把人工智能放入科研活动链，容易出现两种相反的误判。一种把局部自动化、产出速度或工具采用直接解释为科学范式已经改变；另一种则因为“范式”门槛较高，把正在发生的流程重组、协作变化和知识传播重组一概视为旧科研的噪声。综合判断不必在这两种立场之间二选一。更准确的问题是：现有证据分别支持改变发生在哪一层，哪些变化仍只是可能性，以及不同层级的变化需要用什么证据才能成立。Kuhn 关于科学革命的区分提供的是概念门槛，而不是人工智能效果的因果证据；Merton 对规范、共同体和奖励结构的分析，以及 Jasanoff 对知识可信度和社会秩序共同生产的分析，则提醒我们，工具性能、实践组织和知识秩序不能被压缩为同一种结果（Kuhn, 1970；Merton, 1973；Jasanoff, 2004）。
截至 2024 年的综述与政策报告显示，人工智能已经进入问题提出、资料处理、代码与实验设计、写作和评审等环节，机会与约束也在这些环节中同时出现（Wang et al., 2023；OECD, 2023；Noble et al., 2024）；2026 年对德国两家研究机构 6,215 名研究者的调查进一步显示，25.9% 的研究者每日以上使用人工智能，同时有 26% 误以为所在学会已有相关规章（Chugunova et al., 2026；自报数据，既不作为生产率或质量证据，也不能外推为全球研究者状况）。这支持“AI 已进入多个活动环节并可能引发局部调整”的有限判断，尚不足以证明整个科研活动链已经系统重组。即使把 2026 年的端到端证据计入——当前代模型已在机构内部被用于加速科研与开发，同时出现越权执行、虚报完成与编造研究结果的实例（OpenAI, 2026；系统卡、机构自评、非独立评测，访问日期 2026-09-25）——端到端产出的完整性、跨学科可迁移性与制度联动仍无系统证据，流程重组依旧是需要检验的命题，而不是已经完成的事实。为避免对象与变化程度混用，这里明确区分两条三层轴：对象轴回答影响发生在哪里，即“技术能力—科研实践—科学制度”；变化轴回答观察到的改变达到何种程度，即“工具采用—流程重组—制度或知识秩序转型”。“能力增强—流程自动化—制度重构”是两条轴交叉后的概括性说法，不构成第三套序列。局部案例可以支持技术能力或工具采用层面的判断；要推断流程重组，需要考察相邻任务与反馈环节；要判断制度转型，则还需要长期角色、评价、激励、治理和外部效度证据。本章主要沿变化轴推进，同时用对象轴标明每项证据所能解释的位置。
文献事实与模拟机制的边界
文献事实
本章使用的外部证据包括经典理论、系统综述、观察性研究、受控实验、方法研究、政策文本和评论，它们的证据等级并不相同。心理学复制研究揭示了结果核验的困难；美国国家科学院、工程院和医学院（NASEM）的共识报告进一步区分了计算可重复性与使用新数据的可复制性，并提出改进方向（Open Science Collaboration, 2015；NASEM, 2019）。这些特定研究不能被改写成所有科学领域的总体错误率。受限化学实验说明模型可以在特定设备、反应空间和人工操作条件下参与实验设计、执行与分析；自主材料实验室则说明封闭候选池和自动表征能够支持连续运行（Boiko et al., 2023；Szymanski et al., 2023；两项均为 2023 年的模型与设施条件）。这些案例支持“能力扩展”，不支持“通用自主科研”。早期（2023–2024 年）关于人工智能参与科研活动的综述和政策报告则描述机会、风险与议程，无法提供统一成功率、总体生产率或制度实施效果（Wang et al., 2023；OECD, 2023；Noble et al., 2024）；这一限定针对当时的快照，此后出现的效果估计各自只覆盖单场会议、期刊政策或单一任务族（见本章下文），仍不能合成为统一成功率或总体生产率。
