活动链不是若干工具的并列
人工智能进入科研后，最容易出现的误判，是把“某项任务更快”直接改写成“科研全流程更高效”。检索可以更快，代码可以更快，文本也可以更快，但这些速度只有在没有把成本推向下一环节时才构成真正的生产率。系统综述中漏掉一篇关键证据，会使后续假设缺少反例；实验中扩大了搜索范围，却未同步扩大验证能力，会把未经检验的候选带到写作阶段；一段语言流畅的论文，如果引文并不存在，前面的实验投入终将转化为返工。科研活动不是七个彼此独立的工具槽位，而是问题、证据、行动、分析、表达和外部判断相互依赖的网络。AI 改变的不是一条单向传送带上的每个工位以同样幅度，而是各环节之间的转换成本、错误可见性和责任边界（Wang et al., 2023; OECD, 2023; Noble et al., 2024）。这三条来源覆盖 2023—2024 年的综述案例与政策图景，对应的是当时的工具条件。
本章所说的“可信生产率”，也不等于把完成时间、生成数量和采用率加权成一个总分。它要求局部提速不以降低召回、削弱证据约束、扩大不可复现性或转嫁未披露成本为代价。生成十份研究设想、写出更流畅的摘要、让模型完成一次代码调用，都只是过程指标；能否形成可追溯、可反驳、可复现且由明确主体负责的知识，才接近科研活动的目的。现有研究尚未把从问题选择到成果传播的各环节纳入同一时间与资源口径长期测量；任务级与过程级的效果读数和失败诊断已经出现，但覆盖全流程的生产率因果估计仍然缺少，因而没有依据给出一条跨学科、跨任务的统一提效结论。采用情况本身也不是简单状态：丹麦研究者的调查显示，AI 使用与风险认知随学科、职业阶段和研究任务变化，编辑与数据分析较常见，实验设计、数据生成和同行评议则伴随更多担忧；这是丹麦单一国家的自我报告调查，采集期与所用工具版本未在来源记录中标明，也不能证明产出质量（Andersen et al., 2025）。对德国两个研究机构 6,215 名研究者的大规模调查进一步显示，25.9% 的研究者每日以上使用 AI，26% 误以为自己所在的学会已有 AI 规章，法律不确定性与隐私顾虑是研究者列举的首要障碍；该调查实施于 2024 年 6 月，属于自报的描述性结果，覆盖的是整体 AI 工具而非仅生成式 AI，既不能当作生产率或质量证据，也不能外推为全球研究者状况（Chugunova et al., 2026）。这意味着“科研人员是否使用 AI”不足以解释其生产率，必须追问工具进入了哪一个决定、使用了什么证据、由谁核验，以及核验成本落向何处。
从找到材料到形成可辩护的证据集
科研检索的困难从来不只是信息太少，而是如何在有限时间内找到相关材料，同时不遗漏会改变研究判断的证据。AI 辅助排序的价值正在这里：它把更可能相关的记录提前，把大量低价值记录留给后续处理。这里所谓“研究者在环”，是指模型只提供优先级建议，研究者继续决定下一轮检查、冲突处理与停止时点，并可退回人工流程；这是一种人机分工方式，不是新的自动化指标。ASReview 在四个已有标注的基准上显示，主动学习排序能够减少低价值筛选工作量；这是一种非大语言模型的主动学习方法，收益不能读作生成式 AI 的证据（van de Schoot et al., 2021）。WSS@95 一类指标刻画的是模拟中达到目标召回时的工作量—召回权衡。把这项收益接入流程后，可靠证据集仍取决于研究者能否发现冲突、补做检索并解释停止依据。
效率的方向在数据、模型和指标之间并不稳定。Ferdinands 等的模拟显示，发现相关记录所需的工作量会随数据集、分类器、特征表示和评价口径显著变化，不能给出一个脱离项目的最优筛选器（Ferdinands et al., 2023）。单一真实项目中的比较又显示，同类工具即使都承担辅助排序，也可能得到悬殊的召回结果，停止规则和实现差异足以改变最终检查范围（Ringeval et al., 2026）；该来源未记录所比工具的版本与实施时间，是否属于生成式工具尚待确认。医学自动筛选的系统综述与元分析表明，即使把召回推向高位，仍有残余漏检，召回与精确率之间不能绕过取舍（Feng et al., 2022）。对主动学习模拟的范围综述则指出，研究普遍报告正面潜力，却存在指标异质、复现不足和跨研究难以比较的问题（Teijema et al., 2025）。这些证据并不相互抵消：它们共同说明排序可以减少低价值劳动，却没有把“漏检”从工作流中删除。
