伦理约定主动撤回）

[5] 董楠卿. “AI科学家”推动科研范式深刻变革[N]. 人民日报, 2025-08-25(16).

[6] Schmidgall S, et al. Agent Laboratory: Using LLM Agents as Research Assistants[EB/OL]. arXiv:2501.04227, 2025.

[7] 胡诗云, 易君健. 智能之光：人机协作的经济管理研究新时代[R]. 北京大学国家发展研究院CCER讨论稿, 编号C2025003, 2025.

[8] 上海人工智能实验室. VirSci: 多智能体科学社群模拟系统[EB/OL]. arXiv:2410.09403, 2024.

[9] 上海人工智能实验室, 崖州湾国家实验室, 中国农业大学. 丰登·基因科学家[EB/OL]. 2025年7月于WAIC 2025发布.

[10] Swanson K, Wu W, Bulaong N L, et al. The Virtual Lab of AI agents designs new SARS-CoV-2 nanobodies[J]. Nature, 2025, 646: 716-723. DOI: 10.1038/s41586-025-09442-9.

[11] Gottweis J, et al. Towards an AI co-scientist[EB/OL]. arXiv:2502.18864, 2025.