科学网—未来的文章是写给谁看的？AI时代的知识生产困局
精选
已有 218 次阅读
2026-7-7 21:28
| 个人分类: 学术生态 | 系统分类: 科研笔记
一个研二学生，凌晨一点，面对空白的Word文档。明天是开题报告截止日，综述一字未动。他打开DeepSeek，输入：“帮我写一篇关于图神经网络在药物发现中应用的文献综述，中英文文献各50篇，按方法分类，附参考文献列表。”三十秒后，一篇格式工整、引用齐全、英文摘要语法完美的综述出现在屏幕上。他稍作润色，调整顺序，提交。导师打了85分。他顺利开题。
但有一个问题：这篇综述，除了他自己，之后几乎没人会读。
导师当然会读，因为需要打分。但他读得痛苦——文章看起来无懈可击，逻辑流畅、格式规范、文献齐全。可直觉告诉他哪里不对：文字太顺滑，结构太标准，判断句太少。过去，导师能从“写得好不好”推断“想得透不透”；现在，这个信号彻底失灵了。
同行不会引用它，因为它只是在罗列已发表的工作，没提供任何新理解。学生自己呢？他或许读了，用它快速构建了对领域的认知地图，至少在答辩中复述了一遍，这其实已经很不错了，在我看来也是AI辅助学习的理想场景。他能讲述这份综述，说明已把它当成了自己的认知工具，就像一本AI为他定制的教科书——那是写给自己看的，不为世界提供增量。
现在一个更深层的问题浮出水面：我们的教育系统从未区分“写给自己看”和“写给别人看”。它用同一套标准打分、同一格式归档、同一仪式命名为“论文”。当两种性质完全不同的写作被塞进同一个评价框架，错配便不可避免。
我这里显然不是要讲一个学生偷懒的故事。这个故事，是想说我们整个知识生产体系，正经历一场从底层开始的地震。
一、论文的三个历史前提，正在同时瓦解 要找到震源，先问一个更基本的问题：过去两百年，论文为什么有价值？肯定不是因为“真理必须用PDF格式呈现”——这显然是荒谬的。论文有价值，是因为它同时满足了三个历史条件：
第一，信息稀缺。 一个人读200篇论文，把关键发现浓缩成20页，这事本身就有价值。读者不必再读那200篇文献。综述论文的原始价值主张，至少有一个重要方面是：我帮你读了，替你省时间。
第二，传播成本高。 印刷、邮寄、图书馆上架——知识的传播需要物理载体。论文必须是一篇结构完整的线性文本，很大程度上是因为纸张和邮寄决定了它必须长这样。你不可能把200篇论文的知识图谱寄出去，但你可以寄一本期刊。
第三，信任需要信号。 当读者无法直接验证你的思考过程时，写得好就成了想得透的代名词。一篇论证严密、文献扎实的论文，让人相信作者真的理解了问题。
这三个条件，在今天 同时瓦解 了。
信息不再稀缺——大模型三十秒内能读完200篇论文摘要，按方法、年份、性能分类制表。传播成本趋近于零——你无需把知识压缩成PDF寄出去，可以直接分享可交互的知识图谱。信任信号被污染——当任何人都能用AI生成一篇看起来很专业的论文时，写得好不再意味着想得透，只意味着提示词写得好。
这看似是工具升级，也可能是认知地基的塌方。
二、DIKW金字塔上的塌方：信息层通货紧缩 塌方发生在哪一层？信息科学中的经典框架——DIKW金字塔——提供了一个清晰的解剖视角：
数据（Data）：原始观测，如实验数字、论文PDF文本，本身不产生价值。
信息（Information）：经加工、有了上下文的内容，如“过去五年GNN方法在DUD-E数据集上的平均AUC提升了12%”。
知识（Knowledge）：信息结合前因后果，与已有认知碰撞后形成的体系。能解释方法优劣，预判方向，指出“这篇论文虽引用高但方法论有根本缺陷”。
智慧（Wisdom）：加入人文思考与价值判断后，能指导行动和改造世界的认知，如“这个方向不该再投入资源，因其假设在伦理上有问题”。
关键问题：大语言模型在哪一层最强大？