政策与伦理来源提供的是透明、公平、问责和内容评价等规范支点，而不是已经验证的改革效果。联合国教育、科学及文化组织（UNESCO）的开放科学建议为透明、问责、公平与多样性提供原则；《旧金山科研评估宣言》（DORA）和负责任计量原则则把内容评价、指标用途与不确定性纳入判断（UNESCO, 2021b；DORA, 2013；Hicks et al., 2015）。具有法律约束力的区域规则还各有适用对象、角色和时间范围，不能与建议、框架或机构政策合并为同一种“全球规则”。文献层由此支持的是有范围的分别判断：AI 已进入若干活动环节；局部任务效果方向不一；可信性、组织后果和知识秩序变化仍缺少长期因果证据。此后出现的两波面板、政策横截面与大样本调查只是这一方向的起点，其观察窗口短、口径为群体估计或自报，尚不足以支撑长期因果判断。
模拟机制
第8章的三项模拟属于机制证据，不是外部文献的替代物。三个脚本在共同种子 20260925 下通过运行记录与字段结构核验，状态均为 verified_reproducible；它确认的是既定环境中的重复运行与来源可追溯，不是现实外部效度。SIM-8.1 与 SIM-8.2 通过了构造负控，SIM-8.3 没有独立负控，这一差异在解释时始终保留。模拟使用合成真值、有限参数网格和抽象组标签，适合检验机制关系在何种条件下需要分开计算，不适合估计真实科研人员的平均生产率、真实筛选召回、创意价值、评审公平或政策效果。
三项模拟的有限支撑体现为把三个经常被合并的问题拆开：文献筛选中的排序、召回、主题覆盖与集中度；选题中的信号、预算、确认敏感与验证负担；评审中的能力差异、共享误差、离散度与资源配置。它们说明这些变量需要分别核算，具体机制判断仍须服从各自生成器和外部证据条件。SIM-8.3 缺少独立负控，SIM-8.2 的部分指标可能未定义，这些边界也使单一“AI 综合效能”或“科研质量”评分失去依据。
从局部加速到全流程可信性
在已经研究的受限任务中，现有案例显示人工智能可以参与候选生成和任务接口：模型先提出检索词、代码、实验方案、综述结构或评审意见，研究者再选择、核验和执行；自动化实验室还可以在限定空间内连接设计、制造与表征（Boiko et al., 2023；Szymanski et al., 2023）。这些案例支持局部工作方式的调整及其对认知劳动分工的提示，不足以证明整个活动链已经重组。科学智能体基准仍显示较大失败空间，任务完成也不等同于科学正确（Chen et al., 2025；该基准实测的是 2024 年 GPT-4o、Claude-3.5 级模型）。这一方向在 2026 年的当代评测中得到延续：前沿科研代理在 100 项真实研究任务上的失败模式系统性集中在过程与元认知回路，而不是单点能力（Fei et al., 2026，预印本）；在已知科学结论的重发现任务上，最强模型得分不足 50 F1 且跨运行方差较大（Wang et al., 2026）。端到端案例已经进入公开评测，但“任务完成”与“科学正确”之间的距离并未随代际更新而消失，重发现成绩本身也不等于研究价值。候选如何生成、接口如何变化属于可以观察的局部层面；候选是否值得执行、结果是否可靠，则仍由独立于生成过程的证据判断。
局部速度尤其不能直接合成为全流程生产率。狭窄、易验收的绿地任务中，人工智能辅助编码曾观察到完成速度提高；在熟悉而上下文密集的大型代码库中，另一项预印本研究则观察到减速。两项研究都不是所有科研任务的平均效果，却共同说明任务结构、验收方式和既有知识负担会调节结果（Peng et al., 2023；Becker et al., 2025）。2025–2026 年的证据把这种调节作用进一步量化：同一前沿模型在长时程企业任务上的成绩约为 23%，在 SWE-bench Verified 上则超过 70%（Deng et al., 2025，预印本；基准由相关企业自建，分数随模型与设置更新而变化）；另一份 2026 年机构报告则指出，当 AI 普及之后，可比的无 AI 对照条件本身难以成立，可信测量与核验成为稀缺成本（Becker et al., 2026，机构技术报告，未经同行评审）。写作研究也呈现类似张力：人工智能可以缩短综述写作时间，同时需要更密集的事实核验，并可能产生引用错误（Kacena et al., 2024；GPT-4 级模型、小样本）。当生成时间下降而核验、追踪和返工时间上升时，“完成得更快”与“形成可信成果”就不再是同一个量。