因此，AI 介入检索后，研究者需要增加而不是减少验证负担。合理的流程应保存数据库、检索式、时间戳、模型版本、排序理由、已检查记录和停止依据；低置信记录、冲突结论、方法薄弱的研究以及可能改变纳入判断的边缘文献，不能因排名靠后而永久消失。排序节省的是机械初筛，节省下来的时间应当投入抽样复核、矛盾解释和检索缺口检查。若研究者只记录“采用某工具筛选”，却无法回答哪些记录未被看到、阈值如何形成以及漏检代价是什么，那么更短的列表并不等于更可靠的证据集。效率只有在召回风险被显式承担、停止规则可以被解释时，才具有可信含义。
“发现文献”与“生成参考文献”是两种性质不同的操作。数据库检索的结果至少能回到来源记录，而生成模型可以无依据地构造看似规范的题名、作者、期刊和年份。无联网条件的引用生成实验观察到高幻觉和低精确率，跨主题实验也发现模型会虚构文献，或给出存在却不能支持正文主张的引文；这组数字是 2023—2024 年无检索时代的历史读数，其中“无联网”条件在今天带检索与引用校验的产品中已不具代表性（Chelli et al., 2024; Walters & Wilder, 2023）。这些研究使用的模型、提示和问题域有限，错误比例不能外推成当前系统的固定错误率，却足以否定“模型列出的文献就是检索结果”这一做法。需要区分的错误结构至少包括四类：编造文献、元数据错误、来源存在但不支持正文主张，以及检索工具引入的漏检；后两类并不会随检索能力提升而自动消失。核验至少应分三层：确认来源真实存在，确认作者、题名、年份、期刊和标识符准确，确认被引段落确实支持所附主张。只完成存在性检查，仍无法防止“有这篇论文，但论文不支持这句话”。
生成式工具也能帮助压缩摘要、比较主题和形成证据表。对生成式 AI 在证据综合中的 19 项研究进行系统审查后，现有证据仍要求人类参与或监督；纳入研究的工具与方法集中在 2023—2024 年（Clark et al., 2025）。更晚近的前沿代模型给出的是任务分化的读数：在临床医学主题的系统综述题录筛选中，前沿代模型（GPT-5 级）达到高一致性（κ=0.820），而在分层等更复杂任务上降至 κ=0.695，作者据此仍要求人审在环（Chen et al., 2026a）；筛选环节的高一致性不能外推为证据综合可以无人参与，且该研究限于单一领域、特定提示流程与已标注语料。落实到工作流，模型生成的证据表应带有原文定位、抽取规则、冲突标记和纳入记录；缺少这些接口的摘要会迫使流程退回检索与全文核验。这样处理新增的是可回看的中间产物，而不是把判断权交给一段流畅叙事。
从候选想法到可执行研究
证据集形成之后，研究者还要决定什么值得追问。生成模型可以快速组合研究问题、变量、机制和反例，扩展候选空间；这种扩展是否改善选题，取决于“候选”怎样转化为可检验、可执行和具有理论意义的项目。Si 等的专家盲评中，模型产生的自然语言处理想法获得了较高的初始新颖性评分，但语义多样性较低，整体评分与人类想法差异不显著（Si et al., 2025a）。后续预印本让专家执行随机分配的人机想法后，人类想法在新颖性、有效性和总体评价上重新占优（Si et al., 2025b）。在活动链中，初始评分只适合作为选题分流信号，项目仍须通过可执行性、理论价值和资源条件的独立关口。两项研究限于自然语言处理，生成模型均为 GPT-4 级一代，而新颖性评分与语义多样性恰是对模型代际最敏感的指标；其中的执行研究尚未完成同行评议，这一流程判断也相应保留范围。
AI 可以帮助研究者发现表述方式相近、机制组合不同的问题，却不能独立完成从“有趣”到“值得做”的跃迁。可执行性要求把概念变成变量、观测、比较组、失败判据和资源预算；理论价值要求说明即使结果符合预期，也会改变什么既有解释；伦理与安全条件则规定哪些数据不能使用、哪些风险不能由模型自行接受。模型可以生成实验草案、列出边界情形或指出缺失变量，但问题的价值排序、统计功效、资源取舍和可证伪性仍需领域判断。初始新颖性在这里是入口指标，不是贡献指标。候选越多，验证任务往往越重，而不是越轻。
