几乎所有生物医学论文都显示出 AI 的痕迹，技巧本身已经转移
已更新：12小时前
Image: "Lab technitian looking through the microscope while adjusting coarse k" by Shixart1985 (CC BY 2.0) via Wikimedia Commons, recoloured.
8月24日
欢迎阅读本周的人工智能重塑科研动态速览，内容精选自 Nature、Science 以及各领域顶级管理学期刊。
几乎每篇论文里都有 AI。真正悬而未决的问题是：谁在指挥谁。
这个头条数字让人难以忽视。一篇于 8 月 12 日发布到 [arXiv](https://arxiv.org/abs/2608.10715)、并由 [Nature](https://www.nature.com/articles/d41586-026-02551-z) 报道的预印本估计，到 2025 年 12 月，PubMed Central 数据库中接近 90% 的论文显示出 LLM 辅助写作或编辑的痕迹，在整个 2025 年为 77%，2024 年为 52%。该方法延伸了同一团队发表在同一期 [Science Advances](https://www.science.org/doi/10.1126/sciadv.adt3813) 中"超额词汇"方法：与其直接尝试检测 AI，它追踪一组非内容词，这些词的频率在 ChatGPT 发布后骤然上升。论文各部分的用法并不均匀，在 Discussion 和 Abstract 部分最高，在 Methods 部分最低，这大致正是写作辅助工具（而非研究辅助工具）应该留下痕迹的地方。作者明确说明了局限：仅限英文论文，且 PubMed Central 并非科学的全部。
对精确数字要谨慎，而对趋势则不必。词频检测无法区分一位请模型润色非母语英文草稿的研究者与一位整段生成讨论章节的研究者，而早期用更窄方法所做的估计将 2024 年的使用率定在 12% 到 16%，远低于本研究对摘要的 31% 和全文的 52%。这一趋势真正确立的是：AI 辅助写作已不再是边缘情况，而成为你所阅读与评审的文献的默认状态。如果你仍在围绕"作者是否使用了 AI"来构建披露政策，那么真正有意思的问题已经转移到如何使用，以及在稿件的哪个位置使用。
本月发表的两篇管理学论文暗示了这种"如何"应当是什么样子。在 [California Management Review](https://doi.org/10.1177/00081256261470827) 中，Teck-Hua Ho 与 Catherine Yeung 提出了一种"首要工作者"模型，每位知识工作者既是任务架构师（将工作分解并把子任务委派给 AI 智能体），又是智能体编排者，将智能体产出优化并综合成一份连贯的交付成果。在 [MIT Sloan Management Review](https://doi.org/10.63383/pvzt4379) 中，Jennifer Sloan 与 Vern Glaser 提出了一个平行的论点：停止提示 AI，开始指挥它，办法是定义智能体的上下文（它能访问什么）、能力（它能做什么）和取向（它关注什么），并在同一份数据上运行多个取向不同的智能体以比较不同方法。
**为何重要：** 90% 这个数字与编排类论文是从两端描述同一种转变。AI 已经编织进学术产出之中，很大程度上是一个隐形的写作助手，这是它最不负责也最无趣的用法。研究设计层面的动作是让委派显式化：决定一个智能体拥有哪些子任务，赋予它明确的取向，把解释性权威留给自己，并把你所做的写下来。这既是更好的方法，也日渐成为披露声明需要表述的内容。
本周更多动态
可解释 AI 有认知代价
可解释 AI 通常被论证为对过度依赖与依赖不足两种算法建议态度的纠正，但经验证据是混杂的。Boyaci、Canyakmaz 与 de Véricourt 建立了一个人机协作的分析模型，捕捉人类与机器智能的不同特征，并且关键的一点是，它把决策者的认知努力与疲劳纳入考量。这一框架为"为什么增加解释并不能可靠地提升联合绩效"提供了理论解释，对任何设计 AI 辅助决策研究的人都有用。
[阅读 Management Science 原文（8月19日）→](https://doi.org/10.1287/mnsc.2024.07450)
大多数 AI 专利数据集测量的东西是错的
创新研究日益依赖专利数据来衡量 AI 活动，但用以决定哪些专利算"AI"的方法很少经过验证。Wu、Min、Ding 与 Wang 将专利分类方法及美国专利商标局的 AI 专利数据集与一个独立、由人类专家标注的真实基准进行对照，记录了相当大的性能局限，并提出一个分类效果更好的可扩展框架。如果你的识别策略依赖现成的 AI 专利标记，在下一轮修改之前值得一读。
[阅读 Research Policy 原文（8月20日）→](https://doi.org/10.1016/j.respol.2026.105599)
AI 助手市场并非赢家通吃
Cohen、Hage-Youssef、McCarthy 与 Sokol 使用 AI 助手类别的消费者移动数据，挑战"AI 竞争赢家通吃"的框架。他们识别出三种并存且不断增长的策略，规模化（ChatGPT）、邻近扩展（Gemini）与高端专业化（Claude），并发现重大的产品发布会回报发布者，而不会对竞争对手造成可衡量的伤害。他们认为这些原型并非 AI 所特有，而是无论何时一项颠覆性技术开启市场、而竞争地位尚未固化时都会反复出现。
[阅读 California Management Review 原文（8月15日）→](https://doi.org/10.1177/00081256261477028)
预测哪些品牌标语能被人记住
Ada Aka 与 John McCoy 构建了预测模型，用来衡量一条品牌标语被记住的程度以及它触发品牌联想的强度。他们通过系统的文献综述识别潜在的易记性因素，然后用自然语言处理、人工评分以及源自文本嵌入的构造将其操作化，并在多个模型中评估预测准确性。这是把零散的质量型文献转化为机器可测构造的一个干净模板。
[阅读 Journal of Marketing Research 原文（8月21日）→](https://doi.org/10.1177/00222437261481110)
Nature 评述临床 LLM 的安全与保障
Clusmann、Freyer、Ostermann、Ferber 及同事调查了部署在医疗环境中的大型语言模型所面临的安全与保障格局。在临床 LLM 试点以快于其背后证据基础的速度激增之际，在一份一般科学刊物上对失败模式与保障措施做综合梳理，是一个有用的参考点，对研究高利害专业环境中 AI 采纳的社会科学家同样适用。
[阅读 Nature 原文（8月19日）→](https://doi.org/10.1038/s41586-026-10687-1)
一个用于流体动力学的强化学习训练场
Lagemann、Mokbel、Gondrum、Rüttgers 及共同作者推出了 HydroGym，一个用于流体动力学的强化学习平台。流体之所以抗拒常规控制，是因为其动力学是高维、非线性且多尺度的；RL 在蛋白质折叠与游戏等领域取得了惊人进展，而这些领域拥有共享的基准和标准化的环境，正是流控所缺乏的。HydroGym 补齐了这些，提醒我们：在许多领域，AI 进展的瓶颈是基础设施，而非模型能力。
[阅读 Nature 原文（8月19日）→](https://doi.org/10.1038/s41586-026-10917-6)
本周内容到此为止。欢迎把本文转发给那位仍在往 ChatGPT 里复制粘贴的同事，也欢迎访问 gaiforresearch.com，探索可用于你自身研究的 AI 工具。
AI 科研动态速览
留言