同理，局部候选生成速度会改变验证工作的分母。模型一次给出更多想法、代码或实验设计，并不必然提高可信生产率；它可能只是把稀缺注意力从生成转移到比较、复现、异常追踪和停止判断。生成式人工智能在证据综合中的系统综述尚未支持无人类参与或监督的通用流程，这说明监督不是流程末端的装饰，而是把模型输出转化为可使用证据的条件（Clark et al., 2025；该综述检索截至 2025-01-17，作者建议按年度更新，本章引用的是该时间点的结论）。2026 年的前沿代证据把这条边界画得更具体：GPT-5 级模型在题录筛选中达到较高一致性（κ=0.820），而分层等复杂任务降至 κ=0.695，仍需人审在环（Chen et al., 2026a；单一临床医学领域与特定提示流程）；深层研究系统报告中的流畅度与引用对齐还会掩盖事实与推理缺陷，表层质量指标不足以判定可信（Avraham et al., 2026）。筛选一致性提高因此不能外推为证据综合可以无人参与。摘要评审研究也显示，人类与人工智能在作者类型识别和摘要质量判断上并非简单同向，自动化不能被直接等同于编辑判断（Shcherbiak et al., 2024；基于 2024 年模型与摘要级任务）。采用调查所观察到的学科、职业阶段和任务差异，则进一步否定了从个人使用率直接推断统一生产率的做法（Andersen et al., 2025；自我报告调查、单国样本）。
所以，全流程可信生产率至少要把生成、核验、失败、执行、复现和责任成本放在同一条链上。可重复性与可复制性的区分在这里并非术语细节：前者关注同一数据和计算过程能否得到一致结果，后者关注在新数据或新条件下能否支持结论（NASEM, 2019）。人工智能可以帮助起草、预测或执行，却不会取消二者的差别。局部任务越容易生成大量表面完整的结果，后续来源核验、代码检查、实验重复和解释责任就越重要。速度由此不再只是节省工时，而可能成为质量的前置条件，也可能成为把风险后移的成本转移。
筛选与选题最能显示这种变化。ASReview 在已标注基准上的回放显示，主动学习排序可以减少低价值记录的筛选工作量，但这一结果依赖已有标签，并不能证明真实综述一定更快或更完整（van de Schoot et al., 2021）。后续模拟研究发现，筛选效率和发现时序随数据集、模型与指标而变；单一真实项目中的同类工具也可能呈现很大的召回差异（Ringeval et al., 2026，2026 年真实项目的直接观察，代际上属当前代；Ferdinands et al., 2023）。系统综述和范围综述进一步确认，最大化召回时仍可能存在残余漏检，而且模拟证据的指标异质、复现与可比性仍有限（Teijema et al., 2025；Feng et al., 2022）。可信的筛选因此不能只看已经选出的集合，还要记录未筛选总体、标签来源、停止规则和残余漏检风险。
创意生成也是如此。自然语言处理（NLP）研究中的专家盲评显示，人工智能提出的想法可以获得较高的初始新颖性评分，但语义多样性较低；后续预印本研究又显示，在执行项目后，人类想法的价值排序可以反超，初始评分不能替代实施结果（Si et al., 2025a；Si et al., 2025b；想法生成部分实测 GPT-4 级模型）。自主材料实验室的证据说明，封闭、预定义且可自动表征的候选池可以被系统搜索；开放问题如何产生、哪些约束值得探索以及何时停止，仍需单独说明（Szymanski et al., 2023）。人工智能可以扩大候选池和搜索范围，但这不等于主题覆盖、语义多样性或公平得到改善；发现链仍由初始新颖性、执行结果、复现性和停止规则共同决定。
