2026科研人员AI应用现状调查报告

第一部分：2026年研究人员使用人工智能的状况 咨询委员会 内容 椅子 复旦大学 李晋福 迈克尔·莱维特 费尔德大学 执行摘要2 成员（按姓氏字母顺序排列） 文博 复旦大学 邢高 复旦大学 建鹏复旦大学 慧声 复旦大学 丹·彭尼斯普林格·自然 41. 景观：人工智能的采纳与渗透 研究团队 数据分析与研究支持 荣居 | SpringerNature史蒂文·里德尔 | SpringerNature杰克·英格兰 | SpringerNature帕卡吉·阿维卡 | SpringerNature奈奥米·中原 | SpringerNature吴娇 | SpringerNature约翰·皮克瑞尔 | SpringerNature丽贝卡·达吉 | SpringerNature克里斯·吉洛奇 | SpringerNature保罗·贾维斯 | SpringerNature陈佳怡 | SpringerNature黄佳颖 | SpringerNature 董良超复旦大学复旦大学上海人工智能科学学院 复旦大学上海人工智能科学学院 复旦大学上海人工智能科学学院复旦大学上海人工智能科学学院，复旦大学上海人工智能科学学院 复旦大学上海人工智能科学学院 复旦大学上海人工智能科学学院 复旦大学上海人工智能科学学院，复旦大学上海人工智能科学学院 复旦大学上海人工智能科学学院 复旦大学上海人工智能科学学院 复旦大学上海人工智能科学学院冯雷曹元成丁欣国浩李智潘刘毅倪曦彭秋岩徐增林徐自雄杨鲁张思宇朱亮邹 20 张洪亮 上海科技大学 项目管理 设计 珍妮特·森·斯普林格自然出版集团 斯卡丽·丁·斯普林格自然出版集团 海伦·张·斯普林格自然出版集团 加雅·陈·斯普林格自然出版集团 赵新武 Spring Nature 佐藤春 SpringerNature 执行摘要 关键发现 1 人工智能辅助主要集中在信息和文本密集型任务上，但在需要判断的情况下，其作用会减弱。信息收集和改进或编辑论文是人工智能支持最多的两项活动。近一半受访者表示会“每次”或“大部分时间”使用人工智能进行信息收集（分别占10.5%和33.3%），以及改进或编辑论文（分别占12.2%和32.4%）。相比之下，不到四分之一的受访者会始终如一地使用人工智能来审阅论文（分别为5.8%“每次”和17.7%“大部分时间”）。总体而言，人工智能似乎在强化研究的探索和生成阶段，而那些依赖于责任感和专业判断的任务则基本未受触动。 其结果在各国或各地区大体一致，ChatGPT 在所有地方都排名第一。然而，DeepSeek 在中国的使用频率（48.8%）远高于其他国家或经济体（通常低于 10%）。 即使考虑到研究经验、行业和学科方面的差异，发现（或发明）者仍然更有可能支付给自己（款项）。 6人工智能工具在内容发现方面表现出色，其带来的满意度主要源于其识别相关研究的能力。 有4名研究人员（5.7%）主要或完全依赖AI工具来识别相关研究，东亚国家的该比例约为两倍。这一优势在所有经验水平上均存在。在经验不足三年的研究人员中，日本的重度使用率为21.2%，中国的重度使用率为15.2%，而美国和欧洲分别为5.7%和8.9%。随着资历的增长，差距会缩小，但不会消失：在经验超过十年的研究人员中，日本（8.6%）和中国（6.0%）继续领先于美国（5.2%）和欧洲（4.3%）。东亚地区在内容发现方面对人工智能的密集使用尤为普遍。在样本池中，大约每十七人中有一个人 很抱歉，您提供的英文文本“and provide supporting refe近三分之二受访者（65.2%）表示，他们对主要AI工具在发现新研究内容方面的支持感到满意或非常满意，而29.5%的人持中立态度，仅有5.3%的人表示不满意。在调查中收到的超过1000份开放式问题的回答中，满意度最高被引用的原因是AI能够为研究人员指出可靠来源并以参考文献支持研究结果（提及235次），其次是输出结果的准确性（提及148次），以及效率提升（提及90次）。 