本文构建了一个研究写作与阅读验证成本不对称下降的理论模型，指出人工智能降低写作成本后，论文数量增加而注意力和验证能力保持有限，读者将更多依赖作者声誉：低声誉作者被忽略，中等声誉作者接受验证，高声誉作者未经核验即获信任，最终被验证论文的比例趋近于零 ¹²⁵。论文进一步分析AI文献摘要与AI同行评审，发现共享同一AI错误的论文会产生相关性偏误，当AI生成论文比例超过阈值后，摘要共识将复制AI错误；允许摘要读取未经评审的预印本，可在一定条件下恢复独立研究对错误共识的纠正能力 ⁸⁹¹⁰。

写作成本下降导致验证资源被声誉重新分配 ²⁴⁵

• 读者对论文有三种选择：忽略、付出验证成本后使用，或不验证而直接信任；验证只发生在作者声誉处于中间区间时 ⁴⁵。
• 当验证成本为 (c_v)、正确结果价值为 (V)、错误结果损失为 (D) 时，低声誉作者被忽略，中等声誉作者被验证，高声誉作者被信任；验证区间为 (\rho_L=c_v/V) 至 (\rho_H=1-c_v/D) ⁴⁵。
• 随着写作成本下降，论文供给增加、验证注意力固定，验证区间从两端收缩；在无成本写作极限下，论文数量按 (1/c_w) 量级增长，已验证论文数量保持为 (A/\kappa)，因此已验证论文占比趋近于零 ⁵。
• 最终，论文是否被使用主要取决于作者声誉：声誉高于 (\bar{\rho}=D/(V+D)) 的作者更容易被信任，其他作者则被忽略 ⁵。

写作AI与验证AI的技术竞赛 ⁶⁷

• 读者的验证决策只取决于 (Ac_w/\kappa)，其中 (A) 为总注意力、(c_w) 为写作成本、(\kappa) 为验证一篇论文所需的注意力 ⁵⁶。
• 单独使用写作AI会扩大论文供给，使低声誉作者更容易被忽略、高声誉作者更少接受核验，验证带向 (\bar{\rho}) 收缩 ⁶⁷。
• 若验证AI使每篇论文所需的核验注意力 (\kappa) 下降速度快于写作成本 (c_w)，验证区间会扩大，低声誉作者重新获得阅读机会，高声誉作者也会再次接受检查 ⁵⁷。
• 图1展示了写作成本相对于验证能力下降时，忽略、验证和信任三类论文的声誉边界如何变化 ⁶。

AI摘要面临相关错误与共识捕获 ⁸

• 设谨慎撰写的论文独立地以概率 (q>1/2) 得出正确答案，比例为 (1-s)；AI论文共享同一AI答案，AI答案正确概率为 (p>1/2)，AI论文比例为 (s) ⁸。
• 由于AI论文成本仅为 (c_w)，独立论文成本为 (c_w+c_I)，当采用AI观点的作者质量为 (m) 时，AI论文占比为 (s(c_w)=m(c_w+c_I)/(c_w+mc_I))，且写作成本趋近于零时 (s) 趋近于1 ⁸。
• 多数决摘要的可靠阈值为 (\bar{s}=1-1/(2q))：当 (s<\bar{s}) 时，独立且略优于随机的研究能够压过AI错误；当 (s>\bar{s}) 时，摘要以概率 (p) 正确，并在所有使用者之间共享同一错误 ⁸。
• 因此，AI摘要能够缓解注意力瓶颈，但当底层论文的判断不再独立时，会从信息聚合工具转变为复制共同错误的工具 ⁸¹¹。