编码实验很能说明局部速度为什么会反转。在一个狭窄、绿地且验收条件清楚的受控任务中，2023 年 Codex 版 Copilot 下 AI 辅助组观察到更快的完成速度，该读数只对当时的工具成立，不构成当前速度证据（Peng et al., 2023）；在资深开发者熟悉的大型开源代码库中，2025 年初的早期生成式 AI 却伴随更长的开发时间（Becker et al., 2025）。两项研究样本都小，后者还是预印本，工具版本和任务也不相同，不能把方向相反的结果拼成平均效应；后者的减速读数也因此可能只对已淘汰的工具版本成立，需要 2025 年下半年至 2026 年的成熟代码库复测。它们提供的不是“研发究竟快了还是慢了”的答案，而是任务结构与工具代际两个调节维度的线索：明确规范和即时反馈可以降低生成成本，庞大上下文、隐性约束、调试与维护却可能把时间转移到阅读输出和核验建议上。一项预印本的仓库层面双差分观察进一步显示，采纳智能体后速度增益出现在前期、随后衰减，而静态分析告警与认知复杂度的上升持续存在（Agarwal et al., 2026）；这是依赖平行趋势假设的观察性证据，结论停留在仓库级质量指标，不能写成个人生产率下降。科学代码还多一层要求，分析必须与数据来源、统计假设和结论边界相连，代码完成速度只是其中一项成本。
这种任务依赖性也解释了为什么单一软件实验不能代表科研生产率。基准分数同样不能：同一前沿模型在长时程企业任务上的通过率约为 23%，而在 SWE-bench Verified 上超过 70%（Deng et al., 2025，预印本）；该基准由 Scale AI 自建，存在利益相关争议，分数随模型与设置更新而变化，单一基准分数不能解释为端到端软件工程生产率。一个候选问题若被拆成“搜文献—画图—写脚本—跑模型—整理文字”，每一步都可能缩短，但端到端时间还包含等待设备、修正参数、补充数据、重做失败实验、查证文献和回应评审。只记录任务完成时间，会把调试、复核和维护移到统计时段之外；只记录生成代码行数，会奖励冗长实现。评价科研辅助工具时，至少要把输入准备、上下文搜集、运行测试、失败恢复、独立核验和返工纳入同一时间窗。否则，局部生产率越高，越可能在后段制造更长的校正队列。而这类测量本身正在变难：一项机构报告指出，在 AI 已普及的开发环境中，开发者拒绝无 AI 条件、任务自选，使无 AI 对照条件本身难以成立，可信测量与核验因此成为稀缺成本；该报告未经同行评审，作者自认其点估计是真实效应的很差代理，本章因此只引用其方法学结论，不引用具体数值（Becker et al., 2026，机构报告）。
自主实验把这种关系推进到物理行动。Coscientist 在受控化学环境中设计了部分实验、操作设备并分析结果，说明语言模型可以接入工具链完成受限任务，而这是 2023 年、GPT-4 级模型在受控平台上的证据（Boiko et al., 2023）。自主材料实验室在预设的计算筛选目标和自动化表征条件下运行，作者更正后的 57 个预定目标中有 36 个获得成功表征；该平台的搜索能力主要来自计算筛选形成的候选池与主动学习规划，对语言模型代际并不敏感，这组数字不宜读作模型能力证据（Szymanski et al., 2023）。这些收益进入流程的位置，是“方案—设备—表征—分析”的既定链条，而不是开放问题的形成。流程交接因而要记录候选来源、目标定义、设备约束和失败结果；若目标、评分函数与安全边界没有留下可审计记录，自动化只会缩短既定搜索。
设计、执行和分析之间还隔着一次关键交接。模型生成的方案可能遗漏对照，自动化设备可能执行不适用的参数，智能体也可能让数据管线运行却留下统计偏差。ScienceAgentBench 覆盖来自真实论文的受限数据任务，在其评测时点最佳智能体完成约三分之一，加入专家知识和有限重试后提升有限，且公开论文与历史代码带来污染风险（Chen et al., 2025）；这一比例是评测当时模型的历史读数，失败空间的量级随模型代际快速收缩，引用时须标注评测时间与所测模型。因此，流程验收应把代码测试、数据溯源、统计假设、异常处理和结果边界一起交给下一环节；单凭“脚本跑通”只能放行执行结果，不能放行科学结论。
从可运行结果到可审计表达
