AIで論文数3倍・被引用数5倍の一方、研究トピックは5%縮小 — 科学は「工業化」に向かうのか、ルネサンスを迎えるのか

6月22日、Natureが「Will AI spark a scientific renaissance」と題した記事を公開した。AIが科学研究の「量」を劇的に増やす一方で、探究の幅を狭め研究の工業化を招くリスクについて論じつつ、同時にAIが学際的研究の障壁を取り除く可能性にも目を向けた、両義的な問いかけとなっている。

AIが研究生産性を上げるというデータ

2026年にNatureに掲載された研究（Hao et al., Nature 649, 1237–1243; 2026）は、4,100万本の自然科学論文を対象にAI活用の影響を定量的に調べた。結果は明快だ。

AI活用研究者は非活用者と比べ、論文数が3倍
被引用数は約5倍

これだけ見ると、AIは研究者の生産性を劇的に向上させる道具に見える。ところが、同じデータには別の顔がある。

研究トピックの幅が5%縮小
共同研究が22%減少

ここでいう「被引用数」とは、ある論文が他の論文に参照された回数を指し、研究の影響力や注目度の代理指標として広く使われる。一方でこの指標は「引用されやすいテーマへの集中」を促すバイアスも内包している。また「共同研究22%減少」は、複数機関・複数専門領域にまたがる著者構成を持つ論文の割合が下がったことを示しており、AI活用によって少人数でもアウトプットを出せるようになった結果として解釈されている。

AIが「手を動かす作業」を代替することで、研究者は少人数でも高アウトプットを出せるようになった。その半面、異分野をまたぐ対話や、遠回りに見える問いへの投資が減っている。

「研究の工業化」という構造的リスク

記事の著者は、アルゴリズム設計・生物データ解析・臨床研究をまたぐ自身の研究経験を例に挙げる。うつ病が「単一の疾患か、症状が似た複数の状態の集合か」という問いは、臨床評価・脳画像処理・統計モデリング・臨床検証など複数の専門領域を横断しなければ答えられない。従来はその「つなぎ目」で研究が止まりがちだったが、AIは文献読解・手法比較・結果の臨床的解釈を助けることで、この分断を緩和できる。これはAIが科学のルネサンスを促しうるという肯定的な側面だ。

問題は、その連鎖が自動化されやすいことそのものにある。

文献調査→有意な相関の発見→論文執筆、というパイプラインをAIで組めば、同じテンプレートを異なるデータセットやテーマに繰り返し適用するだけで「発表できる研究」が量産できてしまう。いわゆる「ペーパーミル」（研究論文を工場的に大量生産・販売する組織や手法の総称。著者資格の売買や捏造データを含む粗製論文を組織的に生成するケースが問題視されている）のAI版とも言うべき状況だ。

失われるのは、前提を疑い、代替説明を探し、そもそもの問いの立て方が正しいかを問い直す——という、遅くて地味だが本質的な作業である。

問われているのはモデル性能だけではない

AIの能力が上がれば上がるほど、研究評価の側の体制が問われる構造になっている。本記事はその点を正面から問いかけている。

査読・引用・採択という既存の評価軸は、「手間をかけた研究かどうか」や「問いの深さ」を判別するようには設計されていない。AIが論文の見た目の品質を均質化するほど、内容の深さを見抜くコストは上がる。研究トピックの縮小と共同研究の減少というデータは、まさにその評価体制が現状のインセンティブ設計のまま機能し続けた場合に何が起きるかを示す早期警戒シグナルとも読める。

Natureはこの問題意識を共有する関連論考も公開している：

これらが示すのは、AIが「使えるかどうか」という問いはすでに過去のものになりつつあり、「どう使うかを誰がどのように決めるか」という制度設計の問いが中心に移動しているということだ。研究者コミュニティがAIをどう組み込むかという選択は、ツール選定の話にとどまらず、科学という営みが何を評価するかという根本的な制度設計の問いでもある。

詳細はWill AI spark a scientific renaissanceを参照していただきたい。