AI正在拆碎论文，重构科学知识的模样

2024年的一天，英国萨里大学的统计学家Matt Spick坐在办公桌前，对着屏幕皱起了眉——他作为副编辑的期刊，当天已经收到了第二篇几乎一模一样的论文。两篇文章都用同一个公开健康数据集，做着大同小异的单因素分析，连措辞都像从同一个模子里刻出来的。而这样的论文，他已经连续收了三个月。没人会想到，400年前由英国皇家学会开创的科学论文体系，在AI的冲击下正濒临过载：有人用AI批量制造低质论文，有人用AI一周写完原本要耗三个月的初稿，连同行评审都有21%是AI生成的。但更值得注意的是，这场混乱的背后，一场比论文诞生更深刻的变革正在发生。

从专著到论文，科学交流的两次革命

你或许不知道，现在我们习以为常的“科学论文”，本身就是一场17世纪的创新。在那之前，科学家要发表成果，得写厚厚的专著——开普勒用10年写成《新天文学》，牛顿的《自然哲学的数学原理》攒了20年才动笔。直到1665年《哲学汇刊》创刊，才把知识拆成了短篇论文，让研究者能像搭积木一样，踩着彼此的成果快速前进。达尔文曾抱怨，他的进化论没法塞进一篇期刊论文里，得写《物种起源》那样的厚书才够严谨，但最终，短篇论文还是成了主流。

AI的出现，正在把这场拆解推向极致。加州理工学院的Lior Pachter团队开发了一套叫OpenEval的系统，它能像拆乐高一样，把一篇科学论文拆成一个个独立的“知识单元”：比如“X基因与Y疾病相关”是一个核心声明，后面跟着支撑它的实验数据、统计方法，还有对这个结论可靠性的评估。

在对eLife期刊1.6万篇论文的测试中，OpenEval提取出了近200万个这样的单元。更惊人的是，AI能覆盖93%的声明，而人类审稿人平均只能检查到68%——毕竟，没人能在几天内读完一篇论文的同时，还能记住每一个细节并验证逻辑。

机器可读的知识，能挖出被论文藏住的真相

传统论文就像一本装订好的书，所有信息都按固定顺序排列，你得从头到尾读，才能找到需要的内容。但机器可读的知识单元不一样，它们像散落在货架上的零件，AI能快速把相关的零件拼起来——哪怕它们来自完全不相关的论文。

神经科学领域就发生过这样的事：有两篇研究同一突触机制的论文，分别在不同脑区做实验，得出了看似矛盾的结论，但因为研究的脑区不同，两篇论文根本没互相引用。OpenEval系统把它们的声明和数据放在一起比对后，发现其实结论是互补的：这个机制在不同脑区的作用本来就不一样。要是没有AI的帮助，这个能重塑整个领域认知的发现，可能还要被埋没好几年。

不过，这种拆解也不是没有代价。有科学家担心，写论文的过程本身就是思考的过程——你在把实验结果串成逻辑链的时候，会发现数据里的漏洞，会意识到之前的假设不对，甚至会突然冒出新的想法。而Google的PaperOrchestra系统，能在40分钟内把实验笔记变成一篇格式完美的论文，直接跳过了这个“痛苦但必要”的思考环节。要是科学家都不用自己写论文了，会不会错过那些在写作中诞生的灵感？这是目前支持AI拆解论文的人还没说清的问题。

不是取代论文，而是给知识换个容器

其实，没人想彻底抛弃论文。就像数学家证明猜想时，会同时写一篇传统论文和一份机器验证的证明：前者用人类能懂的语言解释思路和意义，后者用机器能读的代码保证每一步都严谨。未来的科学出版，可能也是这样的模式：论文依然存在，但它不再是知识的唯一容器，而是一个“解释层”——你可以从机器可读的知识库里，随时生成一篇适合自己需求的论文：比如给同行看的专业版，给学生看的科普版，甚至是只包含实验数据的验证版。

意大利物理学家Francesca Colaiori提出的“自适应知识网络”走得更远：未来的科学贡献不再是论文，而是一个个独立的“知识对象”——可能是一个实验数据，一个研究方法，甚至是一个未解决的问题。这些对象像维基百科的词条一样，可以被不断编辑、链接、更新，形成一个动态生长的知识网络。

当然，这一切都需要整个学术生态的配合：现在的评价体系只认论文数量和引用率，要是“知识对象”不算成果，没人会愿意花精力去整理。但已经有期刊开始尝试了：NEJM AI用AI辅助评审，能在7天内完成从投稿到初步接受的流程，还会公开AI的评审意见，让整个过程更透明。

从专著到论文，科学交流的每一次变革，都伴随着得与失：论文让科学进步更快，但也牺牲了专著的系统性；AI拆解论文能挖出更多隐藏的知识，但也可能带走写作中的思考。不过，就像当年达尔文的抱怨没能阻止论文成为主流一样，现在的担忧也挡不住AI带来的变革。

毕竟，科学的本质不是写论文，而是发现真相。当论文这个容器已经装不下爆炸的知识时，换个容器是迟早的事。知识的形态变了，但探索的初心没变。或许未来的某一天，我们回头看现在的科学论文，会像现在看牛顿的厚书一样，觉得那是一种古老但可敬的交流方式。