一项新的基准研究报告称,完全由AI生成的科学论文评审,如今在期刊编辑所用的几乎每一项标准上都胜过付费人类专家撰写的评审,而出版界和AI领域的两大巨头已经开始据此行动。Springer Nature与谷歌DeepMind宣布合作,共同设计一款AI同行评审助手。与此同时,本周发生的另外几件事也勾勒出学术界自动化的边界仍在何处:伪造论文在投稿环节被拦下,法院维持了一起因AI虚构引用而作出的退学处分,一项关于多任务处理的研究则表明,堆叠AI智能体只会帮倒忙。把这些放在一起,研究者可以更清楚地看到,哪些事情可以放心交给AI,哪些仍必须由自己亲自负责。

同行评审对比

这项研究题为《全AI生成的论文评审如今在我们能构建的每一项指标上都更优》(All-AI Generated Article Reviews Are Now Better, by Every Measure We Could Construct),在134次论文评估中将AI撰写的评审与人类专家的评审进行了比较。比较采用配对排序:对每篇论文,评判者同时看到一份AI评审和一份人类评审,然后选出更强的一份。

评判者类型 更青睐AI评审
AI评判者 在多项标准下100%的配对
人类期刊编辑 87%到100%的配对

除一对一排序之外,在作者衡量的五个评审维度上,AI评审获得的评分也显著高于人类评审:来源、弱点、方法、框架与表达。

AI评审唯一失手的地方是图表分析,在这方面略逊于人类专家。不过这一差距需要放在背景中看:细致的图表评估对许多人类同行评审者来说同样是弱项,因此人类在这一类别上是否拥有持久优势,并不清楚。

出版商从研究走向产品

Springer Nature与谷歌DeepMind的合作将基于谷歌的Gemini模型和ScholarReview智能体框架构建这款助手。公告把这款工具定位为共同设计的助手,而非替代评审者,但经济逻辑似乎只指向一个方向。大型出版商要为编辑劳动付费,而一个以更低成本产出、且编辑评价高于专家评审的系统,很难被忽视。可以合理预期,出版商会积极采用这类工具,削减成本将是首要动机。

这是否会把人类评审者彻底挤出流程,仍是一个悬而未决的问题,而且是个令人不安的问题。研究结果表明,这一转变可能难以阻止,即便对那些希望保留人工参与的人来说也是如此。

对作者而言,现实影响是立竿见影的。如果由AI评审者从来源、方法、框架和表达几个维度给稿件打分,那么引用单薄、步骤描述松散、框架含糊的问题将被持续、不知疲倦地标记出来。严谨地记录方法与来源、保持排版整洁,如今已是面对一位永不疲倦的第一读者的防线。

期刊职员把一份透明空心的稿件举到窗前,旁边是退稿托盘和一排厚实报告的书架

▲ 编辑初筛拦下的伪造论文

伪造论文没有蒙混过关

另一项实验为"AI已能端到端生成可发表科学成果"的假设提供了反证。一位科技记者在IEEE Spectrum以《我用AI伪造了一篇科学论文,结果如何》(I Used AI to Fake a Scientific Paper. Here's What Happened)为题撰文,借用"氛围编程"(vibe coding,即以极少的人工介入、靠向AI下达提示词来构建软件)的思路,尝试"氛围研究":用大语言模型生成完整的研究稿件,几乎不加任何人工贡献。

这位记者向IEEE Access投了两篇论文:

  • 第一篇是彻头彻尾的伪造,由ChatGPT和Gemini生成,描述了一项从未进行过的研究。
  • 第二篇是一项计算研究,由记者使用Analemma的FARS系统构建。

两篇论文都在编辑初筛阶段被拒,从未进入同行评审。这一结果表明,在成熟的发表平台上,自动化检查与人工编辑初审相结合,仍能拦下纯靠提示词生成、毫无实证支撑的稿件。围绕全AI生成科学的炒作看来言过其实,至少在编辑筛查按预期运作的地方是如此。

对诚实的研究者来说,启示在于该把工具用在哪里。AI最有用之处似乎是在真实工作中增强推理与综合,而不是试图用提示词凭空变出一整项研究。

法院为虚构引用划下红线

故事中关于问责的一面来自迪拜。伯明翰法学院迪拜校区(伯明翰大学迪拜分校)一名攻读国际争议解决法硕士学位的学生被退学,起因是一项日期为2024年2月8日的调查发现,其提交的论文含有复制粘贴的AI生成内容,其中包括虚构的司法判决、错误的法律引用和假的参考文献。

该学生提起诉讼,要求恢复学籍、授予学位并赔偿AED 100,000,理由是AI检测软件不可靠。案件经历了三级审理:

法院 裁决 日期
迪拜初审法院 驳回起诉 2025年2月10日
迪拜上诉法院 维持驳回 2026年7月30日
迪拜终审法院 最终驳回 2026年10月29日

裁决理由比结果本身更重要。法院认为,AI检测工具是否可靠与本案无关:论文中出现不存在的判例法和虚构引用,这一事实本身就是学术不端的独立证据。换言之,关于检测器能否可靠识别AI撰写文本的争论,并不能为含有幻觉引用的提交物提供保护。对借助AI生成的每一条引用、每一个案例、每一个数据进行核实的责任,落在提交作品的人身上。