答案： 数据与信息层。 AI能瞬间读完人类需数月才能读完的文献量，可在任意维度对信息分类、汇总、对比。它生成的综述，在信息层质量上已超过大部分人类——更全面、更少遗漏、格式更规范。
这也意味着： 在AI时代，一个只停留在“信息层”的学术产出，对外部读者的交换价值趋近于零。 因为你能零成本生成的东西，别人也能。你的AI综述可能比我的好一点，但这不是质量问题，是经济学问题：当一种商品的供给可以无限趋近于零成本时，它就不再具有交换价值。不管多精美，这就是信息商品的通缩。
过去，研究生花三个月读完100篇文献并整理出来，这件事本身就有交换价值，因为劳动是稀缺的。现在，这件事不稀缺了：三十秒、免费。于是，整个学术金字塔在信息层发生了塌方。那些赖在信息层上的知识产品——罗列型综述、描述性开题报告、以整理前人工作为唯一贡献的论文，对读者而言，全部被卷入通货紧缩的漩涡。
但这引出了一个更根本的问题：这些描述性、非原创的文章，如果不再有外部读者，它们还有存在的意义吗？
有。但不是给别人看的。
未来，这类文章的功能是 为自己服务 的。大模型就是最大的综述库，它不需要人类替它压缩信息，但你仍需要一份 为自己量身定制的认知地图 。你可以让AI生成一篇最贴合你个人视角和知识背景的综述，覆盖你最关心的问题，帮你快速对齐陌生领域的认知。然后，在这个基础上，你提出真正原创的问题。
也就是说，文章的功能已经彻底变了。 以前，描述性文章的价值是给别人看的，我花了三个月帮你省时间。现在和未来，它的价值首先是给自己看的，我借AI生成的文本帮自己理清思路，为下一步的创新做准备。
这好比思维导图。你画思维导图，是为了自己整理和复习。你不会去读别人画的思维导图，因为那是别人的认知路径，脱离了他的上下文，你看了只会增加认知负担。未来的描述性文章，就是思维导图的升级版——一个由AI辅助生成、为自己而写的认知工具。
这本身没有问题。但问题出在： 我们还在用评价“写给别人的文章”的标准，来评价这些“写给自己看”的认知工具。
三、金字塔的上半部分没有塌：知识与智慧的壁垒 如果纯信息层文章的功能变了，那“写给世界看”的写作就消亡了吗？恰恰相反。金字塔的上半部分——知识与智慧，不但没有塌，反而变得更稀缺、更值钱了。因为AI在“信息→知识”这一步，目前走不通。不是因为信息不够多，而是因为 知识不是信息的简单堆积。
让我们回到那个研究生的例子。他让AI生成的综述，信息层质量可能很高：文献覆盖全面，分类工整，引用规范。但它无法回答以下问题：
这个领域里，哪些主流方法其实建立在有问题的假设上？
哪条技术路线三年前很热，但现在看基本走死了？
那篇引用量最高的论文，为什么实际工程中几乎没人用？
如果我是一个新入门者，最不该踩的坑是什么？
这些问题的答案，不在任何论文的摘要里。它们来自一个人长期浸泡在领域里形成的 品味 与 判断力 ：知道什么是真正重要的，什么只是看起来重要；什么是真正的突破，什么是新瓶装旧酒。
大语言模型的训练数据是现有论文的文本，但“判断力”却不存在于这些文本中。它存在于资深学者的大脑里，存在于实验室走廊的非正式对话中，存在于“我们试过了，调不出来”的失败记录里，存在于审稿人拒稿意见中写下的“这个假设从根本上就不成立”。这些，AI目前读不到。即使读到，也未必能将其提炼为一种判断框架。
于是我们看到了一幅清晰的画面：金字塔的底层（数据、信息）已被AI占领，所有纯信息层的产出对外部读者而言都失去了交换价值，它们变成了写给自己看的私人认知工具。但金字塔的上层（知识、智慧）仍然只属于人，在那里，才是“写给他人看”的写作的真正战场。
