近日，我院肖柏高助理教授、本科生周阳和中国人民大学刘青教授合作撰写的学术论文《生成式AI驱动创新的数量和质量效应——基于诺贝尔化学奖成果AlphaFold的发现》在《经济学》（季刊）2026年第3期刊出。《经济学》（季刊）是由北京大学国家发展研究院主办的经济学领域综合性权威期刊。我院本科生首次以第二作者身份在该刊发表论文，充分体现了我院本科生的高水平科研能力。

“AI for Science”（AI驱动科学）是AI核心应用和研究领域，生成式AI的出现极大地增强AI对科技创新的驱动能力。2024年两位AI学者因研发能生成蛋白质空间结构的AlphaFold极大推动生物化学创新而“跨界”获得诺贝尔化学奖，2023年ChatGPT成为《自然》杂志年度十大科学人物的首位非人类学者，均标志着生成式AI驱动的科技创新范式正快速形成。生成式AI通过训练海量数据获得知识库与推理等高阶智能，并基于此生成有价值的新观点、新思路和新发现（即“创新生成”），有望将科技创新过程由传统的“人类思考再实验发现”变革为“AI思考和直接发现”或“AI思考发现后再实验验证”，极大提升创新来源、速度和效率。然而，其生成功能的训练是让生成内容尽可能地逼近已有数据中规律和模式（即“守旧训练”），因此其输出内容的“新”可能只是超大训练数据中子模式的重组。这一特征尽管有发现遗漏或交叉创新的潜力，但其推动输出内容向已有数据规律或模式靠拢，训练方向与追求突破人类认知边界的原创性、颠覆性、引领性等创新的创新方向相悖。综上，理论上生成式AI对创新质量有复杂影响，本文旨在通过系统性实证分析，探究其对创新数量与质量的实际影响。

文章以2024年诺贝尔化学奖成果AlphaFold为外生冲击构建双重差分模型，研究发现能精准生成蛋白质空间结构的AlphaFold显著提升了蛋白质创新数量。但对创新质量影响出现分化：其“创新生成”提升以知识组合、交叉为主的利用式创新质量，同时也因“守旧训练”导致创新趋同，未能提升以颠覆、引领为主的探索式创新质量。此外，AlphaFold驱动科研体系转向“AI范式”，虽提升人均产出，但带来算力数据依赖加深、企业短期研发效率下降和科研方向的AI路径收敛等挑战。基于此，文章建议构建合理的人-AI协作科研机制、规避科研同质化风险，强化普惠共享的关键要素建设思路、打破“AI驱动”范式的准入壁垒，从而进一步激发生成式AI的创新活力。