引用本文请注明出处

作者：ASHUTOSH GHILDIYAL, MARIA MACHADO, GARETH DYKE

译者：梁斯婷

校译：王一雪

来源：https://scholarlykitchen.sspnet.org/2026/07/14/open-science-2-0-building-understanding-in-an-ai-mediated-world/

当今的科研成果可免费阅读、传播广泛，并且覆盖的全球范围持续扩大，比历史上任何时期都更为开放。但开放从来都不是终极目标，真正的目标是科学发现、认知理解、成果应用与社会进步。在人工智能介导的信息环境下，人们获取科研内容越来越依赖整合生成的答案，而非直接研读学术文献记录。想要实现上述目标，仅依靠开放已经远远不够。因此，开放科学2.0（Open Science 2.0）不仅要关注获取权限，还必须重视可信度、解读阐释、知识学习与高效传播。学术出版生态系统面临的挑战，是在保证开放的内容同时具备可信性、可理解性与实际使用价值。攻克这一难题，需要在四个相互关联的维度开展有规划的投入：开放与获取、信任与可验证性、学习与专业能力建设，以及社会传播的广度与影响力。

表格示意图以箭头连接成对概念，对比开放科学1.0与开放科学2.0。左栏为以获取为导向的开放科学1.0概念，包括：实现知识可获取、人工检索文献、寻找答案、获取权限、可获得性、发现、检索、内容、开放、信息、知识传播。右栏为以理解为导向的开放科学2.0概念，包括：实现知识可被理解、人工智能介导的知识导航、提出更优质的问题、理解、阐释解读、学习、洞见、语境背景、信任、知识、知识应用。图注说明：该图展示范式转变，从优先保障知识获取，转向强调理解、解读、信任以及知识的有效运用。

图 1  开放科学1.0向开放科学2.0的演变

从获取走向理解：真实存在的鸿沟

开放科学的底层逻辑原本十分简单，即撤除付费壁垒，知识就可以自由流动。这套逻辑确实让有需求的人更容易偶遇和获取知识。但它存在一个错误预设：认为获取权限就等同于理解领会，认为让科研成果能够被获取就等于让科研成果具备可用价值。人工智能的出现在两个方向加剧了这一矛盾。一方面，人工智能大幅提升内容可发现度，用户查找相关研究的速度超过所有传统检索界面。但另一方面，人工智能介导的知识发现会剥离原始研究的底层工作，将细节差异与不确定性压缩整合进输出结果；这类输出效率很高，但未必完整、缺少背景语境，也未经过批判性审视。越来越多的科研人员、临床医师、政策制定者以及普通公众将不再阅读论文原文，他们只会提出问题，接收生成好的答案。

设想一名医师正在寻找某种罕见病的治疗指导方案：人工智能可以在数秒内整合数百项研究，给出一套看似合理的诊疗建议。但医师最终需要的不只是一个答案，而是理解证据的可靠程度、尚存的不确定领域，以及现有知识的边界。如今的难点已经不再是找到信息，而是判断我们应该要对这份信息抱有多大程度的信任，以及如何负责任地将其投入应用。

政策制定者借助人工智能检索功能来查询气候适应相关内容，或是临床医师查找治疗方案建议时，都可能收到一份实用性很强的证据整合报告，却完全看不到原始研究当中包含的不确定性、方法学局限、相互冲突的解读以及尚未解决的学术争议。尽管科研论文依旧是权威记录，其验证研究有效性、确立科研优先权的功能也并未改变，但论文已经不再是人们接触科学的主要载体。仅有获取权限、缺少可解读性，会造就一套形式上开放，但对大量目标受益群体而言实质上晦涩难懂的知识体系。开放科学的下一阶段，必须直面这一现实。

环形框架示意图，中心为开放科学2.0，四周环绕四个相互关联的维度：开放与获取、信任与可验证性、学习与专业能力建设、传播与社会影响。每个维度包含核心问题、主要目标以及关键利益相关方。图注说明：开放与获取仍是基础，但想要把信息转化为可用知识，信任、专业能力建设与传播同样必不可少。