这里需要特别强调一个更深层的危机：在“信息→知识”这一层，AI 可以模拟 。它能给出看起来像“规律”的总结，却没有真正的因果理解。问题在于，对大多数学生而言，AI的模拟已足以以假乱真——他们不需要自己去和已有认知碰撞，就能产出一个“看起来是知识”的东西。这带来的深层危机不是学生升不到知识层面，而是 AI让升到知识层面这件事变得可以绕过去。而一旦绕过去成为习惯，他们就连什么叫“升到知识层面”都感知不到了。
四、评价标准的迁移：从“你发现了什么”到“你问出了什么问题” 好在，顶尖学术圈已经开始应对这个变化。他们可能没用DIKW框架，但动作在逻辑上完全一致—— 把评价标准从信息层往知识层上移。
最具代表性的信号，是Nature近年大力推行的 注册报告（Registered Reports） 制度。
传统论文评审逻辑是：你先做实验，拿到结果，然后把整个过程写成论文投稿。审稿人评估的是你做得好不好、结论可不可信——这本质上是评估你在“数据→信息”这一步的质量。
注册报告的评审逻辑完全颠倒了：在你收集任何数据 之前 ，你先提交你的 研究问题和研究方案 。审稿人评估的是“这个问题值不值得问”和“方案能不能回答这个问题”。如果你的问题和方案通过了评审，期刊就承诺发表你的结果部分，无论结果是否符合预期。
这看似是形式创新，但底层逻辑是革命性的： 学术评价的锚点，从“信息层”被移到了“知识层”。
在一个AI可以帮你轻松完成数据收集和分析的时代， 你发现了什么 的价值正在下降， 你问出了什么问题 ，这才是人类研究者不可替代的地方。
提出一个好问题，比AI替你回答一百个平庸问题更难。因为这需要你理解领域的基本矛盾在哪里，需要你感受哪些现象正在等待一个解释框架，需要你在所有人都觉得“差不多就是这样了”的地方看到裂缝。这些，是知识层和智慧层的工作，AI目前做不了。
五、写作功能的根本分裂：认知型 vs. 贡献型 前面说到，描述性的、非原创的文章正在变成“写给自己看”的认知工具。但过去并非如此。过去，为自己整理思路和向世界提供增量这两种功能可以混在同一篇论文里，读者两个都能受益。是AI把它们强行拆开了。我们现在可以给它们各自一个名字：
1. 认知型写作
目的：帮作者自己理清思路。你读了一堆东西，脑子混乱，通过写下来强迫自己把逻辑链条接上，把模糊感觉变成清晰表述。
产物价值：过程痛苦而有价值，但产物对别人几乎没有意义。就像你画完的思维导图，自己受益匪浅，但没人会去读。
读者：只有作者自己。
2. 贡献型写作
目的：向世界提供一个信息增量：一个新框架、一个新判断、一个新问题。
产物价值：读者不是来了解领域有什么文献的（AI可以更快更好地告诉他），是来和作者的思想对话的。
读者：外部世界。
过去，一篇论文可以同时承担这两种功能。你把我读了200篇论文分成的三类（认知型痕迹）和我认为这个分类揭示了一个前人未发现的规律（贡献型实质）写在同一篇文章里。信息压缩和判断框架并置。
但AI把这种混合体打散了。这种分裂是不可逆的。以前的文章可以既为自己写、也为别人读。以后不行了。你必须认清自己在做什么：
是在用AI辅助的文本帮自己整理认知（那你的读者只有自己，文本是你的私人工具）？
还是在向世界提供一个AI给不了的判断框架（那你必须写出只有你能写出的东西）？
六、教育系统的尴尬卡位：信号失灵与表演链 而教育系统，恰好卡在这个分裂的最尴尬位置。近年来，我在和许多大学老师的交流中，反复听到同一种疲惫：“学生的论文越写越好了。格式规范，引用齐全，英文摘要看不出语法错误。但我读的时候，有一种奇怪的空洞感——我知道这里面没有他的思考，但我没法证明。”
这是AI时代给教育出的一个精确难题： 写作水平无法再作为思考能力的证据。
以前，一个学生能写出逻辑清晰、引用恰当的论文，我们可以比较放心地推断他经历了必要的思维训练——因为要写成这样，不思考是很难做到的，写作本身就是思考的痕迹。现在这个推断链断了。写得好的学生可能什么都没想。AI帮他完成了“信息→文本”的全部转化，而这个转化过程，恰好是教育中最有价值的部分，被完美跳过了。