AI同行评审会过滤纠错性原创研究 ⁹¹⁰

• AI评审倾向接受与自身答案一致的论文；对异议论文仅以概率 (r) 接受，而该接受概率不取决于异议论文是否正确，因此评审依据是观点一致性而非证据质量 ⁹。
• 有AI评审时，摘要保持正确的AI论文比例阈值为 (\bar{s}(r)=1-1/[q(1+r)])，该阈值随 (r) 上升而提高，并在 (r=1) 时恢复为无过滤评审下的 (\bar{s}=1-1/(2q)) ⁹。
• 当AI错误时，被AI评审过滤掉的异议论文恰恰是能够纠正AI错误的原创研究；若 (r<(1-q)/q)，即使没有论文直接使用AI，评审也可能使摘要重复AI答案 ⁹。
• 图3以 (q=0.8) 展示了评审接受异议的概率与AI论文占比之间的关系：异议接受率越低，共识被AI捕获所需的AI论文比例越低 ¹⁰。

预印本服务器是恢复独立信息的简单政策工具 ⁹¹⁰

• 让摘要直接读取未经同行评审的预印本，相当于令异议接受概率 (r=1)，因此只要AI论文比例低于 (\bar{s}=1-1/(2q))，摘要仍能恢复正确共识 ⁹。
• 同行评审、摘要和预印本应承担不同功能：评审为单篇论文提供质量认证，摘要聚合未经筛选的研究记录，预印本标签则提示读者相关论文尚未经过核验 ⁹。
• 预印本渠道也会受到论文数量激增的冲击；若平台重新要求相关内容先通过同行评审，便会把AI评审的过滤机制重新引入摘要体系 ¹⁰。
• 因此，预印本机制能够移除评审过滤，但当AI论文比例超过多数决阈值时，任何接受规则都无法完全恢复可靠共识 ¹⁰。

一、元数据与报告概览

1.1 基本信息

• 标题：AI-Augmented Research: Free to Write, Costly to Read，可译为《人工智能增强型研究：写作免费，阅读昂贵》。¹
• 作者：Wolfgang Kuhle。¹
• 机构：匈牙利布达佩斯考文纽斯大学（Corvinus University of Budapest），同时隶属德国慕尼黑马克斯·普朗克社会法与社会政策研究所（MEA, Max Planck Institute for Social Law and Social Policy）。¹
• 联系方式：wkuhle@gmx.de。¹
• 发布日期：提供的正文没有明确列出发布日期，因此无法仅根据报告正文确定正式出版时间。
• 研究主题：人工智能降低学术写作成本后，对研究论文供给、读者注意力分配、同行评审、AI文献摘要以及研究共识可靠性的影响。¹
• 关键词：注意力、验证、声誉、人工智能；JEL分类为D83、D82、O33和I23。¹

这是一篇理论经济学模型论文，而不是针对某家公司或行业股票的金融研究报告，因此没有传统意义上的“买入/持有/卖出”评级，也没有目标价、收入预测或现金流估值。¹ 文章的核心判断是：人工智能可能使研究写作接近零成本，但不能同步消除读者验证研究质量所需的时间，因此论文数量增长会加剧注意力稀缺。¹ 当验证能力保持有限时，读者会越来越依赖作者声誉，而不是逐篇检查研究内容；最终，低声誉作者的研究可能无人阅读，高声誉作者的研究则可能被直接信任而不再核查。² AI摘要能够缓解“没有时间读完所有论文”的问题，但如果大量论文共享同一个AI的错误，摘要就会把相关错误误认为独立证据，从而复制错误共识。²

1.2 报告的总体逻辑

报告围绕两种技术进步展开比较：

1. 写作型AI降低论文生产成本，但不一定降低验证成本；
2. 验证型AI降低检查论文所需的时间，如果其进步速度足够快，则可能扩大而不是压缩被验证的论文范围。⁵

因此，作者并非笼统地认为“AI对研究有利”或“AI对研究有害”，而是强调AI降低哪一种成本、降低的速度有多快，以及不同论文之间的错误是否相互独立。⁵ 论文的最终政策建议是保留未经同行评审的预印本渠道，使AI摘要能够接触未经过滤的研究记录，从而减少同行评审机制对异议和原创研究的筛除。⁹

