纽约，2025年12月11日（美通社）——马克泰克波斯特（Marktechpost）最新数据显示，机器学习正全球性变革科学发现进程，该分析首次追踪了2025年1月1日至9月30日期间《自然》系列期刊发表的5000余篇科学论文，揭示机器学习（ML）对全球科研的深度影响。
覆盖125国研究的《2025年机器学习全球影响力报告》指出，ML已成为学术研究的核心工具，尤其在预测、分类、分割和建模等任务中广泛应用。这些领域包括医学影像早期检测、精准诊断、基因组序列映射与突变追踪、先进机器人及材料工程，以及大规模地球观测分析。
马克泰克波斯特编辑兼联合创始人阿西夫·拉扎克（Asif Razzaq）表示：
"本报告证明机器学习不仅重塑人工智能，更在重构科学本身。从影像学到基因组学、气候研究及机器人领域，ML已成为科学发现的核心工具。真正的关键不是炒作，而是实效：ML已是现代科研的基础仪器。"
亚利桑那大学人工智能实验室副主任马修·J·哈希姆（Matthew J. Hashim）指出：
"科研已从尝试机器学习进阶至通过ML推动整个学科发展。数据清晰表明：全球科学建立在共享工具、方法和协作基础上。ML已成为当代研究最具凝聚力的力量。"
科学领域的ML全球格局
随着ML成为全球科研标准流程，美国在跨学科ML技术应用广度上独树一帜。报告显示，2025年科研引用的开源ML工具近90%源自美国，包括影像学、基因组学和环境科学领域的基础框架。
与此同时，中国以43%的全球ML论文占比（2025年超2100项研究）稳居发文量榜首，其科研产出体现高密度、高通量模式，大量ML研究集中于少数重点机构。
美国以18%的论文总量位居第二，但科研生态更为分散：大学、医院、国家实验室及私营研究中心共同推动，其中哈佛医学院的ML研究数量领跑全美机构。
尽管美国主导开源工具开发，欧洲贡献了多个高频引用的科学ML模型，包括Scikit-learn（法国）、U-Net（德国）和CatBoost（俄罗斯）。加拿大则贡献了GAN与RNN架构等关键非美国技术。
科研产出规模与密度差异
报告凸显各国科研生态的显著差异：
- 中国依托高度集中的机构群产出高量ML研究，校均论文72.8篇（标准化后）
- 美国展现更庞大且多元的贡献基础，机构均产39.6篇，反映ML跨学科应用的广度
- 印度与沙特阿拉伯正成为快速崛起的机构力量，ML研究版图持续扩张并深度参与国际协作网络
这些趋势表明：尽管中国在产出量领先，但印度、沙特阿拉伯及美国机构正推动传统科研中心之外的ML创新枢纽形成。
协作：ML科研的基石
全球范围内，协作是ML科研的默认模式。多数ML论文包含2-15个机构署名，通常组合计算实验室、领域专精研究所及医疗或产业伙伴。
仅少数全球机构持续跨多学科出现，构成现代AI科研的骨干。重大ML研究极少单机构完成，而是依赖融合软件工程、领域专长与实验科学的国际合作。
区域协作模式差异显著：
- 中国模式更为集中，单篇平均2.6个组织
- 美国网络更为广泛，单篇4.1个组织，体现深度协作的学术环境
- 印度、沙特阿拉伯与美国在应用科学、材料研究、工程及计算机视觉领域频繁合作，形成新兴跨大陆科研走廊
神经网络热潮与实际影响
尽管生成式AI引发热议，数据显示科学界仍主要依赖成熟ML方法。随机森林、支持向量机（SVM）及Scikit-learn工作流等经典技术占ML应用场景的47%。若计入GBM、XGBoost、LightGBM和CatBoost等集成与聚类方法，传统方案在科研中的应用占比达77%。
多数ML科研聚焦实用化领域目标——包括预测、分类、图像分割、生物模式识别、蛋白质建模及特征提取，而非前沿ML创新。
关于马克泰克波斯特
马克泰克波斯特是全球性出版平台，专注人工智能、机器学习及新兴技术研究，报道学术机构、实验室与实践者推动的应用AI前沿进展。
媒体联络
媒体部
【全文结束】
