谷歌近日推出名为“Scholar Labs”的新AI搜索工具，旨在通过人工智能帮助研究人员更精准地找到相关学术论文。该工具目前处于有限测试阶段，仅对部分登录用户开放。其核心功能是理解用户查询中的主题与语义关系，而非依赖传统的关键词匹配，从而挖掘出对研究问题最有用的文献。 在演示中，谷歌以“脑机接口（BCI）在中风患者中的应用”为例，结果显示一篇2024年发表于《Applied Sciences》期刊的综述论文。该工具还提供解释，说明为何该论文与查询相关，例如提到其涉及非侵入式信号——脑电图（EEG）及主流算法。然而，与传统Google Scholar不同，Scholar Labs不提供按引用次数或期刊影响因子排序或筛选的功能。 引用次数和期刊影响因子是科研界常用的“质量”参考指标。例如，Nature的影响因子高达48.5，而《Applied Sciences》仅为2.5。尽管这些指标存在局限性——如受领域差异、发表时间影响，且可能反映的是论文的传播力而非科学严谨性——但许多科学家仍依赖它们作为初步筛选依据。正如范德比尔特大学神经学副教授Matthew Schrag所言，这些指标更多反映的是论文的“社会影响力”，而非内在质量，但两者通常存在关联。 一些科学家曾通过细致审查发现高引用论文存在数据造假、图像篡改等问题，说明仅靠引用量无法保证科学可靠性。尽管如此，对于刚进入新领域的研究者而言，引用量和期刊声誉仍是实用的“捷径”。例如，塔夫茨大学康复科学教授James Smoliga坦言，即便自己曾揭发过高引用论文的方法缺陷，仍会不自觉地倾向信任高引用研究。 相比之下，PubMed等传统数据库依赖精确的布尔逻辑筛选（如“AND”“OR”）、限定发表年份和研究类型（如临床研究），能更精准地控制结果质量。而Scholar Labs则强调通过分析论文全文、作者背景、发表平台及引用频率等综合因素进行排序，以模拟研究人员自身的判断逻辑。 谷歌表示，此举是搜索方式的“新方向”，未来将根据用户反馈优化功能。Schrag认为，AI搜索有潜力拓宽文献发现范围，甚至分析社交媒体传播等辅助信息，推动更全面的科学评估。但他强调，最终判断研究价值的责任仍在科学家自身——不能让算法成为“高质量科学”的最终裁决者，唯有深入阅读与批判性思考，才能真正把握科研的前沿与真谛。