研究者被三个缠绕着线团的发光球体压得不堪重负,小图中则是只用一个球体从容工作的场景

▲ 同时管理多个AI智能体的认知过载

智能体越多,产出越少

在评审与诚信新闻之外,《高等教育纪事报》(The Chronicle of Higher Education)旗下Jagged Intelligence通讯刊发了一篇题为《用AI是否让你"大脑烧糊"?》(Is using AI giving you 'brain fry'?)的文章,考察了同时监督多个自主AI智能体的人会发生什么。文章援引《哈佛商业评论》的调查数据和波士顿咨询公司的见解,报告了一种与人类多任务处理的已知代价如出一辙的模式。

  • 指挥一个AI智能体,员工生产率显著上升。
  • 增加第二个智能体,只带来微小的额外收益。
  • 同时运行三个或更多智能体,生产率急剧下降。

原因看来是上下文切换带来的疲劳:每个智能体都需要关注、检查和纠正,开销层层叠加。对于那些想同时派出一批智能体去做文献检索、数据清洗和起草的学者来说,证据主张克制。一个主智能体是最佳选择,只有在注意力充沛的日子里才考虑加第二个。

Claude Duet与持续型智能体模式

这一建议出现之际,Anthropic正发布Claude Duet的研究预览版,该产品于2026年10月21日宣布。Duet被定位为一个主动、持续的助手,而非被动工具:它会预判用户需要什么,在用户离开后继续处理后台任务,并在执行重大决策前先行确认。它运行在Claude Opus 3.5之上,以独立应用形式在iOS、Android和网页端提供,面向Pro、Max和Ultra订阅用户。

Anthropic表示,其安全设计借鉴了Claude Code和Claude in Chrome,包括自动模式分类器和凭据保护机制,旨在防止删除文件等未经授权的操作。安全与隐私文档的日期为2026年10月23日。

对研究者而言,这类持续型智能体可能适合需要连续性的行政与组织工作,例如追踪任务、在用户离开时推动项目进展。这种协作式、行动前先确认的模式,似乎比被动聊天机器人或无人监管的智能体集群更契合学术工作流,也与上文"一个智能体"的建议相吻合。

自动化走进实验台

自动化也在物理实验室中推进。《自然》(Nature)上一篇题为《面向自主生物分子操作的AI原生实验室》(An AI-native experimental laboratory for autonomous biomolecular operations)的研究文章介绍了AutoDNA系统,它协调20多种科学仪器、跨越11,000多个操作步骤,在极少人工干预下完成了核酸合成、转录、扩增和测序。该平台报告在执行DNA数据存储周期方面实现了3.2倍的提升,并验证了针对KRAS G12D突变的治疗方案。

这类系统执行冗长、重复、多步骤的流程,其稳定性超出人类的耐力极限。可能的结果是实验台岗位的转型而非消失:繁琐的移液和仪器操作交给机器,研究者则负责指挥和解读工作。

考试诚信追上硬件

最后,韩国教育部宣布,对使用AI智能眼镜在大学修学能力考试(全国性大学入学考试)中作弊的考生加重处罚。这类眼镜搭载微型摄像头和显示器,可将试题发送给AI模型,并把答案投射到镜片上。此前作弊的后果是成绩作废并禁考一年;新规将禁考期延长至三年,并增加刑事追诉。全部1,312个考点的监考人员已被要求检查可疑眼镜。目前的智能眼镜硬件仍然显眼笨重,这暂时有利于监考,但趋势已经很明确。

研究者现在该做什么

本周的进展指向一套一致的行动:

  1. 为AI评审者做好准备。严谨记录方法、来源和框架,保持排版整洁,因为AI评审工具会稳定地对这些维度打分,而且看来正在进入出版商的工作流。
  2. 核实AI产出的一切。提交前,将每一条引用、法律参考和统计数据与原始来源逐一核对。迪拜的裁决表明,仅凭虚构的参考文献就足以认定学术不端,与检测器的准确度无关。
  3. 用AI增强思考,而不是编造研究。纯靠提示词生成的稿件在IEEE Access的初筛就被拒绝;这个工具的用途是在真实工作中做综合与推理。
  4. 同时运行的智能体以一个为上限,最多两个。收益在两个时趋于消退,三个或更多时则会逆转。
  5. 对需要连续性的任务考虑持续型智能体。Claude Duet这类工具可能适合行政与组织工作,这类工作受益于一个能持续推进、行动前先确认的助手。

从评审流程到机器人实验室,学术界的AI正在各条战线上加速。那些出面叫停的机构并非拒绝这项技术,它们只是在为造假和越界划定边界。把繁琐工作交给AI、同时亲自为准确性负责的研究者,将是最大的受益者。