二、模型设定与关键概念

2.1 作者、声誉与写作供给

模型假定作者构成一个总质量为1的连续群体，每位作者的声誉记为ρ，取值范围为0到1，并且ρ同时代表该作者论文正确的概率。³ 作者声誉越高，读者相信其论文正确的先验概率越高。³

作者每写一篇论文获得私人收益(b_0)，例如论文数量对求职、晋升或学术评价的好处；如果论文被读者使用，还可以获得额外收益(b)。³ 作者写作数量为n时承担成本(c_w n^2/2)，其中(c_w)表示单位写作成本。³ 由于收益随论文数量近似线性增加、成本呈二次增长，作者的最优论文数量大致为：

[ n(\rho)=\frac{b_0+b u}{c_w} ]

其中u是单篇论文被使用的概率。³

该公式揭示了论文数量增长的两个来源：第一，写作成本(c_w)下降会直接提高所有作者的论文产量；第二，声誉较高、论文更容易被使用的作者，其u更高，也有更强的写作激励。³ 当(c_w)趋近于零时，作者会生产大量论文，论文总量N大致按(1/c_w)的速度增长。⁵

2.2 读者的三种选择

读者使用正确结果可以获得价值V，使用错误结果会遭受损失D。⁴ 对于一篇声誉为ρ的论文，读者可以：

• 忽略：收益为0；
• 不验证而信任：期望收益为(\rho V-(1-\rho)D)；
• 验证后使用：只有论文正确时才使用，期望收益为(\rho V-c_v)。⁴

验证成本为(c_v=\lambda\kappa)，其中κ是验证一篇论文占用的注意力，λ是注意力的影子价格。⁴ 读者群体总共只有A单位注意力，使用论文本身不额外消耗注意力，而检查证明、复现代码、核验数据或复制研究结果需要κ单位注意力。⁴

这里的“注意力影子价格”是一个机会成本概念：当论文很少、注意力富余时，λ为零，验证几乎没有额外稀缺成本；当待检查论文过多时，λ上升，验证的有效成本也随之提高。⁴

2.3 阅读规则：低声誉被忽略，中间声誉被验证，高声誉被信任

报告定义：

[ \bar c=\frac{VD}{V+D}, \qquad \bar\rho=\frac{D}{V+D} ]

其中(\bar c)是验证带完全收缩的临界验证成本，(\bar\rho)是“忽略”和“直接信任”收益相等的声誉水平。⁴

当(c_v<\bar c)时，读者遵循三段式规则：

[ \rho_L=\frac{c_v}{V}, \qquad \rho_H=1-\frac{c_v}{D} ]

• 当(\rho<\rho_L)时，论文被忽略；
• 当(\rho_L\leq \rho<\rho_H)时，论文被验证；
• 当(\rho\geq \rho_H)时，论文被直接信任。⁴

其经济直觉是：声誉很低的论文即使正确，可能产生的价值也不足以补偿验证成本，因此不值得检查；声誉很高的论文出错概率较低，验证可能也不值得；只有中间声誉的论文同时具有足够的潜在价值和足够的错误风险，才值得验证。⁵

随着验证成本上升，(\rho_L)上升，意味着更多低声誉作者被排除在阅读之外；(\rho_H)下降，意味着更多高声誉作者无需检查就被信任。⁵ 因此，注意力紧张并不会简单地按照论文质量平均分配审查，而是会强化“低声誉不看、高声誉免检”的分层结构。⁵

如果(c_v\geq\bar c)，验证区间完全消失，读者只在忽略和直接信任之间选择，并以(\bar\rho)为界限：低于该声誉的论文被忽略，高于该声誉的论文被信任。⁴

三、均衡结果与写作—阅读竞争

3.1 注意力约束如何决定验证范围

报告定义了注意力需求函数Φ，它表示给定验证成本下需要被验证的论文所消耗的总注意力。⁵ 当注意力需求超过A时，注意力约束绑定，验证成本为正；当需求不超过A时，注意力富余，验证成本为零。⁵