执行链的输出不会自动成为知识，它还要经过数据整理、图表制作、主张提炼和写作。语言模型可以辅助摘要生成、结构组织和局部改写，但文本可读性与事实链可靠性是不同指标。Kacena 等在三个主题上的小型比较研究观察到，AI 辅助缩短了初稿时间，却增加了事实核查密度，并出现引用错误（Kacena et al., 2024）。这项研究因样本和任务范围有限，其错误比例只作为当时工具的历史读数，不提供普遍错误率，却清楚显示了一种流程后果：初稿生成越快，主张、数据、图表和引文之间的交叉核对越不能被省略。表层流畅度也不足以判定可信：一项评测显示，深层报告中的流畅度与引用对齐会掩盖事实与推理缺陷，评测因而须自带工具核验能力（Avraham et al., 2026）；该评测是聚合基准任务，不等于真实研究流程效果，语料以英文开放网络为主，指标本身也是代理量，它不表示 AI 生成综述普遍失实，只说明表层质量指标不足以判定可信。
可审计表达的核心不是文风，而是主张能够回到证据。每一个定量结论应能追溯到数据或分析，每一个引文应能定位到支持它的原文段落，每一个图表应能由可识别版本的代码和输入生成。生成引用至少需要通过存在性、元数据和正文支持关系的三重核验，事实核验还要覆盖样本范围、条件限制和因果强度。落实到写作流程，这些核验结果应与主张一同保存，未完成对齐的句子退回分析或取证环节。文本可以由模型起草，证据链接和最终版本则成为进入同行评议前必须通过的流程关口。
AI 使用披露、作者资格和评审保密进入写作流程时，会形成不同范围的责任检查点。欧盟委员会的研究者操作指南建议披露用途、交叉核验生成内容并保护敏感信息；该指南属于会更新的操作建议（European Commission, 2026）。国际医学期刊编辑委员会（ICMJE）的医学出版建议明确要求披露 AI 辅助、拒绝把 AI 列为作者，并由作者承担核验责任（ICMJE, 2026）。Springer Nature 的现行出版政策规定了作者资格、生成式使用和评审保密边界，但其适用范围限于该出版集团（Springer Nature, 2026）。本段所说“AI 不得列为作者”的明确依据仅是 ICMJE 与 Springer Nature 的现行政策；一般科研诚信、作者责任和披露规范不承担这一具体命题。相应地，披露范围、作者责任和评审材料处理仍须服从具体学科、出版机构与法域。
进入同行评议后，写作输出又成为需要独立判断的对象。AI 评审可以检查格式与完整性，生成可操作的问题清单，或为评审者提供第二意见。大规模语料分析显示，AI 生成的评审与人类意见存在部分重叠，一部分用户认为这些输出有帮助，这一比例来自 GPT-4 级单一模型与提示条件下的用户主观评价（Liang et al., 2024）；摘要评审实验则发现，人类与 AI 对作者身份和质量判断存在差异，该读数以 2024 年发表时点所用的模型与实验材料为限（Shcherbiak et al., 2024）。在流程上，AI 意见因而适合进入可检查的建议队列，由评审者逐项决定采纳、修改或舍弃，而不是直接写入评分。
真实会议中的随机部署进一步显示了信息量与决定之间的落差：AI 反馈增加了一些评审信息量，却没有显著改变评分或接收决定（Thakkar et al., 2026）；该研究未注明所用模型版本，因而不能直接作为当前代读数。针对 2023 年代 Claude 2.0 这一旧代模型和 20 篇论文的实验还发现，生成意见可能浅薄、提出无关的引用要求，并能避开自动检测（Zhu et al., 2025）；当前代模型与检测器下的表现仍待复测。这两类结果共同作用于评审流程：模型建议需要经过来源核查、逐条采纳记录和评审者复核，编辑决定、利益冲突判断与评分责任则留在既有人工授权链内。
评审材料还可能包含未发表数据、作者身份、方法和审稿意见，把这些内容发送给外部模型，因而会在评审之前增加一道保密与数据处理关口。ICMJE 和 Springer Nature 的政策把评审保密限定在相应出版流程内，欧盟委员会指南把敏感信息保护列为 AI 使用要求（ICMJE, 2026; Springer Nature, 2026; European Commission, 2026）。在欧盟及欧洲经济区框架下，《通用数据保护条例》（GDPR）处理的是个人数据保护问题，具体适用取决于地域范围、处理角色、数据类别、处理依据和具体情境；科研豁免、匿名化、机构合同与跨境传输需分别核对（European Parliament and Council of the European Union, 2016）。此处引用 GDPR 只用于标明外部输入的流程边界，不构成对某次科研上传是否合法的判断。GDPR 也不承担 AI 系统的风险分级。欧盟《人工智能法案》（AI Act）是另一部适用对象和判断结构不同的法规，其义务须按相关主体的角色、系统风险类别及分阶段适用时间另行评估，不能与 GDPR 合并成一条全球上传规则。
