问题陈述 尽管人工智能（AI）正迅速成为科学研究中的战略性投入，但其科学价值的分布并不均衡。现有文献通常关注 AI 的采用情况或对生产力的平均效应。然而，本研究旨在解决一个关键差距：理解 AI 知识整合所带来的“不平等回报”。核心问题不仅在于谁拥有 AI 的使用权，而在于领域背景、职业阶段和机构能力如何塑造 AI 知识向科学影响力（以引用计数衡量）的转化。作者认为，AI 的价值不仅取决于技术能力，还取决于“转化能力”（translational capacity）——即跨越多元科学共同体使 AI 知识变得具有意义且具备合法性的能力。
机构能力： 基于 CSRankings（Berger, 2020）构建，转化为连续变量的 AI 能力度量，并按四分位数（Q1–Q4）分组。
机制变量： 为了剖析回报差异的原因，研究测量了：
粒度（Granularity）： 引用 AI 主题的深度，使用计算机科学本体（CSO）。
认识论位置（Epistemic Position）： 与最近邻的语义距离（使用 SPECTER2 嵌入）以及局部 AI 强度。
受众构成： 引用子领域的多样性（香农熵）以及 AI 相关引用的比例。
替代作用（Displacement）： 焦点论文是否成为原引用的 AI 源文献的替代性门户（substitute gateway）。
统计方法： 主要分析使用 泊松伪最大似然估计（PPML） 回归，以处理偏态分布的引用计数，并控制了参考文献数量、团队规模、作者 h 指数以及年份、领域和文档类型的固定效应。标准误在机构层面进行聚类处理。
核心结果
总体影响： 引用 AI 文献的论文通常能获得更高的引用影响力。AI 引用的存在（广泛边际）和 AI 引用的占比（密集边际）均与引用量呈正相关，但该关系呈现出边际收益递减的特征（假设 1a, 1b, 1c 得到支持）。
领域异质性： AI 引用的回报在不同学科间存在显著差异。虽然在工程学和社会学等领域表现为正向，但在其他领域（如材料科学）可能表现为负向或不显著，这表明学科特定的规范和评价标准过滤了 AI 整合的价值（假设 2 得到支持）。
职业阶段效应：
资深学者： 从广泛边际中获益更多（仅仅引用 AI 即可起到展示更新与相关性的信号作用）。
青年学者： 从密集边际中获益更多（即 AI 知识的深度整合）。他们也倾向于引用更新、质量更高的 AI 论文，以此来展示其技术能力和对前沿的参与度（假设 3a, 3b, 3c 得到支持）。
机构能力（非线性关系）： 与简单的马太效应相反，机构 AI 能力与引用回报之间的关系是非线性的。具有**中等 AI 能力（Q2/Q3）**的机构实现了最大的比例引用增益。领先的 AI 机构（Q4）并未获得最高的广泛回报；相反，它们深嵌于以 AI 为中心的知识空间，主要吸引的是 AI 相关的受众（假设 4 得到支持）。
机制分析：
顶尖机构（Q4）： 引用更细粒度的 AI 知识，占据更密集的语义邻域，并充当“替代性门户”（在下游引用中取代原始 AI 源文献）。其影响力集中在 AI 相关社区内。
中等机构（Q2/Q3）： 表现出最高的受众熵（来自不同子领域的引用）。系数衰减分析表明，受众广度是解释为何中等机构在广泛引用影响力方面优于顶尖机构的主要路径。它们将 AI 知识转化为非 AI 受众可理解内容的能力驱动了其成功。
意义与主张 本文声称将关于科学中 AI 的讨论从“采用与平均效应”转向了“来自相同技术投入的不平等回报”。其主要的理论贡献在于区分了吸收能力（理解并使用专业知识的能力）与转化能力（使该知识在跨界领域中具有意义的能力）。
作者认为，AI 的兴起创造了新的分层与中介形式。AI 知识的价值并非内在的，而是取决于研究者和机构将该知识转化为跨学科问题的“转化能力”。因此，研究表明，AI 带来的最高科学影响力并不一定流向那些拥有最先进技术 AI 能力的人，而是流向那些能够有效地将 AI 方法转化为非 AI 核心领域的问题及受众的人。这挑战了累积优势的线性模型，并强调了组织在将技术适配于多样化学科语境中的作用。