更棘手的是： 学生自己根本找不出问题。 因为AI生成的文本比他自己写的水平高。他看不出论证的薄弱之处，看不出哪些地方应该有判断但没有，看不出那些平滑的过渡句背后可能什么都没有。在他眼里，这就是一篇好文章——85分，顺利通过。他真诚地觉得自己的学术能力没问题。只有当他在毕业答辩时被问到“你的科研假设在什么条件下不成立”而哑口无言时，他才会意识到，AI替他写的那些东西，他从未真正理解过。但到那时，他已经毕业了。
于是我们看到了令人不安的画面：学生用AI生成一篇综述，改改措辞就交差拿分。对 这个学生 而言——如果他真的读了、想了，把这篇AI综述当成了认知工具，那他受益了。但如果他只是交差了事，那过程价值为零。而老师只能看到最后的文本——他看不到过程。他无法分辨这份作业是一个认真思考过的人借助AI整理的认知笔记，还是一个从未思考过的人照抄的AI输出。
学生轻松交差了，老师未必能找出问题，学生自己更找不出来——因为AI写的比他水平高。
整个流程变成了表演链：学生表演给老师看，老师表演给教务系统看。知识有没有在这个循环里产生，只有一个变量决定——学生自己有没有真正去读、去想。而这个变量，当前的评价体系完全测不出来。
但责任不只在学生。为什么一个学生可以用三十秒的AI对话替代掉本来应该花三个月完成的工作？因为那个“本来的工作”——写一篇格式规范、文献全面的开题综述——从一开始就被设计成了 信息层的考核 。而信息层，恰好是AI最强的层。
AI没有制造教育的错配。AI只是把它暴露到了无地自容的程度。
七、一条建设性的出路：AI建基础设施，人类做价值判断 近期构思这篇文章时，我读到了Rupa Sarkar在Nature的World View栏目发表的一篇文章，标题是《为什么不能相信人工智能会写科学评论》。作为全球最权威的循证医学系统综述机构的掌舵人，Sarkar的观察朴素但极有分量：“当前AI工具在模仿人类撰写系统综述的流程——识别研究、提取数据、撰写报告。但系统综述不是纯粹的计算任务。定义有意义的研究问题、评估相关性、解释结果、理解临床或政策影响——这些都需要人类专家。”
她的文章指出了一个反直觉的事实：在他们实测中， AI工具完成一篇系统综述所需的总时间，比纯手工更长。 因为训练AI和人工验证的时间加起来，超过了手工筛选和提取的时间。但更重要的，是她一个建设性的判断：AI应该被用来构建 共享的知识基础设施 。
她举了一个例子：假设有两组专家，一组做儿童疟疾治疗综述，另一组做成人疟疾治疗综述。按传统流程，两组各自独立做文献筛选和数据提取，大量工作重复。如果用AI构建一个经过人工验证的“所有疟疾治疗研究”中央数据库，两组人都可以从这个数据库中直接提取所需数据，不用重复筛选。
这是一个关于AI分工的非常清晰的判断： AI处理规模（海量文献的结构化），人类处理判断（什么值得纳入、什么结论可信）。 AI建基础设施，人做价值判断。
这个判断和我们前面的分析完全一致：AI的竞争力在信息层，人类的不可替代性在知识层。但Sarkar给出了一个具体的实施方向：不是“AI帮你写综述”，而是“AI建一个共享的知识底座，所有人在上面做判断。”
换到学生写综述的语境中，这给出了清晰的分水岭：
帮学生三十秒生成一篇综述然后直接交差的工具，是在一条死路上加速，它让人可以跳过认知过程中最重要的一步：带着自己的问题去阅读、去质疑、去形成判断。
真正有价值的工具，是帮人更快地到达知识层的起点。不是替你写综述，而是帮你在一小时内看到领域全貌，然后留出精力去做AI做不了的事：提出那个只有你才能提出的问题。
