本文来自微信公众号： 生态学时空 ，作者：复旦赵斌
引子
2026年7月16日，《Science》主编H.Holden Thorp发表了题为《AI in scientific publishing:Slower,worse,and more expensive》（人工智能在科学出版中的应用：更慢、更差，且更昂贵）的社论，我认真拜读了它。
一周过去了，我思来想去，总觉得哪里不对劲。诚然，文中指出的AI幻觉、虚假引用、审核负担加重等问题确实存在。但是，作为一篇顶级期刊的社论，它在论证逻辑、证据选取和结论推导上存在太多值得商榷之处：把成长的阵痛描绘成不可逆转的衰退，把工具的问题归咎于工具本身而非使用者的制度和激励机制，把早期的不完美等同于终局的必然。
从行文来看，我有理由怀疑，Thorp主编是没有时间去切身折腾和体会AI的，大多也是道听途说的东西吧。社论中的这些论点如果无人辩驳，就会像温水煮青蛙一样，让整个学术界对AI形成一种本能的排斥，而忽略了它可能带来的范式级变革。
我特地写下这篇文章，从十个角度对Thorp主编的观点进行反驳。撰写之前我就想，如果把这篇反驳的稿子投稿给Science，99.99%的概率是不会发表的。所以，我就不自寻烦恼，还是发在自己的一亩三分地上吧。
如果你恰好也阅读过这篇社论，可以接着读下去；如果没有，可以先拖到后面，看看对原文的汉语翻译。
1️⃣本质上是"成长的阵痛"，不是终局判决
文章犯了一个典型错误——把早期问题当成终极结论。互联网早期，垃圾邮件泛滥、维基百科被质疑可信度、预印本服务器被认为"不是正经发表"。每一项技术革命都经历过"先变差、再变好"的过程。文章拿LLM今天的幻视和错误说事，却假设这种状态永远不变——这在逻辑上叫"静态谬误"（static fallacy）。
你现在看到的AI填坑需要更多人力，恰恰说明人类正在建立对AI输出质量的适配和管控机制。三年前AI写的论文一眼假，现在已经需要专业审稿人才能分辨。这个趋势是进步的，不是倒退！
2️⃣双重标准：一边引用AI的成功，一边选择性忽视
社论承认AI在蛋白质结构预测、新材料发现上的革命性贡献，然后用一句"但有黑暗面"就轻飘飘带过——这是经典的"但是论证"（Yes,but...fallacy）。
如果我们要算总账，AI加速了药物研发、节省了无数实验室人力、让知识发现的速度提升了数量级。出版审核环节增加了一些人力，和AI在整个科研生态中节省的巨量人力相比，哪个更重要？文章没有做这个成本收益分析。
3️⃣泰勒主义类比是个好故事，但可能不成立
泰勒制的核心是上级监控工人、把知识从工人手中拿走。而AI在科研中的作用，至少到目前还是工具性的。科学家自主使用AI辅助写作和分析，不是被管理层用AI监控，这更像是工匠用上了更好的电锯，而不是泰勒的秒表。
而真正像泰勒制的，是社论本身隐含的立场——"只有经过精英期刊的严格人工把关，科学才可信"。这才是把决策权集中在少数把关人手里。而AI实际上是在努力去中心化科学出版的权力。
4️⃣问题不在AI，而在激励机制
社论把论文质量下降归咎于AI，但明白人都知道，根本原因是"不发表就灭亡"（publish-or-perish）的学术评价体系。没有AI时，同样有人造假数据、剽窃、重复发表。AI只是降低了下限，让原本就会作弊的人更容易作弊而已。
这就是典型地把枪手归咎于子弹。禁止AI并不会提高科学诚信，改革评价体系才会。而AI恰恰可以用来自动化检测常见的学术不端行为——效率远超人工。大量论文从诞生的那一刻起就不是写给人看的，而是写给制度看的——写论文变成了纯粹的KPI考核。在这个链条里，每个人都在做自己位置上最理性的选择。AI没有制造这个问题，它只是把这个问题彻底暴露在了阳光下。它把以前昂贵且高风险的付费写作服务，变成了人人可用的免费工具。AI写学术论文的质量已经超过了绝大多数科研新人。
以前一个刚入门的硕士生，没有三五年的打磨根本写不出一篇符合期刊要求的论文，但现在的制度要求他入学第一年就要写、第二年就要发。他用AI能写出比自己手写更规范、更流畅的论文——这不是道德选择题，这是生存选择题。
5️⃣"错误永远存在"是一个极度武断的绝对断言，而且检测工具本身也靠不住
社论引用他人观点说"只要用LLM，错误就永远存在"，因为这个结论说"LLM不是通过逻辑推理工作，而是通过概率连接"。此外，Thorp主编还提到"有工具（很多是AI驱动的）可以帮助发现错误"。这两个论点实际上是一体两面：Thorp主编在说AI的错误永远存在，同时暗示我们有可靠的工具来识别这些错误。但两个前提都站不住脚。
