10480名科研人员如何使用AI？ChatGPT仍全球居首，DeepSeek在中国达到48.8%

科研人员到底把 AI 用到了什么程度？

这个问题过去很容易陷入两个极端。工具公司喜欢展示最激进的案例，仿佛科研已经被 Agent 接管；另一边，很多实验室仍把 AI 当成润色英文的高级输入法。

https://www.nature.com/immersive/partnercontent/fudan/aiforscience/ai-for-science-2026.pdf?utm_source=chatgpt.com

《AI for Science 2026》给出了一张更接近现实的全景图。复旦大学、上海科学智能研究院与 Nature Research Intelligence 汇总了 2026 年 3 月收集的 10,480 份有效问卷，受访者来自 117 个国家或经济体、12 个研究学科。

报告最值得关注的，并不是又有多少人开始用 ChatGPT。

而是科研人员已经主动划出了一条边界：AI 可以帮忙找、写、改，但一旦任务涉及评价、责任与学术信誉，人类仍不愿把最终判断交出去。

AI最先接管的环节

AI 使用最密集的两个任务，一个是信息搜集，一个是论文修改。

43.8% 的受访者表示，在信息搜集时“每次”或“大多数时候”会使用 AI；论文改进或编辑的频繁使用比例更高，达到 44.6%。研究规划也有 40.9%。

到了需要承担判断责任的环节，数字明显掉了下来。频繁使用 AI 审阅论文的比例只有 23.5%，用于投稿决策的比例为 25.7%。完全不用 AI 审稿的人反而达到 31.8%。

这不是简单的“会不会用”。信息搜索和语言修改容易拆解，也方便核查；同行评审与投稿决定牵涉专业判断、声誉和责任归属。

AI 越靠近最终决定，研究人员越谨慎。

Figure 1a：不同科研活动中的 AI 使用频率｜来源：《AI for Science 2026》

通用模型的科研入口

另一个反差是，研究人员并没有为每个环节都准备一款专用工具。

受访者列出的三款常用 AI 工具中，通用大模型占全部提及次数的 75.9%。写作与编辑工具只有 7.2%，文献与证据发现工具为 5.6%，搜索工具为 5.3%。

具体到产品，ChatGPT 占 36.8%，Gemini 为 19.4%，Claude 为 6.5%。这里统计的是“常用工具提及占比”，不是市场份额；一名研究人员可以同时使用多款工具。

通用模型成为科研入口，靠的不是某项能力永远优于专用软件，而是一个对话窗口能连续处理检索、总结、写作、代码和文件。专用工具不会消失，但更可能被接到通用模型之后，负责高准确性、合规性或深度集成环节。

Figure 4：常用 AI 工具及类别的提及占比｜来源：《AI for Science 2026》

地域差异依然存在。ChatGPT 在报告列出的主要国家中都排在前列；DeepSeek 在中国的使用渗透率达到 48.8%，在其他国家通常低于 10%。这说明科研 AI 的入口正在集中，但入口背后的模型选择仍会受到本地产品、语言和使用环境影响。

个人订阅撑起的工作流

科研 AI 看上去已经很普遍，付费体系却还没有真正进入机构。

45.4% 的主要 AI 工具通过免费方式使用，41.3% 由研究人员自行付费，机构出资的比例只有 11.1%。微软 Copilot 是明显例外，48.5% 的使用由机构支付，很可能与企业软件授权捆绑有关；DeepSeek 用户中则有 93.9% 使用免费版本。