八、未来的论文：可对话的知识结构 如果我的判断是对的：信息层产出正在通缩，评价标准正在上移，写作已经分裂，那么“论文”这个东西，在未来会变成什么样？可能的轮廓如下：
首先，线性文本的统治地位会终结。 论文采用线性文本格式（从纸质到后来的PDF），在很大程度上是受纸张物理特性和传统传播方式（印刷、邮寄）的约束，而非因为这是呈现思想的最优方式。PDF作为数字格式继承了这种线性结构，其底层逻辑反映的仍是纸张时代的组织习惯。 纸张逼着我们用“引言→方法→结果→讨论”的单线程叙事来打包知识。 但当传播成本趋近于零，这种单向叙事的物理理由便不复存在。未来的学术贡献可能不再是一篇“文章”，而是一个 可对话的知识结构 ：维度化的数据矩阵、记录了作者关键判断的口述或对话、可复现的代码和数据，文字只是这个知识包裹的可选外壳之一。
其次，综述会分裂为两个物种。
“罗列型综述”会消亡。 A类20篇、B类15篇、C类8篇……你穷尽不了AI，你做出来的别人也不需要。这种综述的唯一归宿就是变成私人认知工具。
“立场型综述”会升值。 它在报告“这个领域有什么”的外壳下，论证的是“这个领域该怎么理解”。它提供一个新的框架、新的分类法、新的评价维度。这些东西不在任何已发表的论文里，AI很难凭空创造，它是贡献型写作的经典形式。
最后，教育评估将从“产物评估”转向“输入评估”。 不是看学生在Deadline前交上来的那篇AI也能生成的综述，而是看他能不能在演示中说清楚：
哪篇论文最可能被高估？为什么？
如果让你重做实验设计，你改什么？
你的关键假设在什么条件下不成立？
这些问题没有标准答案。它们测的不是信息收集的完整度，而是知识形成过程中的判断力。而这，恰好是教育本来就应该测试的东西。
九、结论：AI时代，贡献型写作的唯一理由 所以，如果你觉得我这篇文章有价值，不是因为它压缩了多少信息，而是因为它提出了一个理解学术生态变化的 新框架 。这个框架总结起来只有几句话：
论文的三个历史前提：信息稀缺、传播成本高、信任需要信号，正在同时瓦解。DIKW金字塔的“信息层”被AI占领，导致一切以信息压缩为唯一贡献的学术产出对外部读者进入通缩。由此，文章的功能发生了根本转变：纯描述性的、没有判断框架的写作，对外部读者失去了交换价值——它们的新功能是写给自己看的，是借AI生成的文本帮自己对齐认知，为创新做准备。而“写给别人看”的写作并没有消失，它被逼到了金字塔的上层：你必须提供AI给不了的判断、框架和问题。这两种写作从此分道扬镳——认知型写作的读者只有自己，贡献型写作必须有外部读者。那些帮人跳过思考过程去拿“看起来合格”产物的AI工具，是在一个正在崩溃的体系里做最后一波套利。真正可持续的方向是：AI建共享知识基础设施，人类在上面做价值判断。
这不是一个AI可以生成的框架，因为它不在任何已有的文献里。它是从一个研究生的困惑出发，借了信息科学的金字塔，接了Nature的实践洞察，碰撞出来的东西。
这就是贡献型写作在AI时代唯一存在的理由。 以前，你可以写一篇综述，因为它“总结得全”，那是信息层的价值。但那个时代结束了。未来，如果一篇文章让你觉得“这个让AI总结一下就行了”，那它就不值得写，也不值得读。值得写的，只有那些AI读完了200篇论文，而你读完了AI的总结之后，仍然只有你能说出来的东西。那是一个判断，一个框架，一个问题，一种只有你才会选择的讲述方式。
就像现在，我把它写在这里，它就有了它该有的东西。你读到这里，我就知道又增加了一名读者。
转载本文请联系原作者获取授权，同时请注明本文来自赵斌科学网博客。 链接地址： https://blog.sciencenet.cn/blog-502444-1542654.html
上一篇： 很多人自称“牛马”，你也配？！那是什么？其实更可能是马饲料！ 欢迎参加科学网十佳博文评选活动！ 主办单位： 
支持单位： 