随着研究人员资历的增加，频繁使用AI的情况呈下降趋势，这更多是由于资深研究人员选择退出，而非普通用户使用频率较低。将频繁使用者定义为那些报告每次或多数时候使用AI来改进或编辑论文的人，其比例从经验少于三年的研究人员中的约46.8%下降到拥有20年或以上经验的研究人员中的36.1%，在信息收集方面，比例从约47.8%下降到33.4%。 用于人类判断。与此同时，对准确性和完整性的担忧限制了他们的信任。在对开放式问题的超过7500份回应中，AI被描述为使研究更快、更易获取、更公平。最常被提及的期望是提高生产力（3442次提及）和发现文献（2019次提及）。然而，担忧更为突出：准确性和幻觉问题占据主导地位（4935次提及），提及次数多于任何单一期望，其次是关于批判性思维丧失的担忧（1167次提及）和科研诚信问题（702次提及）。研究人员 responses 表明，人工智能主要被视为增强人类能力的工具，而非替代品。 前五名研究人员似乎独立获取AI工具，且通常无需付费，而那些更频繁使用AI进行内容发现的人则更有可能自行支付此类工具费用。总体而言，45.4%的受访者免费使用其主要的AI工具，41.3%的人自行出资，只有11.1%的人报告称其机构支付了许可证费用。免费获取现象在DeepSeek上最为明显（其用户中有93.9%免费使用），而Microsoft Copilot是唯一一个主要通过机构资助获取的工具（48.5%）。为了了解重度使用与其它因素之间的关联（附录B中的表3），进行的后续回归分析表明，那些最依赖AI进行内容... 3.他们最常使用的三种AI工具是哪些？通用模型占所有提及的75.9%，远超写作和编辑工具（7.2%）、文献与证据发现工具（5.6%）以及搜索工具（5.3%）。在通用模型中，ChatGPT以36.8%的份额领先，其次是Gemini（19.4%）和Claude（6.5%）。这种模式通用模型占据主导地位，工具偏好在全球范围内大致相似。当调查参与者被问及... 如果机器能思考，它可能会比我们更聪明，那我们该怎么办？艾伦·图灵在1951年提出了这个问题。曾经只是一个思想实验的事情，正逐渐走向研究的定义性现实。本报告的关键发现表明，研究人员越来越多地将AI作为增强他们工作的工具，然而一个持续存在的可信度差距仍在限制着对这些工具的完全信任。 搜索与发现。全球范围内采用情况不均衡，并受到职业阶段等因素影响，年轻研究人员通常走在前列。获取渠道主要依赖免费及自筹工具，而机构支持仍然稀缺。研究人员对AI作为工作辅助工具总体满意，但对其信任度仍受准确性与“幻觉”问题的担忧、以及批判性思维、研究诚信和数据安全等方面的顾虑所限制。 上海交通大学与上海人工智能科学研究所，联合自然研究智讯（Nature ResearchIntelligence），整理了斯普林格自然（Springer Nature）于2026年3月进行的调查“研究人员AI使用现状”（The Stateof AI Use Among Researchers）的洞察。该调查收到了10,480份有效回复，涵盖来自12个研究领域的117个国家或经济体研究人员。 本报告的研究结果凸显了人工智能在基础研究任务中日益增长的贡献，尤其是在文献方面。 为了了解全球科研界如何应对这一转变，复旦大学 似乎有几种活动需要占用大量工作流程，但它们似乎只获得了适度的AI支持。研究人员每天或每周合作（59.0%），然而只有31.3%的人报告在这个背景下使用AI。行政方面也呈现出类似的模式：尽管58.1%的人经常参与其中，但只有26.0%的人使用AI，27.2%的人 reportnouseatall(Figures1aand1b). 并且这些阶段需要专业的判断，也伴随着相应的声誉分量。 第一章 研究人员在评估阶段表现出最强的抵触情绪。