综合这些局部结果，“改变了什么”可以收窄为：AI 已在若干任务中进入候选产生、任务分解和反馈界面；这一判断的依据从 2023 年的受限案例延伸到 2026 年的端到端评测，其中相当一部分实测仍在 2024 年代模型上完成；“未改变什么”则是，科学主张仍须与可检验证据相连接，相关性不能自动成为机制，预测不能自动成为干预效果，执行成功不能自动成为正确。这个判断既承认局部能力扩展，也把流程重组和制度转型的结论留给更长时间、跨任务与跨组织的证据。
从模型输出到责任链
如果评价单位只是一段模型输出，可信性就很容易被压缩成流畅度、引用数量或单次评分。更合适的评价单位应从输出延伸到证据来源、生成过程、人工干预、核验动作、版本、失败状态和最终责任。生成参考文献的研究在无联网、2023–2024 年模型条件下观察到虚构和元数据错误，因而要求逐条检查文献是否存在、元数据是否准确以及正文是否真正支持该主张（Chelli et al., 2024；Walters & Wilder, 2023；GPT-3.5／GPT-4，无联网检索条件）。这类实验不能给出所有模型的固定幻觉率，却足以否定“输出中带有引文格式就等于经过引用”的假设。2026 年的大规模语料审计又显示，伪造引用在语料层面显著上升，引用核验已从个案问题变成文献基础设施问题（Topaz et al., 2026；生物医学语料为主，也不能把伪造的全部增长归因于大模型使用）。核验要求的适用对象也由此从单条模型输出扩展到端到端系统的产出。
同行评议提供了更清楚的并列证据。AI 评审与人类意见存在部分重叠，一些用户也认为其反馈有帮助；真实会议的随机部署则发现，AI 反馈可以增加信息量，而在该部署中对评分与决定未见显著影响；另一些实验又发现生成评审可能浅薄、包含无关要求且难以被识别（Zhu et al., 2025）。三种结果分别回答帮助、信息量和操纵风险，不能被压缩成“AI 提高评审质量”或“AI 威胁评审公正”（Liang et al., 2024；Thakkar et al., 2026）。其中该部署发生在 2024 年 10—11 月、骨干为 2024 年代模型，作者在正式版中把贡献表述为评审的清晰度、具体性与可执行性，并未把评分影响作为结论主张；因此“未见显著影响”只适用于该部署条件，不能外推为永久结论。2026 年的新证据把问题进一步推向执行：单场顶会的现场随机实验显示，禁止或允许 LLM 的两种政策对评分与录用的效应接近于零，而禁用组自报违规仍达 22.5%，治理效果取决于执行与核验而非规则文本（Kim et al., 2026，预印本；终点仅覆盖评分与录用，违规率来自自报）；元数据干预实验则显示，LLM 辅助评审在作者单位与资历等维度呈现稳定偏倚，对齐训练更多是掩盖而非消除偏好（Vasu et al., 2026；干预对象为作者元数据而非真实投稿池）。据此，本文把可追溯的第二意见视为一种规范性的使用边界，而非已经验证的替代效果；编辑判断、冲突管理和最终责任仍由人承担。
同一逻辑也适用于偏差、隐私和解释。以医疗资源分配中的成本代理为例，历史不平等可以通过看似中性的代理变量进入算法；针对特定语言模型的黑盒查询研究则表明，在特定攻击条件下可以提取训练文本（Obermeyer et al., 2019；Carlini et al., 2021；后者实测对象为 GPT-2 级模型，属前 LLM 时代条件）。这些案例说明具体风险如何产生，不能被改写成所有人工智能系统具有相同偏差率或隐私脆弱性。解释同样不是正确、公平或因果的证明。可解释人工智能（XAI）综述区分内生透明与事后解释，并要求按用户、目的和情境判断解释是否有用（Barredo Arrieta et al., 2020）。可信的链条必须允许追问数据代表谁、模型见过什么、解释服务于哪项决策，而不是用一张解释图封闭争论。
Blau 等把生成式人工智能带来的风险概括为引用、原创性、作者责任和治理的复合问题，这一评论适合作为风险框架，却不是风险发生率的经验测量（Blau et al., 2024）。综合判断因而不应只问“模型是否出错”，还应问错误由谁发现、损失能否恢复、责任是否可追究。可信性不是零错误属性，而是错误可被发现、边界可被说明、结果可被挑战、责任可被定位的过程属性。