均衡具有唯一性：

• 若写作成本足够高，即(c_w\geq \kappa\Phi(0)/A)，注意力不稀缺，(c_v=0)，所有论文都被验证；
• 若写作成本较低，即(c_w<\kappa\Phi(0)/A)，注意力约束绑定，(c_v\in(0,\bar c))，且写作成本越低，验证成本越高。⁵

在写作成本趋近于零时，论文总数按(1/c_w)增长，但被验证论文的数量保持在(A/\kappa)，因为总注意力固定、每篇论文消耗κ单位注意力。⁵ 因此，被验证论文占全部论文的比例趋近于零。⁵

这意味着“验证数量保持不变”并不等于研究质量保持不变，因为论文总量增长得更快，验证覆盖率会下降。⁵ 在免费写作极限中，读者最终几乎不再依据论文内容作判断，而是依据作者是否高于固定声誉门槛(\bar\rho)决定是否使用论文。⁵

3.2 同行评审的对应解释

作者将同一模型重新解释为学术期刊的编辑流程：

• 忽略对应桌面拒稿；
• 验证对应同行评审；
• 不验证而信任对应基于作者声誉的直接接收或简化审查。⁵

在投稿量上升、审稿人数量有限的情况下，期刊会把同行评审资源集中在中间声誉作者身上，而对低声誉作者直接拒稿、对高声誉作者减少审查。⁵ 这说明论文数量激增可能同时造成两种偏差：新作者更难获得进入评审体系的机会，知名作者则可能获得过度信任。⁵

3.3 命题3：写作技术与验证技术的赛跑

均衡验证成本、两个声誉边界以及被验证作者集合，只取决于(A c_w/\kappa)这一比率，而不是分别取决于A、(c_w)和κ。⁵ 其中A越大，意味着可用注意力越多；(c_w)越大，意味着论文较难生产；κ越大，意味着检查一篇论文更耗时。⁵

如果写作型AI降低(c_w)，但κ不变，论文供给增长会使验证区间收缩。⁶ 如果验证型AI降低κ的速度快于写作成本下降的速度，则验证区间会扩大，低声誉作者重新有机会被阅读，高声誉作者也会重新接受检查。⁵

因此，AI是否帮助“局外人”并不取决于它是否被称为人工智能，而取决于它对写作成本与验证成本的相对影响。⁶

四、图表深度解读

4.1 图1：谁会被阅读或评审

图1横轴是写作成本相对于验证能力的指标(A c_w/\kappa)，并且横轴从左向右递减，因此越往右代表写作越便宜、相对于验证能力的论文供给压力越大。⁶ 纵轴是作者声誉ρ，范围从0到1。⁶

图中的灰色区域代表“验证”或“同行评审”区间，区域下方是“忽略/桌面拒稿”，上方是“信任/接受”。⁶ 在横轴最左侧，注意力富余，所有论文都被验证，灰色区域覆盖几乎全部声誉范围。⁶

当经济体向右移动时，下方边界(\rho_L)逐渐上升，说明低声誉论文越来越容易被忽略；上方边界(\rho_H)逐渐下降，说明高声誉论文越来越容易被直接信任。⁶ 因此，灰色验证区从上下两侧同时收缩，而不是只从低质量一侧收缩。⁶

在最右侧的免费写作极限，验证区收缩到(\bar\rho)附近，只有极窄的中间声誉群体仍可能接受验证。⁶ 图1因此直观呈现了文章最重要的机制：研究写作越便宜，验证越稀缺，声誉就越成为获得注意力的筛选器。⁶

图中使用了均匀声誉分布、(V=1)、(D=2)、(b_0=b=1)的参数设定。⁶ 这些参数用于展示模型机制，并非针对现实学术市场的估计，因此图形应理解为理论比较静态结果，而不是经验预测。⁶

