摘要：当前，以生成式人工智能为代表的工具正大规模介入学术论文的撰写与生产，形成一股“人工智能辅助论文”的洪流，对科学的质量过滤机制、可重复性及学术诚信构成深层冲击。然而，本文认为，这一挑战同时蕴含历史性契机：若能善加引导，人工智能并非只能加剧出版内卷，反而可成为纠正现有出版体系中扭曲现象的关键杠杆——推动从“数量竞赛”转向“质量优先”，压缩冗余发表，缩减评审周期，并使科学家重新将认知精力投注于创造性研究本身。本文通过分析出版体系的三重扭曲（激励扭曲、评审扭曲、传播扭曲），论证人工智能在检测、评估、精简与赋能方面的双向潜能，并提出制度性配套建议，以实现“更少、更好、更真”的科学出版新常态。

关键词：人工智能；科学出版；学术评价；可重复性；激励机制；质量导向

一、引言：洪流初现，但非末日

2022年以来，大语言模型在学术写作中的渗透率呈指数级增长。据Nature 2024年的一项调查，超过30%的研究者曾借助生成式AI起草论文摘要或整段论证（Van Noorden, 2024）。这一现象被部分评论者称为“AI辅助论文的洪流”——它既可能淹没编辑与审稿人的处理能力，也可能模糊作者贡献的边界，甚至制造出“看似专业、实则空洞”的合成文本。

然而，将AI单纯视为威胁是一种短视的叙事。历史表明，每一次工具革命都会同时摧毁旧秩序和催生新结构（例如，统计软件取代手工计算、预印本颠覆出版时序）。本文的核心命题是：人工智能对科学出版的真正危险并非其“生成能力”，而是我们沿用旧制度去应对新工具时的惯性失灵；相反，若主动设计新制度，AI完全可以成为修复科学出版深层扭曲的“手术刀”。

二、出版体系的三重扭曲：何以“少而精”被系统性压制

要理解AI的机遇，必须先诊断既有症结。当代科学出版体系至少存在三类结构性扭曲：

2.1 激励扭曲：以数量置换质量

“不发表即灭亡”（publish or perish）早已演变为“发表更多、更快、更漂亮”（publish more, faster, flashier）。大学与基金会的评价指标高度依赖期刊数量、影响因子和引用计数，导致研究者倾向于将一项工作拆分为“最小可发表单元”（least publishable unit），形成所谓的“香肠切片”（salami slicing）。其后果是论文总量膨胀，但每篇的信息熵下降，真实知识增量被稀释。

2.2 评审扭曲：义务劳动与系统性偏误

同行评审本质上是学者无偿承担的公共品，但在年发文量增长逾5%的背景下（STM Report, 2023），审稿负担已逼近临界点。平均审稿周期从2000年的约10周延长至当前的16-20周。同时，评审对负面结果、重复验证、增量改进缺乏容忍度，使得发表偏向“正面新颖”而牺牲“稳健可靠”——这正是可重复性危机（replication crisis）的制度根源之一。

2.3 传播扭曲：付费墙与滞后性

商业出版社的垄断定价使得公共资金资助的研究成果往往被锁在高昂订阅费之后，而开放获取（OA）又转嫁成本给作者，进一步激励“多产”以分摊版面费。此外，从投稿到见刊的漫长周期，严重滞后了紧急领域（如疫情、气候）的知识流通。

上述三重扭曲形成了一个正反馈循环：数量膨胀 → 评审超载 → 审查质量下降 → 更多低质论文流出 → 评价体系更依赖计数。科学家的大量时间被消耗在撰写、投递、返修、审阅他人稿件等行政性劳动中，真正用于思考、试错和深度对话的时间逐年萎缩（Alberts et al., 2015）。

三、人工智能的双重面相：从“加剧者”到“矫正者”

AI介入后，上述扭曲可能被放大，也可能被逆转，取决于我们如何部署。

3.1 洪流面相：加剧风险

自动生成的低质稿件：生成式AI可快速产出语法通顺但逻辑脆弱的文稿，若投稿系统无法有效筛除，将极大加重审稿负担，且可能污染知识库。

抄袭与剽窃的隐蔽化：AI改写工具使文本相似度检测失效，知识产权边界模糊。

算法同质化：若大量作者依赖相同训练数据，可能催生“平均化科学语言”，抑制独特思考。

这些风险真实存在，但本质上是管理漏洞，而非技术宿命。

3.2 机遇面相：纠正扭曲的四大机制

机制一：智能初审与质量预筛选

AI可以对投稿进行即时“可读性-逻辑性-方法完整性”扫描，识别统计错误、样本量不足、缺失对照组等常见缺陷，并自动返回建议，要求作者修改后再进入人工评审。此举可直接过滤约20%-30%的明显瑕疵稿件（据arXiv实验预印本评估），节省审稿人精力，使评审聚焦于真正有意义的工作。