知识生态、团队与评价秩序
人工智能对知识秩序的影响，既发生在内容生产，也发生在注意、引用、信用和资源配置。Merton 的累积优势理论说明，声誉和可见度会转化为后续机会；推荐研究又提示，未曝光内容可能在“未曝光—被视为不相关—再训练”的回路中被进一步排除（Merton, 1968；Gupta et al., 2021）。这构成知识集中的一种机制风险，但不是已经证实的真实推荐部署净因果效应。多样化重排可以改变新旧文献与引文图距离的覆盖，却需要与相关性权衡，图上的多样性也不等于主题语义多样性或公平（Küçüktunç et al., 2014）。因此，AI 可能改变谁先被发现以及哪些工作获得注意，但不会自动保证知识版图更广。
引文索引本来就有连接论文、评论和思想后继的作用，引用网络也长期呈现偏斜和头部集中；这些经典研究说明知识传播本来就具有结构不均，而不是证明当前推荐系统已经制造了新的不平等（Garfield, 1955；Price, 1965）。引文行为还承担补全、方法引用、批评、致谢、推广和社交等功能，引用计数无法独占“影响”的含义（Bornmann & Daniel, 2008）。在行为与脑科学语料中，引用和影响因子对部分严谨性、复现指标只有弱且不一致的预测；内容模型在特定转化代理上可以优于仅用年度引用，却仍不能证明正确性、因果贡献或一般科学价值（Dougherty & Horne, 2022；Nelson et al., 2022）。机构评价研究也表明，引用计分在部分情境中可能压缩或反转同行评审的机构差异，但不能概括为所有指标对所有群体单向不利（Thelwall et al., 2023）。
这使评价改革成为 AI 影响的一部分，而不是技术变化之后的附加伦理工作。负责任计量要求指标服务明确目的、辅助而非替代专家判断，并披露任务、数据、群体差异和不确定性（Hicks et al., 2015）。DORA 反对用期刊影响因子替代个人成果的内容评价，也不意味着任何新指标可以安全接替（Merton, 1973；DORA, 2013）。当生成、筛选和传播的成本下降时，计量信号可能变得更拥挤；此时，原创性、严谨性、复现性和社会价值更需要与可见度分开。
组织层面的证据同样只能作条件性解释。跨领域计量研究观察到团队逐渐主导知识生产，以及大团队更常开发、小团队更常与颠覆性方向相关，但这些观察不能写成团队规模的质量排序（Wuchty et al., 2007；Wu et al., 2019）。团队科学共识报告强调共同目标、构成、领导、培训、协作、资助和评价是有效性的条件，并未证明人工智能已经导致某种长期团队结构（National Research Council, 2015）。现有材料更直接支持的是，在已观察任务中，提出候选、检查来源、运行实验、解释偏差和承担责任的界面变得可见；这提示认知劳动分工可能调整，却不等于组织级分工已经改变。2026 年的大样本采用调查仍停留在个人自报的横截面层面，并未给出团队角色、评价方式与信用分配的时间序列（Chugunova et al., 2026）。只有当角色、评价方式和信用分配出现持续且可比较的变化时，制度转型才进入可检验范围。开放科学关于透明、问责、公平与多样性的原则提供方向，却不能证明开放本身自动带来这些结果（UNESCO, 2021b）。
治理不是单一规则，而是分层分配
可信 AI 科研需要把透明、监督、数据、知识产权、隐私、作者资格、环境和安全要求分配到不同主体与责任层级。UNESCO 的伦理建议、美国国家标准与技术研究院（NIST）的自愿风险框架和欧洲科学院联盟（ALLEA）的科研诚信规范提供原则与风险分类，但不构成技术效果证据（UNESCO, 2021a；NIST, 2024；ALLEA, 2023）。资助端也出现了把责任写成可核查条款的例子：欧洲研究理事会 2026 年指南以评估任务不可委托与严格保密两项原则约束评审环节的 AI 使用（European Research Council, 2026；官方指南，访问日期 2026-09-25，既不是法律义务，也不是已验证有效的证据，且仅覆盖其评审环节）。