前沿速递

私营部门正在争夺 AI 研究人员：这对科学意味着什么？

核心概念

科学颠覆性（Disruptiveness）：在论文中，科学颠覆性是一个衡量研究成果如何改变其所在领域知识流动的指标，具体通过「一篇论文被引用时，其参考文献被同时引用的频率有多低」来计算。如果一篇新论文（论文 A）被后续研究（论文 C）引用，但论文 C 却没有引用论文 A 所引用的任何早期文献（论文 B），那么论文 A 就被认为是具有颠覆性的。简单来说，一篇颠覆性的论文会使后续研究者直接在此基础上展开工作，而忽略了它所依赖的早期研究，从而重塑了该领域的知识格局。

科学新颖性（Novelty）：论文将科学新颖性定义为一篇论文在其参考文献中结合了罕见的、通常不会被一同引用的知识来源。如果一篇论文同时引用了两个或多个在过往文献中很少被联系在一起的学科或研究领域的期刊，那么它就被认为是高度新颖的。也就是说，一篇高新颖性的科学论文通过连接看似无关的知识点，开辟了全新的研究方向。

倾向得分匹配（Propensity-Score Matching, PSM）：这是一种统计学方法，用于在非随机实验的研究中创造一个可信的对照组，以评估某项干预（如转投工业界）的真实效果。研究首先会基于一系列可观察的特征（如学术年龄、发表记录、引用次数等），为每一位研究人员计算一个倾向得分，即他们转投工业界的概率。然后，该方法为每一位已经转投工业界的研究人员（处理组），在那些留在学术界的人（控制组）中寻找一个或多个在转变发生前具有几乎相同倾向得分的「双胞胎」。通过比较这些高度相似的「双胞胎」在转变发生后的科研表现，研究者可以更准确地判断出职业转变本身带来的影响，而不是被研究人员个体差异等混杂因素所干扰。

研究问题

近年来，私营部门在人工智能研究领域的影响力迅速增长，谷歌、Meta 等科技巨头不仅在顶级 AI 会议上发表大量论文，还吸引了众多学术界的顶尖人才。这种从学术界到工业界的「AI 人才流失」现象引发了人们的担忧，例如公共利益研究被削弱、学术自由受限等。尽管一些研究已经关注到此现象及其对创业和融资的影响，但对于研究人员转投工业界后，其科学产出的性质（如影响力、新颖性）会发生何种具体变化，尚缺乏量化分析。

因此，本研究旨在回答以下核心问题：究竟是哪些类型的 AI 研究人员正在从学术界流向工业界？哪些因素会显著影响他们做出这一职业选择？更重要的是，当这些研究人员进入私营部门后，他们的科研产出的影响力、颠覆性和新颖性会发生怎样的变化？这一转变对科学的未来发展又有哪些潜在影响？