核心發現
最新發表於《經濟學理論》期刊的研究指出，即使大型語言模型（LLM）在理想狀況下完美無誤且成本極低，其節省的時間仍可能讓科研產出變得較為表淺。研究者以機會成本（Opportunity Cost）概念為核心，說明每一小時投入既有專案的時間，等於減少了啟動新專案的機會。
背景與模型
本研究由普林斯頓大學、華盛頓大學等學者共同完成，採用了最適覓食理論（Optimal Foraging Theory）——一套描述生物如何在多重資源間分配精力的行為生態模型。將此理論移植至科學研究，模型將一個專案分為兩個階段：
-
驗證階段：判斷想法是否可行。
-
執行階段：包含必備工作（製作圖表、排版、投稿）與自願性工作（額外實驗、深入分析、文字潤飾）。
在模型中，LLM 被視為純粹縮短時間的工具，且不會引入錯誤或額外金錢支出，藉此純粹觀測「節省時間」的效應。
三種情境分析
| 情境 | AI 介入的階段 | 可能的結果 | |------|--------------|------------| | 情境一 | 早期想法評估 | 研究者因「重新開始成本降低」而變得更挑剔，只留下最有前景的專案。然而，因時間仍有限，對這些專案的自願性工作被壓縮，導致深度不足。此情形在技術密集型領域較為常見。 | | 情境二 | 論文寫作與格式化 | 省去排版與基本分析的時間，使得原本「不值得」的弱勢專案也能完成發表，結果是論文數量上升，但每篇的深度與嚴謹度下降，類似田野調查型學科的趨勢。 | | 情境三 | 深入實驗與分析（自願性工作） | AI 直接加速研究者最常因時間壓力而省略的步驟，讓額外實驗與精細分析變得可行。此時，節省的時間真正轉化為品質提升，是唯一能正向提升科研水準的情境。 |
未來展望
研究提醒政策制定者與科研機構，僅僅引入 AI 以「減輕瑣事」並不足以保證科學進步。若希望 AI 成為提升品質的助力，必須有意識地將其應用於自願性深度工作，而非僅僅加速稿件產出或概念驗證。未來的資源配置與評估指標，或許需要重新設計，以避免「時間變多」卻「投入變少」的逆效應，真正讓人工智慧成為科研創新的加速器。