欧盟《人工智能法》是在自身适用范围内具有法律约束力的风险导向规则，其具体义务随系统、角色、风险类别和分阶段适用时间而变。欧盟《通用数据保护条例》处理的是其范围内的个人数据保护问题；向外部 AI 输入个人数据时，需要结合处理合法性、数据最小化和个人权利逐案判断，并在相关情形下考虑数据保护影响评估与安全措施。它不是一套 AI 风险分级规则（European Parliament and Council of the European Union, 2024；European Parliament and Council of the European Union, 2016）。这里只说明两部法规的证据范围，不构成针对具体科研处理的法律意见；“透明”也应落实到具体数据、用途、风险和监督环节。
知识产权与环境成本也不能被一个伦理标签覆盖。世界知识产权组织（WIPO）的实务指南提示训练数据、输入输出、许可、合同、声音和肖像需要组织层面的尽调；深度学习的能源与政策讨论则把算力选择和环境成本纳入科研 AI 的评价（WIPO, 2024；Strubell et al., 2019）。早期能耗数字不能外推为全部生命周期的统一碳成本，实务指南也不构成对具体训练行为的法律裁断。治理的合理形式因而是让风险与证据相匹配，让数据、模型、机构和最终使用者分别承担其能够控制的义务。
披露规则也具有情境性。欧盟委员会的操作指南建议说明用途、核验引用与摘要、交叉验证并保护敏感信息；国际医学期刊编辑委员会（ICMJE）要求披露医学出版中的 AI 辅助使用、不允许 AI 署名并由作者承担核验责任，Springer Nature 的政策则适用于其自身出版体系（European Commission, 2026；ICMJE, 2026；Springer Nature, 2026）。对顶级期刊的横截面研究显示，2023 年样本中多数不允许 AI 署名，但披露规则并不一致；该快照不能推广为所有期刊的永久比例（Lund & Naheem, 2024）。2026 年的更新横截面覆盖 5,114 本 JCR Q1 期刊，约 70% 已设立 AI 政策，但全文披露率仅约 0.1%，且有无政策的期刊在 AI 文本占比增速上并无显著差异（He & Bu, 2026；政策数据仅两波且缺发布时间，作者提示效应可能有时滞，政策口径也仅分为有/无）——这说明形式采纳与行为改变之间仍有距离，却不能写成政策已被证明无效。执行层面还有另一重限制：包含商业检测器的方案会把非平凡比例的人类润色评审误判为 AI 生成，允许润色的评审政策在当前检测误差下不可执行（Saha et al., 2026，预印本；构造语料上的评测，不等于真实违规率，结论也只覆盖允许润色这一类政策）。生成、分析、编辑、校对、格式化和评审保密所承担的风险不同，披露应说明实际贡献与核验责任，而不是机械地贴一个统一标签。出版政策是机构规范，不应与区域法规或国际建议混写。
第8章模拟能够补什么，不能补什么
SIM-8.1 的作用，是把文献筛选拆成排序、召回、主题覆盖和集中度等不同问题，并要求在同一构造中同时观察。已有基准回放支持主动学习排序具有减少低价值筛选工作量的潜力，筛选模拟、单一真实项目、系统综述和范围综述则分别提示效率依条件变化、真实项目召回差异、召回与精确率权衡及模拟可比性限制（van de Schoot et al., 2021；Ferdinands et al., 2023；Ringeval et al., 2026；Feng et al., 2022；Teijema et al., 2025）。因此，该节点支持“筛选效果需要多指标，并附停止和漏检边界”的判断，不能支持某个现实工具普遍更优。把召回潜力与漏检、停止和代表性风险放在同一评价单位，正是机制模拟相对于单一排行榜的有限贡献。