先看"错误永远存在"的问题：
第一，人类的大脑也是通过概率连接工作的——神经网络的本质就是概率连接。人类也没有"绝对真理引擎"，我们也会犯错。
第二，LLM正在快速进化。思维链（Chain-of-Thought）、检索增强生成（RAG）、验证器模块（Validator）、工具使用（Tool-Use）——这些技术正在让LLM具备可验证的推理能力。2026年的LLM已经不是2023年的GPT-4了。
第三，这个逻辑可以反过来问：纯人类写的东西就没有错误吗？那医学史上数千篇被撤回的论文怎么解释？
再看"检测工具靠得住"的问题——这里有一个更讽刺的注脚：连AI的创造者自己都承认AI文本检测是伪命题。2023年7月，OpenAI自己把自己的AI文本检测器给关了，官方理由只有一个——"准确率太低"。
Thorp主编说审核可以依赖AI工具，但审核的前提是审稿人得能分辨哪些是AI写的。当连最基本的区分工具都靠不住时，这个前提就不存在。总不能要求审稿人凭借"第六感"来判断吧？那跟中世纪的猎巫运动有什么区别？
6️⃣利益冲突：谁在写这篇社论？
H.Holden Thorp是Science的主编。毫无疑问，他代表的是顶级期刊的既有利益格局。
当一个传统渠道的守门人说"新工具会让我们的工作更难"时，你需要问的是，这句话本身是不是一种维护自身地位的话语策略？Science的订阅费居高不下、OA费用动辄上万美金、审稿周期长达数月甚至以年记——在没有AI的时候，科学出版就已经是"慢、差、贵"了。AI反而在打破这种垄断，让更多知识可以被快速传播。
退一步说，即便我们接受Thorp主编的判断：AI让论文更多、审核更累、成本更高，也要问一句：在这场博弈中，到底谁是输家？我喜欢用"四个输家"的框架来做梳理：
第一，学生是输家。在AI出现之前，他们就已经被"不发表就灭亡"逼着生产自己都不相信有价值的灌水论文。查AI出现后，他们还要学"反AI检测"——研究怎么调整语序、替换同义词、给AI内容加上人类痕迹。这些技能除了应付检测，没有任何实际用处。更可怕的是，哪怕你一个字一个字亲手写的论文，只要检测工具说你是AI写的，你就可能被贴上学术不端的标签。
第二，导师是输家。他们曾经是对科学充满热情的年轻人，现在变成了AI警察——不仅要催论文、改论文，还要查论文是不是AI写的；不仅要改学生写的无价值内容，还要改AI生成的只有通顺文字没有科学思想的空洞内容；不仅要担心学生毕不了业，还要担心学生因为被误判而受处分。
第三，学术界是输家。AI把垃圾论文的生产效率提升了上百倍，而查AI不仅没有解决这个问题，反而让情况更糟。真正认真做研究的人可能被误判拒稿，专门灌水的人却可以轻松绕过检测继续发表。
第四，整个社会是输家。当AI能比大多数毕业生更好地完成写作、整理、分析这些基础工作时，我们还在要求学生花几年时间去练习这些已被淘汰的技能——这是对教育资源的巨大浪费。
这四个人群中，没有任何一个是Thorp主编所担心的——他担心的是Science周刊的编辑成本上升了，审核流程变复杂了。但是，Science周刊只是本杂志，不是Science本身，不要把二者混为一谈。
7️⃣没有数据，只有轶事
整篇社论没有提供任何量化数据：AI导致的退稿率增加了多少？误报率是多少？有多少欺诈论文成功混入了Science？AI节省了多少编辑初审时间？
用一个个案（"一篇论文说LLM在临床判断上还在挣扎"）来推导出整个"AI让科学变差"的宏大结论，这在证据层级上属于最低级的轶事证据。如果Science真的有数据证明AI让它的出版流程全面恶化，请展示出来。
8️⃣"人机协作"vs"人类vs机器"的虚假二分
社论似乎暗示你要么选"人工严格筛选的纯净科学"，要么选"AI泛滥的垃圾科学"，两者不可调和。
未来不是二选一，而是人机协同。AI做粗筛、模式识别、语法检查、文献引用验证；人类做高端判断、创新性评估、伦理审查。这实际上是放大了人类审稿人的能力，而不是让他们做更多苦力。
9️⃣悲观预言往往自我否定
文社论说AI会让科学信任度下降。但正因为有这种讨论，学术出版界正在加速制定AI使用规范和筛选标准。这种警示性的社论本身就在推动问题的解决。也就是说，作者担心的未来可能恰恰因为他的预警而不会发生。这是一种"自我否定的预言"（self-defeating prophecy）。
🔟最后的反问：替代方案是什么？