只有23.5%的人使用AI进行论文审阅，25.7%的人使用AI进行提交决策，而非用户率分别为31.8%和26.7%（图1a）。这可能是由于问责制的原因。 总体而言，研究人员在研究工作流程中对人工智能的采用是不均衡的——他们拥抱那些最易于自动化的任务，却抵制那些依赖人工评估和判断的任务。 景观：人工智能的采用与渗透 人工智能最常用于信息密集型和处理文本的任务，而最少用于依赖判断、协调或正式决策的工作。它并非作为研究人员的通用替代品，而是作为一种工具，选择性地强化研究过程中的特定阶段。 采用似乎集中在探索和生成阶段。在信息收集方面，43.8%的受访者报告每次或大部分时间使用AI，而只有9.2%的人从未使用（图1a）。这也是最频繁的活动，四分之三的受访者（74.6%，图1b）每天或每周进行。 改进和编辑论文在样本中的使用率最高，达到44.6%的频繁使用率，而非使用率为11.4%（图1a），领先于信息收集（43.8%）。研究规划紧随其后，达到40.9%。 通过促进文献探索、思路组织、文本起草与润色，人工智能有助于简化围绕原创性贡献的初步工作和结果导向型工作，从而可能提升研究成果的效率与清晰度。 两个最年轻的群体报告称使用频率较高，与最年长两个群体中的39.6%和33.4%相比（图2b）。这种趋势并非完全单调。三至十年的经验群体在两项任务中都比不到三年的经验群体略高约一个百分点，但这种差距在抽样误差范围内。整体趋势依然清晰：使用频率在职业生涯早期达到峰值，并随着资历增长而逐渐降低，在经验最丰富的研究人员中尤为明显。 年轻研究人员在改进和编辑论文以及信息收集方面，似乎比他们的资深同事更频繁地使用人工智能。在统计频繁使用者（那些报告使用“每次”或“大多数时候”）时，少于三年经验的研究人员中有46.8%报告使用人工智能来改进和编辑论文；三到十年经验的研究人员中有47.9%报告使用人工智能。这一比例在11到19年经验的研究人员中降至44.3%，并在20年或更经验的研究人员中进一步降至36.1%（图2a）。信息收集显示出同样的模式，大约为47.8%和48.9%。 总体而言。报告“从未”使用编辑功能的受访者比例，从最年轻群体中的7-8%上升到拥有20年或以上经验者中的22.5%（图2a）。在信息收集方面，“从未”使用的比例在同一范围内从6-7%增至15.6%（图2b）。其次，在那些使用工具的人中，研究人员报告使用强度有所减弱。在排除“从未”使用群体后重新计算的频率分布图3a和图3b显示，随着经验增长，活跃用户通常倾向于更少频率的使用。 相比之下，频繁使用率在每个职业阶段都稳步下降，从最年轻群体中的51.9%降至经验最丰富群体中的43.6%，降幅为8.3个百分点，而报告“有时”和“很少”使用的比例则相应上升。 在3至10年组中，经验达到54.2%的峰值，然后在其后20年或更长时间的人群中降至47.8%。这是一个净下降6.4个百分点，但并非持续下降。 对于改进或编辑论文（图3a），经验丰富的活跃用户表现出不太一致的模式。频繁使用（“每次”或“多数时候”）的比例从三年以下的研究人员中的52.8%略有上升。 为信息收集（见图3b）， 两种因素似乎导致了这一衰退。首先，高级研究人员似乎更倾向于避免使用人工智能。 结果，任何单一区域内部的价值总和都高达100%以上。这种模式表明研究人员通常会同时使用多种工具，因此这些数据反映了并行采用，而非排他性使用。 区域平均水平往往掩盖了国家之间的差异，因此数据也同时以国家层面呈现。有一个方法论说明贯穿始终。图5中报告的所有百分比均适用此说明。 6代表渗透率而非市场份额。它们显示了某个地区或国家中报告使用特定工具的受访者比例，而非跨工具的使用分布。 第二章 实践中：研究工作流程中的AI工具 大多数受访者更依赖通用大语言模型（LLM），而不是专门用于特定研究或生产力任务的工具。当被问及他们最常用的三种AI工具时，受访者中有75.9%提到了通用AI模型。这一比例远高于写