Figure 7：AI 工具总体资金来源｜来源：《AI for Science 2026》

个人愿意掏钱，说明工具确实产生了价值。但从机构治理看，这个结构也很尴尬：大量科研人员正在用个人账号处理工作，采购、安全审查和使用规范却没有同步跟上。

报告没有证明个人付费一定带来数据风险。不过，当未发表数据、实验记录或专有想法进入外部服务，谁来审查、如何留痕、是否用于训练，就不能继续只靠研究人员自己判断。

东亚的重度使用者

报告把“主要或完全依赖 AI 发现研究内容”的人定义为内容发现重度用户。这个标签只描述找文献的方式，不代表一个人的全部科研活动都高度依赖 AI。

总体上，这类人约占 5.7%，大约每 17 名研究人员中有一名。韩国为 11.4%，中国为 10.3%，日本为 9.4%，明显高于美国的 4.5%、加拿大的 3.9%和英国的 3.3%。

差距在年轻研究人员中更大。研究经验不足三年的人群里，日本的重度用户比例达到 21.2%，中国为 15.2%，美国为 5.7%。报告也提醒，一些国家与经验组样本较少、置信区间较宽，这些高柱更适合看趋势，不能当成精确排名。

Figure 10a：不同国家和研究经验组的内容发现重度用户比例｜来源：《AI for Science 2026》

一种合理解释是，刚进入科研的人还没有形成稳定的数据库、期刊和同行网络，更容易把对话式 AI 当作默认入口。资深研究者的检索习惯和合作网络已经成形，迁移成本自然更高。

这仍然只是解释，不是报告证明的因果关系。

满意与焦虑的同一来源

AI 做内容发现时，研究人员总体相当满意。在 1,746 名回答该问题的人中，49.8% 表示满意，15.4% 非常满意，合计 65.2%；不满意或非常不满意的只有 5.3%。

Figure 12：内容发现主要 AI 工具的满意度｜来源：《AI for Science 2026》

有意思的是，满意者最常提到的具体理由不是“写得快”，而是来源与引用支持，共出现 235 次。准确性出现 148 次，效率与生产力为 90 次。

研究人员真正需要的不是一段更顺滑的答案，而是答案后面那条能回到原文的证据链。

Figure 13：内容发现 AI 工具的满意原因｜来源：《AI for Science 2026》

问题也恰好出在这里。

在 7,560 条关于担忧的开放回答中，准确性与幻觉被提及 4,935 次，远高于批判性思维损失的 1,167 次、研究诚信的 702 次，以及数据安全与知识产权的 216 次。

Figure 15：科研人员对使用 AI 的主要担忧｜来源：《AI for Science 2026》

同一个能力，一面制造满意，一面制造不安。AI 能迅速给出论文、作者和论据，因此特别适合发现内容；可一旦引用不存在、结论与原文不符，速度越快，错误扩散得也越快。

科研AI的人类检查点

报告的开放回答里，科研人员最期待的是生产力提升，共 3,442 次；其次是文献发现，出现 2,019 次。改善写作质量和提升可及性也被反复提及。

Figure 14：科研人员对 AI 的主要期待｜来源：《AI for Science 2026》

这组结果并不支持“AI 即将替代研究人员”的简单叙事。更准确的图景是：AI 正在接管科研外围大量耗时、可拆解、可回查的工作，把人推向综合、解释和判断。

真正成熟的科研 AI 工作流，需要把边界写进流程：检索结果必须回到原文；事实性主张必须带出处；代码和数据处理保留中间产物；涉及方法选择、同行评审、投稿决定和未公开数据时，设置明确的人工检查点。

还有三个调查边界不能忽略。问卷中的“AI 工具”没有统一定义，受访者可以按自己的理解作答；不同问题的有效样本数并不相同；部分区域数据可能更偏向通过 Nature 渠道接触调查、使用英语国际期刊的研究人员。

所以，这份报告不是科研自动化的终局预测。它记录的是一个过渡时刻：工具已经进入日常，制度和信任却还没完全跟上。

科研人员并不排斥 AI。

他们只是越来越清楚，哪些工作可以交给它，哪些判断必须留在自己手里。

资料来源：《AI for Science 2026 - Part I: The State of AI Use Among Researchers》。调查时间为 2026 年 3 月 2 日至 30 日。