如果现在的AI是问题，那解决方案是什么？禁止所有AI辅助研究？让回到打字机和手写实验记录本？这显然不现实。当批评一个在快速演变中的技术时，最有力的批评者需要拿出一个可行的替代方案。如果没有——那我们只能选择让这个"混乱但进步"的过程继续下去，而不是怀念一个从未完美过的黄金时代。
💬我的反驳立场
该社论的批评就像在1995年说"互联网让信息传播变得更不可靠、出版业更混乱、假新闻更多"——这说的可能部分正确，但把成长的阵痛当成了终局，而忽略了变革的长期价值。
🙋写在最后
以上10条反驳，并非要否认AI在科研写作中存在的问题。AI幻觉、虚假引用、审核负担加重——这些问题真实存在，值得认真对待。但把问题归咎于AI本身，把学术体系的系统性失灵简化成"AI让科学变差了"，这既不符合事实，也无助于解决问题。
真正的敌人从来不是AI，而是那个用论文数量取代学术质量、用形式审核取代实质评价、用严防死守取代制度创新的陈旧体系。AI只是把它照得更亮了而已。
本文为个人学习笔记，翻译&解读基于Science 2026年7月16日发表的社论。
【附】原文全文翻译
AI在科学出版中的真相：更慢、更差、更贵
管理界有句老话——1990年代由NASA局长丹尼尔·戈尔丁推广——技术进步的目标是让产品变得更快、更好、更便宜。这套思路在航空航天领域确实取得了一定成功，但人工智能（AI）的狂热信徒们正在用同样的论调来描绘AI如何改变工作：他们说只需要极少的human努力，人类就将进入一个丰裕时代，摆脱疾病、苦差和危险，有更多时间从事创造性活动。
但历史告诉我们另一个故事。
第二次工业革命期间，当机器开始提高生产力时，美国工程师弗雷德里克·温斯洛·泰勒的《科学管理原理》鼓励企业用监控手段让员工工作得更辛苦、更长久。这种方法让工人筋疲力尽、士气低落，把知识和决策权从工人手中转移到管理层——而利润只流向了顶层。然而，这套模式至今仍是美国经济体系的基石。
事实上，随着AI的介入，科学出版界正在经历某种"泰勒主义"。
对AI生成的研究论文进行严格的人工审核正在成为瓶颈——出版商们努力维护科学记录的真实性。这个挑战反而需要更多的人力，使得整个过程更慢、更贵。
最近，大语言模型（LLM）预测蛋白质结构和加速新材料发现的能力确实革新了这些领域。新的AI智能体可以执行研究设计和分析的许多方面。但黑暗面同样存在。最近一篇论文指出，LLM"在需要细微临床判断、实验推理或深度生物学思维和综合的领域仍然困难重重"。此外，有些AI智能体比人类更容易从事相当于学术不端的行为——比如挑选有利数据、操纵统计分析直到得到想要的结果。当这些AI智能体生成论文时，它们更容易犯错，包括凭空捏造参考文献——其中一些已经混入了学术文献。
模型将来可能会改进并纠正某些问题，但最近有论证指出，只要在研究中使用了LLM，这些错误就永远存在。LLM的工作原理不是寻求真相或逻辑推理，而是建立概率性的连接。而改进这些程序以避免不良行为的努力可能白费功夫，因为LLM倾向于奉承讨好（sycophantic behavior）以保持用户参与度。
这些因素使科学出版变得复杂。在《Science》和其他期刊，投稿量正在增加——因为做研究和写论文都在加速。但正因为更多论文含有AI生成的错误，就需要更多人类监督来检查结果。虽然有工具（很多是AI驱动的）可以帮助发现错误——比如假引用和无意义措辞——但每份自动报告都需要进一步的人力去解读结果、与作者沟通修改或决定不发表。这也适用于检测图像篡改、剽窃和引用错误的AI工具。然而，AI工具既不能抓住所有错误，也会产生误报——错误地将真正的人类研究标记为AI生成。
培育健壮的人工筛选的学术文献从未如此重要。AI垃圾在科学记录和整个互联网上的扩散，正在让科学变得更不可信。但与此同时，AI爱好者们告诉世界：解决方案都应该很容易自动化，给人造成一种印象——期刊不仅能发现更多错误，还能更高效、更廉价地做到。这不是科学出版现在的现实，也不太可能是未来的现实。其他工作场所——比如仓库和货运——也在经历类似的挑战：在需要更多人力投入的情况下还要被监控，这让美国的AI驱动力更接近泰勒主义，而非戈尔丁的座右铭。
泰勒主义的历史告诉我们：社会应该保护那些因技术而被要求过度劳作的人的福祉和自主权。
如果科学界不能应对AI的影响，那么真正的研究和经过验证的发现将变成一股昂贵的涓涓细流渗入既有知识体系——而错误或伪造的信息被当作现实的机会将越来越大——与此同时，AI投机商们却在闷声发大财。