机制二：动态评审辅助与公平化

AI可辅助匹配审稿人与稿件主题的细粒度契合度，减少“非专业审稿”导致的误判。同时，AI可检测评审报告中的情绪化语言或潜在偏见（如作者性别、机构层级），提醒编辑关注公平性。更重要的是，AI可承担数据复现检查——通过运行代码和仿真数据，验证计算结果的可靠性，这是人工审稿难以做到的。

机制三：精简发表，鼓励“预注册+结果无关”评价

AI可推动“注册报告”（Registered Reports）模式的规模化：在实验前，AI辅助评估研究设计的方法论严谨性，一旦通过，无论结果如何都承诺发表。这彻底消解了“负面结果不发表”的扭曲，而AI的文本生成能力可将最终报告标准化、精简化，避免冗长赘述。最终结果是：发表数量下降，但每篇的方法透明度和证据强度上升。

机制四：为科学家“赢回时间”

上述所有机制的核心收益不是“自动化”，而是时间再分配。据估算，研究者平均花费42%的科研时间用于论文撰写、排版、投稿和返修（Mullane & Williams, 2019）。若AI辅助将这部分时间压缩三分之一，相当于释放出全球科学家每年约1.2亿小时——这些时间可重新投入实验设计、批判性阅读、跨学科讨论和长期高风险探索。这正是“更少论文、更好研究”的直接兑现。

四、走向新范式：制度配套与文化转型

技术工具本身不改变系统，必须与评价制度、学术文化和出版伦理协同演进。

4.1 评价体系从“数论文”到“读论文”

基金评审、职称晋升应明确限定“代表性成果”数量（如要求提供近5年内不超过3篇核心论文），并附上“AI贡献声明”与“研究过程日志”。同时，引入“开放同行评审”和“出版后评议”，让AI辅助生成综合评价摘要，帮助读者快速判断价值。

4.2 出版机构的角色重塑

出版社应从“文稿加工商”转向“质量认证平台”。利用AI自动生成结构化元数据（如方法学清单、数据可用性、统计效能），并建立“AI检测-人工抽查-社区举报”的三层过滤体系。对于通过严格预审的论文，大幅缩短发表周期；对于明显拼凑之作，实施快速拒稿。

4.3 科学家素养升级

需要培养研究者的“AI批判力”——既会使用AI辅助写作，又能识别其幻觉与偏见；同时强调“更少产出”不等于“低效”，而是“深思熟虑”的标志。学术社群应奖励那些主动放弃“可发可不发”论文、转而撰写详细方法笔记或数据描述文献的行为。

4.4 伦理与责任框架

明确AI不能作为作者，但必须披露其使用部分；同时，开发“对抗性AI检测器”以防范恶意生成，但不过度依赖，以防“误伤”正常辅助。最终决策权始终归于人类学者。

五、结论：历史性机遇不容错失

我们正站在科学出版的一个分水岭。一方面，AI论文洪流确如海啸般袭来，若不作应变，它将淹没审稿系统、稀释知识信用、加剧评价异化。但另一方面，这股力量恰好冲击了早已僵化的出版堡垒——它迫使我们重新追问：发表一篇论文的本质目的是什么？

答案不是“数量”，而是“可验证的认知进步”。AI在检测、筛选、复现、精简和赋能方面的能力，使得我们终于有条件摆脱“以多取胜”的囚徒困境，转向“以质立信”的新契约。这需要编辑、审稿人、资助者、出版机构和科学家共同设计一套“少而精”的流程，让AI担任严格但公正的守门员，而非越俎代庖的作者。

如果我们能做到，那么未来十年的科学史将记载：人工智能并非科学的威胁，而是将科学从出版工业中解放出来的关键力量。那时，我们发表的论文更少，但每一篇都经得起重复、综合与拓展；我们花在文字上的时间更少，但花在真理上的时间更多。这，才是真正的历史性机遇。

参考文献

Alberts, B., Kirschner, M. W., Tilghman, S., & Varmus, H. (2015). Rescuing US biomedical research from its systemic flaws. Proceedings of the National Academy of Sciences, 111(16), 5773-5777.

Mullane, K., & Williams, M. (2019). Unknown unknowns in biomedical research: The time wasted. Nature Reviews Drug Discovery, 18(7), 485-486.

STM Report (2023). The STM Report: An overview of scientific and scholarly publishing. International Association of Scientific, Technical and Medical Publishers.

Van Noorden, R. (2024). Generative AI is already being used in research writing. Nature, 627, 240-241.

Nosek, B. A., et al. (2018). The preregistration revolution. Proceedings of the National Academy of Sciences, 115(11), 2600-2606.

Heaven, W. D. (2023). AI could help researchers publish more papers—but also improve quality. MIT Technology Review, online.

Björk, B. C., & Solomon, D. (2013). The publishing delay in scholarly peer-reviewed journals. Journal of Informetrics, 7(4), 914-923.

National Academies of Sciences, Engineering, and Medicine (2023). Using AI to improve scientific peer review. Consensus Study Report.

支持单位：