在人工智能领域，常见的观点是投入越多——研究者、论文和资金——进步就越快。然而，技术增长理论指出，发现的难度更多取决于思想空间的结构。我们通过对 36 年计算机科学发展进行大规模实证，分析了 720 万篇论文、73089 条同行评审以及 370 万研究者的主题迁移，发现单纯的规模或空间并不足以解释突破的出现。
研究显示，Transformer 之后，整个领域的关注度急剧收窄，尽管整体规模仍在扩大。超过一半的主题转向研究者转向 AI，尤其是中期职业阶段的学者；与此同时，评审者的信心在 5 分制上下降了整整 1 分。每一次重大突破——从 AlexNet 到大语言模型——都提升了领域对新思想的承载能力，但随后这些思想的枯竭速度也随之加快。更大的突破会更彻底地吸引注意力，从而削弱后继工作可利用的多样性。结构生物学在 cryo‑EM 与 AlphaFold 之后也呈现出相同的循环。
我们进一步通过模拟验证，常见的政策如互评机制会赋能高产作者，进一步压缩领域接受的多样性。基于此，呼吁机构应当保护人工智能研究中的多元关注，而不是仅奖励对单一范式的集中投入。
点评：该研究提醒我们，AI 发展不能只依赖资源堆砌，需要有意识地维护研究视角的多样性，以防止创新活力的系统性耗竭。