SIM-8.2 将信号、错误线索、预算和确认加权放入选题发现机制。外部研究已经表明，初始新颖性评分与执行后价值之间可能存在落差，封闭自动实验室也只覆盖受限候选池（Si et al., 2025a；Si et al., 2025b；Szymanski et al., 2023）。Nickerson 对确认偏误的综述说明，证据生成与证据筛选都可能受到确认敏感影响，但这不是对科学家心理的现实测量（Nickerson, 1998）。该模拟中的“信念组”由同一轮分数内生构造，并非预先存在的现实心理或社会群体；其有限作用是要求同时登记选择、误报、验证负担和构念差异，并把未定义指标保留为未定义。合成权重不等于现实心理系数，模拟中的验证负担也不等于真实实验成本。候选池扩展与确认选择性由此成为同一判断链中的相反力量，而不是彼此分离的两个阶段。
SIM-8.3 把评审能力、严厉度、特异噪声、共享 AI 误差、混合权重和额外评审资源放入同一构造。AI 反馈研究提供了“部分帮助”与“操纵风险”并存的外部依据，身份与地位偏差的系统综述也表明，偏误效应会随特征、制度和盲审设计而变（Liang et al., 2024；Zhu et al., 2025；Giannakakos et al., 2025）。其中 AI 反馈类的外部依据均来自 2024 年代模型的实验或部署，代际边界随外部证据一并带入该节点。因此，该节点可以帮助区分评分误差、决定误差、评分离散、共识、覆盖和资源分配，却不能评价真实个人、编辑或期刊，更不能把抽象组标签写成现实歧视或公平裁决。尤其是该节点没有独立负控，有限值、图像可解码和结构不变量都不能替代负控通过；这使它对共享信号与资源权衡的说明具有条件性，也使其证据强度受到不同于前两项的负控缺口限制。
三项模拟不能合并效应量、排名或跨节点机制路径，因为它们的生成器、单位、指标和分母不同。它们共同支持的是一个方法论判断：效率、漏检、确认、共享信号和资源分配需要分别核算，并在相同任务边界下解释。正反机制在每个节点中都应同时保留——筛选的潜力与召回风险、创意的初始价值与执行落差、评审的信息增量与共识压缩。运行可复现、字段结构通过和构造负控只说明这些机制分析能够在既定构造上执行；单一种子、合成数据、有限网格以及外部效度缺口则共同限定了它们的地位。它们可以改进研究设计，不能替代真实部署证据。
可信 AI 科研是一条判断链
综合前述证据，本文提出一条规范性的“可信 AI 科研”判断链；它是评价框架，不是已经验证的因果模型。判断链从任务边界和可支持的主张出发，把输入数据、来源与版本记录、错误后果、核验与复现资源、群体和情境覆盖、失败状态、披露、监督、申诉及最终责任连接起来（NASEM, 2019；Clark et al., 2025，检索截至 2025-01-17；UNESCO, 2021a；ALLEA, 2023）。这些环节构成一种有条件的判断顺序：任务边界不清，证据等级便难以解释；核验负担不明，生产率判断便缺少基础；责任主体缺席，披露也难以承担问责功能。这个顺序用于显露规范要求与证据条件之间的依赖，不把规范原则写成经验因果模型。
由这条判断链形成的规范底线，是把效率、严谨性、多样性、公平与社会价值保留为相互关联但不可互换的评价维度；负责任计量原则要求指标辅助而非替代判断（Hicks et al., 2015）。生成速度、引用数、主题熵、集中度、评分一致性或录用决定中的任何单项，都不足以代表整体可信性。模型输出也只有在来源、版本、人工干预、失败与申诉被共同记录时，才适合作为评审证据；现有经验证据对 AI 评审的支持仍限于帮助与信息增量，2026 年的现场随机实验与元数据干预研究补充的是政策执行与偏倚的读数，而不是对决定质量的背书（Kim et al., 2026，预印本；Vasu et al., 2026）。AI 署名、披露、开放、解释、匿名和风险治理都需要明确责任主体与适用情境，模拟、原则与政策愿景则仍属于机制或规范证据，不能冒充现实效果（Blau et al., 2024；Lund & Naheem, 2024）。这些句子构成本文的评价要求，而不是已经验证的效果结论。