图 2  开放科学2.0的框架

1.开放与获取：基础仍需坚守，同时有待拓展

开放获取依旧重要。相较于设置付费壁垒的文献，免费公开的科研成果更容易被人工智能索引和整合；而开放所蕴含的公平理念，也具备充分说服力。但“开放”的内涵正在不断拓展。开放数据、开放研究方法、开放同行评审、开放引用元数据等共同构成一套更加完善的透明化学术基础设施。学术内容面向负责任的人工智能应用开展授权许可、实现结构化公开，同样属于这套基础设施。对此，出版界正在积极探讨该议题，这一做法十分合理。我们的目标不只是让文献出现在人工智能生成的结果中，更要确保生成内容可以溯源至可信、来源标注规范、经过同行评审的原始文献，让严谨学术研究的价值能够在人工智能中得以体现。

2.信任与可验证性：全新的必然要求

人工智能介导知识获取带来的一大重要影响就是科学传播的责任架构发生改变。过去，期刊、出版商、科学记者以及机构传播人员是科研成果触达受众的主要渠道。这些主体发挥编辑的判断作用，决定哪些内容需要重点传播、如何构建叙事框架，以及补充哪些背景信息。但在人工智能介导的环境中，这套责任架构变得分散模糊。无论是资助方、出版商还是科学传播从业者，没有任何单一主体能够决定研究结论以何种形式呈现给用户。呈现工作由人工智能完成，生成结果受训练数据、系统设计、用户提问共同影响；正如前文所述，我们并不清楚这类系统做出决策的内在逻辑。最终形成的传播环境中，负责任的科学传播所必需的背景语境判断，找不到明确的责任归属主体。

这里需要着重说明：本文并非在怀念过去的旧模式，而是主张主动投入建设各类标识要素，保障人工智能系统能够精准还原研究原貌，包括： 高质量元数据， 结构化内容， 语境标签， 以及清晰的来源溯源信息。

在人工智能介导的知识环境中，信任无法直接承袭旧有的声誉评价体系，必须主动嵌入基础设施当中。就此而言，出版商与图书馆具备得天独厚的条件，可以牵头开展相关工作。

3.学习与专业能力建设：源头层面的投入

人们探讨人工智能与科研实践时，往往聚焦用户发起提问的环节，关注如何评估结果、如何应用输出内容。但科研人员向人工智能输入问题之前的准备工作，可能比后续所有环节都更加关键。想要把人工智能高效用作科研工具，必须具备前置能力：审慎思考应当提出什么问题、问题背后隐含哪些预设前提，以及何种证据才能够真正解答该问题。拥有深厚领域知识的研究者使用人工智能的方式，和新手截然不同。他们可以提出更精准的问题，更加可靠地评判输出结果，并且拥有一套评判框架，用来检验那些看似合理实则并不完整的回答。有一种普遍的误解，认为人工智能降低了对专业能力的要求，因为获取知识变得更加简单。但现实或许恰恰相反：信息检索越便捷，人的判断能力就越有价值。当信息海量、答案唾手可得的时候，提出有价值的问题、批判性评估证据、识别不确定性、合理运用知识的能力就愈发关键。人工智能改变人类接触、获取、处理科学知识的途径，但并没有消除对人类专业能力的需求。

要塑造这类思维认知能力，离不开几项学术实践：深度研读长篇学术著作；开展重理解、轻检索的深度阅读；在接触多元且彼此矛盾的资料过程中逐步形成自身观点。然而，上述这些实践在当下的环境中正遭受冲击。而恰恰是这些实践，最容易被人工智能所替代。由此带来的长期认知损耗真实存在，只是不会立刻显现。科研机构与图书馆在此方面有特别的责任。我们认为，信息素养项目应当迭代升级，即不能只停留在资源评估与引文管理层面，而要主动培养科研人员善用人工智能工具的思维习惯，这是面向认知能力的前瞻性投入。深度阅读与持续研读，不是检索信息的手段，而是催生洞见的途径。区分二者十分重要，值得各机构予以制度层面的保障。

当下，我们更应当投入资源来支持长篇整合类内容，包括综述论文、结构严谨的专著以及汇编文集。在简短快速的内容形式大行其道的时代，这类体裁支撑着严谨科研思考所依赖的认知基础，其价值不容低估。这些文献往往是社论、观点类文章的写作基础，而社论观点文章面向非专业读者，可读性更强。将通俗化文本输出、可视化摘要、适配政策场景的文本格式纳入标准编辑流程，已经成为必需。