4.2 图2：写作AI与验证AI的技术竞赛

图2的横轴是技术进步时间t，纵轴仍是作者声誉ρ。⁷ 两种情景都假设写作成本按(c_w=e^{-t})下降，也就是说写作型AI在两种情景中发挥相同作用。⁷

虚线区域表示仅有写作AI时的验证边界：随着t增加，较低的验证边界上升、较高的验证边界下降，验证带逐渐向(\bar\rho)收缩。⁷ 这对应图1中向右移动的过程，意味着论文数量增加而验证能力没有同步提升。⁷

实线情景加入验证AI，并假设验证所需注意力按(\kappa=e^{-2t})下降，即验证效率提高得比写作效率更快。⁷ 在这种情况下，验证带反而扩大，低声誉作者重新进入可阅读范围，高声誉作者也重新回到需要检查的范围。⁷

图中从(t=\ln 2)开始，实线区域覆盖整个声誉区间，表示每篇论文都可以被验证。⁷ 两种情景初始都具有(A c_w/\kappa=0.75)，差别完全来自κ是否同步下降以及下降速度是否更快。⁷

该图的关键含义是：如果AI只负责写作，研究系统可能进入“产出膨胀、验证收缩”的状态；如果AI能够可靠地降低验证成本，AI也可能扩大研究审查覆盖面。⁷

五、AI摘要与相关错误

5.1 模型设定

报告进一步考虑一个包含大量论文的研究问题，其真实答案为θ，取值为0或1。⁸ 其中(1-s)比例的论文由“谨慎研究者”撰写，每篇论文独立地以概率(q>1/2)给出正确答案；剩余s比例的论文使用同一个AI，其答案全部相同，并以概率(p>1/2)正确。⁸

谨慎论文的错误彼此独立，也独立于AI错误；AI论文则共享AI的错误。⁸ 这种差异极其关键：独立错误可以通过多数投票互相抵消，而共同错误会在数量增加时被重复放大。⁸

模型假设AI摘要采用文献多数意见，并且平票时视为错误。⁸ 这相当于把摘要器看作一个忠实的多数投票机制，而不是有意偏向AI自身答案的工具。⁸

写作成本进一步设定为：谨慎论文的成本是(c_w+c_I)，其中(c_I>0)是独立研究成本；AI论文只承担(c_w)。⁸ 因为AI论文更便宜，AI写作论文占比为：

[ s(c_w)=\frac{m(c_w+c_I)}{c_w+m c_I} ]

其中m是选择复制AI的作者比例。⁸ 当写作成本(c_w)趋近于零时，AI论文占比s趋近于1。⁸

5.2 命题4：共识被AI俘获的临界点

报告定义AI论文比例阈值：

[ \bar s=1-\frac{1}{2q} ]

由于(q>1/2)，该阈值位于0和1/2之间。⁸

如果AI答案是正确的，AI论文全部支持正确答案，谨慎论文中约有q比例正确，因此正确答案必然获得多数。⁸ 如果AI答案是错误的，只有谨慎论文能够提供纠错证据，其占总论文的正确比例约为((1-s)q)。¹² 只有在((1-s)q>1/2)时，谨慎论文才能压过AI论文的共同错误，这正好等价于(s<\bar s)。¹²

因此：

• 当(s<\bar s)时，大规模文献的多数摘要以概率1正确；
• 当(s>\bar s)时，摘要会跟随AI，其正确概率降为p，错误概率为(1-p)。⁸

这不是摘要质量随AI论文比例逐步下降，而是存在一个类似“临界点”的跳跃：当写作成本下降使s越过阈值时，摘要错误率从0突然变为(1-p)。⁸ 在有限文献中，只要独立论文数量足够多，谨慎论文压过AI错误的概率会随论文数量以指数速度接近1，但这一优势只有在AI论文比例没有超过阈值时才成立。⁸