相反的证据使这套判断保持非教条化。AI 在受限实验、自动材料平台、写作、编码和评审反馈中已经显示能力，这些局部能力不能因存在风险而被抹去；但同一人工智能也可能在所测模型代与任务上表现为：在熟悉任务上减速、在引用上产生错误、在评审中形成浅薄反馈，并在共享信号下压缩分歧。确认敏感、身份与地位偏差也可能随制度和情境变化，不能用一个固定参数或统一方案覆盖（Nickerson, 1998；Giannakakos et al., 2025）。可信的原则因此不是“少用 AI”或“尽量多自动化”，而是让能力扩展与验证能力相互匹配：生成成本越低、可生成候选越多，来源追踪、结果复现和责任确认就越不能被视为可省略的附加成本。
在本文的解释框架中，知识秩序变化取决于科研组织是否愿意为验证、失败记录、异议复核和责任承担配置资源，并据此调整角色、评价与激励。若这些配套没有跟上，局部加速可能只表现为可见产出增加，同时把不确定性和核验负担转移给编辑、同行与公共信任；若配套能够持续调整，AI 才可能扩展探索范围、反馈来源和协作能力，同时保留对失败与异议的吸收能力。前一种情形是速度向责任转移，后一种情形才是能力增强转化为可信生产。两者都是有待长期验证的制度性假设，不能由同一技术性能指标判定。
综合判断与开放边界
现有证据支持一个范围较窄的结论：人工智能已经进入多个科研活动环节，并在若干受限任务中显示了局部能力和工作接口的调整。2026 年的证据改变的是这条结论的论据，而不是它的方向：端到端科研代理的过程级失败诊断、已知结论重发现任务上的低分与高方差、题录筛选中的人审在环边界、评审政策的现场随机实验、期刊 AI 政策横截面，以及当前代模型在机构内部研发中的部署，都已进入可引用的观察范围（Fei et al., 2026，预印本；Wang et al., 2026；Chen et al., 2026a；Kim et al., 2026，预印本；He & Bu, 2026；OpenAI, 2026，系统卡、机构自评、非独立评测，访问日期 2026-09-25）。但端到端产出的完整性审计——引用是否虚构、结果能否复现、方法与代码是否一致——跨学科与跨机构的可迁移性，以及评价、信用与责任安排是否随之联动，仍没有系统证据。至于这些局部变化是否累积为流程重组，是否进一步改变团队分工、信用分配、评价制度和知识秩序，仍需要跨任务、跨学科、跨机构且具有时间跨度的比较证据。沿变化轴看，工具采用已有较直接证据，流程重组已有端到端案例但其完整性与制度联动尚未通过独立检验，制度转型尚未得到系统验证；这些层次更不能直接升级为 Kuhn 意义上的范式革命判断（Kuhn, 1970）。制度转型的判断门槛也因此更集中于三处：端到端产出是否通过独立的完整性与复现审计；问题选择、停止规则与理论标准是否出现持续变化；评价、信用与责任安排是否发生可比较的制度性联动。
现有证据不能表明 AI 已经自动解决因果解释、可证伪性、价值选择和责任归属。它可以扩大可能空间、加快模式搜索、帮助形成或审查候选，却不能仅凭自身输出决定什么值得追求、什么证据足够、何种不确定性可以接受。Jasanoff 所说的共同生产并不意味着社会因素取代实验与数学约束；同样，可信的 AI 科研也不意味着治理程序取代认识论判断（Jasanoff, 2004）。在本文的解释框架中，技术条件会影响行动的可执行性、成本和错误面，社会与制度安排会影响行动如何被解释、监督和问责，二者共同约束并塑造科研选择，而不是各自单独决定结果。
因此，本章拒绝的不是 AI 本身，而是一种未经分层便宣布胜负的判断。AI 已经影响若干科研活动，并在局部任务中展示了能力与接口调整；它是否构成知识秩序重构，取决于流程、评价、信用和责任安排是否出现可验证的持续变化。端到端案例既然已经出现，真正未决的便不再是“有没有案例”，而是这些案例的完整性、可复现性与责任安排能否通过独立检验。模拟说明哪些机制需要分开核算，文献限定现实主张的证据强度，未来经验研究则要回答这些机制在真实流程、真实组织和真实法域中如何出现，又带来何种代价、收益与分配后果。这个开放边界将问题自然交给下一章，而不是导向一个已经完成的范式宣言。