技术风险使这道流程关口具有可测对象。Carlini 等在特定语言模型和攻击条件下证明，黑盒查询可以提取一部分训练文本（Carlini et al., 2021）。该结果不代表每个部署具有相同脆弱性，却提示外部输入前应检查训练语料暴露、输出记忆、认证与速率限制、数据的合法公开状态和机构审批。模型与提示版本、数据类别、审批依据和核验结果应进入同一审计记录；未发表稿件、敏感个人数据和保密评审材料则需先通过这道部署检查，再决定是否进入外部服务。
从局部收益到端到端可信增强
把前述环节连起来，才能看清“无效加速”的发生方式。检索排序减少低价值初筛，却因阈值不当漏掉关键研究；系统据此更快形成假设，错误却被推入实验；实验平台在封闭空间扩大搜索，失败目标与不确定表征增加后续分析负担；代码助手缩短局部实现，却在大型上下文中造成返工；写作模型减少初稿时间，却提高事实与引文核验密度；评审模型增加意见数量，却没有提高决定准确性。每一处都可能有真实增益，但若总体时间、可信产出和责任成本变差，局部提速只是把等待从工具界面转移到下一位研究者那里。截至本次检索的证据范围，已有单环节效果读数与任务、过程级的失败诊断，但尚无把各环节纳入同一时间与资源口径的全流程生产率因果估计；因此，现有证据不支持任何单一环节的速度比例代表全流程效果。
现有来源并未验证一个统一的科研生产率公式。基于活动链中的正反证据，本文提出一项尚待独立检验的端到端评价判准：局部提速只有纳入可比较的时间和资源口径，且没有降低召回、有效性、可复现性与责任可追溯性时，方可称为可信增强。这是规范性分析要求，不是由本章来源估计出的效应量、权重表或因果模型。落实这项判准，检索除处理记录数外还要报告召回、漏检类型和停止依据；选题还要看可执行性与实施后的知识增量；实验要看失败诊断、独立复现和边界条件；代码要看测试覆盖、假设透明度与返工；写作要看主张—证据对齐与引用支持；同行评议要看错误发现、决定一致性和长期稿件质量。各指标保持分列，用于定位收益和负担落在哪一环节，不合成为未经经验证的总分。
前述判准落实到人机分工：AI 扩展候选、排序材料、生成局部方案、起草代码和文本、提示异常、汇总反馈；研究者保留纳排标准、问题价值、实验安全、数据来源、统计假设、主张—证据映射、评分与编辑决定。“研究者在环”在这里产生实际的流程后果，即研究者能够拒绝、暂停、回退或要求重新取证，而非只在末端形式性确认。高风险环节还需保留版本、双人复核、独立测试和事件处置记录；模型输出只有在可复现、可定位来源并经受相应证据检验后，才进入下一阶段。
这种分工也把核验工作纳入端到端资源口径。研究者的时间并非无成本的最终保险，机构还需提供合规存储、模型访问、培训和审计支持。低资源学科与小型团队若缺少本地工具、算力或制度支持，可能承担更多复核时间；资源较充足的机构则可能更快完成验证。流程评价因而应记录核验总量由谁承担，以及各环节节省的时间是否又被后段返工抵消。Andersen 等的调查只显示采用与风险认知存在学科和职业差异，不能据此判断某种部署已经产生公平或因果效应。
科研全流程因此形成一组持续追问：候选从哪里来，漏掉了什么，谁确认了它值得做，实验在哪个空间内搜索，失败如何解释，代码在什么数据上运行，结论依赖哪些假设，引文支持什么主张，评审能发现什么，谁对决定和披露负责。按照本文提出、尚待独立检验的判准，局部加速只有在召回、可信性、可复现性、资源负担和责任结构均未被隐藏或转嫁时，才可在全流程意义上称为可信增强。这是评价要求，不是已经验证的统一生产率公式。现有证据最适合支持按任务和环节判断收益与负担；AI 如何进一步进入知识生产、团队协作、奖励和评价制度，则构成下一章转向科学学视角的理由。