归根结底，资助机构在整个科研生态系统中有着较强的影响力。应当把传播方案作为研究设计中标准且实质性的组成部分，而不是走流程式的事后附加项。同时建立能够衡量真实传播效果与知识转化质量的评价指标，以此向整个生态系统释放明确的价值导向信号。更具变革意义的举措，是资助整个科研群体提升传播能力，并且认可专业科学传播行业是该类投入合理的受益对象。

4.社会层面的广泛传播与影响：一项共同的责任

科研论文和科学传播作品从根本上属于两类不同内容。科研论文记录开展了哪些研究、如何开展、得到何种结果，需要作者做出解读与判断，接受同行审查，保障可复现性，并确立科研优先权。但科研论文本身并不承担这些功能，即向临床医师解释某一结论为何应当改变临床实践，帮助政策制定者理解监管议题背后证据的分量，或是让关注科学的公众真正理解一项研究项目的目标。科研人员自身越来越需要掌握通俗传播的能力。在不牺牲准确性的前提下，用通俗易懂的语言阐释自身研究价值，并不是低一等的学术工作。很多时候难度更高，需要构建背景语境，还要预判研究带来的长期社会影响，而这些都是技术性学术写作并不要求的。培训科研人员掌握这类能力，并且在机构评价体系中将其与传统出版指标同等看待，是学术生态可以开展的最高效投入之一。

与此同时，并非每一位科研人员都要、也不必成为优秀的传播者，提出这样的期待并不现实。专业的科学传播从业者与科学记者依旧不可或缺。他们掌握叙事技巧、受众洞察、批判性背景解读的专业能力，而大部分科研人员既没有受过相关训练，也没有多余精力去习得这些技能。随着科研产出数量增长，人工智能整合生成内容愈发普遍，过度简化、歪曲研究原意的风险随之上升，具备专业能力的人类中介的价值不降反升。应当给予这类从业者支持与资源，认可他们是学术传播生态的核心组成部分。

人工智能可以辅助所有人开展科学传播工作，包括生成摘要草稿，识别哪些讲解内容预设了过高的前置知识门槛，针对不同形式、不同受众改写内容。依托科研论文生成信息图表、可视化摘要的新型工具，以及文本转视频工具，搭配动画、卡通化呈现手段，能够生动直观地传递信息。但决定内容重点在哪里、哪些地方需要补充限定说明、特定受众真正需要理解什么，这类判断不能完全交给工具；完成这项工作需要人既懂科学内容，也了解受众。

示意图展示科研工作流中人工智能与人类专业能力的互补角色。左栏列举人工智能可以加速的任务：检索发现、文献获取、摘要总结、内容改写、传播文稿初稿撰写、模式识别；中间天平象征人工智能与人类判断二者的关系；右栏列举必须依靠人类判断完成的工作：提出有价值的问题、评估研究意义、解读不确定性、评判多种竞争性解释、伦理决策、语境理解。图注着重说明：人工智能可以加速大量科研与传播任务，但解读、评估与决策依旧离不开人类专业能力。

图 3  人工智能介导的科研生态中的人类判断

开放科学2.0：共同构建认知理解

开放科学运动的基础性成就是实现科研成果的可获取，这一成就必不可少，值得坚守。但仅仅做到可获取永远不够，而人工智能介导的信息环境，让这一短板再也无法被忽视。开放科学2.0拥有更宏大的目标，需要生态系统内所有参与方，主动投入建设基础设施、能力素养与行为规范。目标既包括让人工智能能够识别解读文献的元数据标准，也包括传播技能培训，帮助科研人员与从业者把研究成果转化给目标受众。人工智能会持续重塑研究的获取、整合与应用方式，这场变革早已拉开序幕。然而获取不等于理解，没有理解就谈不上信任。科研人员、专业传播从业者、出版商、图书馆员、资助机构共同组成实践共同体，协同实现获取、理解、信任三者的建设，这是未来十年学术传播领域最重要的机遇。学术传播的未来，不只取决于我们把知识开放到何种程度，更取决于我们帮助人们理解知识的能力。在这个信息海量、越来越多内容经由人工智能中介呈现的时代，开放科学最宝贵的成果或许不再只是知识的获取权限，而是充分理解知识，进而做出明智行动的能力。

支持单位：