其核心结论是：更多论文并不必然带来更可靠的共识，关键在于新增论文是否提供独立信息。⁸ 如果新增论文只是重复同一个AI答案，它们在统计上并不等于新增了大量独立证据。⁸

5.3 来源识别与部分依赖

如果AI能够识别哪些论文是AI写作的，并对这些论文赋予较低权重w，则摘要在：

[ \frac{s w}{s w+(1-s)}<\bar s ]

时仍然可靠。⁹ 当AI论文占比s趋近于1时，w也必须趋近于0，这意味着摘要器几乎需要完全排除共享同一错误来源的论文。⁹

报告还考虑部分依赖情形：AI论文只有概率γ采用AI答案，其余时候独立作答。⁹ 当AI错误时，正确论文比例为(q(1-\gamma s))，摘要可靠的条件变为(\gamma s<\bar s)。⁹ 这表明真正决定系统风险的并非单纯的“AI论文数量”，而是AI答案被机械复制的程度。⁹

六、AI同行评审与原创性过滤

6.1 AI评审机制

报告假设期刊最终将审稿交给AI，并要求每篇论文先通过AI评审才能进入摘要所使用的文献集合。⁹ AI接受与自身答案一致的论文；对于与自身答案不一致的论文，只有概率r会被接受，r代表异议证据说服AI的概率。⁹

该机制按“是否同意AI”筛选，而不是按论文是否正确筛选。⁹ 因此，当AI犯错时，真正正确、能够纠正AI的论文恰恰属于与AI意见不一致的论文，因而更容易被排除。⁹

6.2 命题5：被过滤的原创性

加入AI评审后，摘要正确的条件为：

[ s<\bar s(r)=1-\frac{1}{q(1+r)} ]

⁹

阈值(\bar s(r))随r上升而上升，说明AI越愿意接受异议，系统允许的AI论文比例越高。⁹ 当r=1时，AI完全接受异议，阈值恢复为没有审查过滤时的(\bar s=1-1/(2q))。⁹

但当r低于((1-q)/q)时，(\bar s(r))为负数，意味着即使没有任何论文由AI撰写，AI评审也可能使摘要重复AI自身答案。⁹ 其原因是：AI会过滤掉一部分不同意见，而这些不同意见正是可能包含正确答案的原创研究。⁹

因此，AI同行评审产生一种“过滤原创性”的效果：它可能提高表面上的一致性，却降低文献纠错能力。⁹ 这与报告引用的有关新颖研究容易受到惩罚、生成式AI降低集体内容多样性的研究证据相呼应。³

6.3 图3：AI论文比例、异议接受率与共识俘获

图3横轴是AI评审接受异议的概率r，纵轴是AI写作论文比例s。¹⁰ 曲线表示临界值(\bar s(r))：曲线下方，谨慎论文能够压过AI错误，摘要共识正确；曲线上方，摘要共识会重复AI答案。¹⁰

当r较低时，曲线位于较低位置，表示只要AI论文占比较小，审查过滤也可能使共识被AI控制。¹⁰ 随着r上升，曲线向上移动，代表更开放的AI评审能够保留更多异议研究。¹⁰

图中水平虚线对应(q=0.8)时的无过滤阈值(\bar s=0.375)，说明即使没有任何评审规则能够进一步改善，当AI论文比例超过37.5%时，多数共识也无法保证正确。¹⁰ 图中的“preprint server”箭头表示从当前异议接受概率r转向r=1，也就是让摘要直接读取未经评审的预印本。¹⁰

因此，预印本渠道可以把系统推向最高的异议保留程度，但它只能把可靠上限恢复到(\bar s)，无法在AI论文占比超过该阈值时继续保证共识正确。¹⁰

七、政策含义：预印本服务器

报告提出的最简单补救方式，是建立一个未经同行评审的预印本服务器，并让摘要直接从全部预印本中读取。⁹ 由于预印本渠道不筛除异议，相当于令r=1，所以可靠阈值恢复为没有AI评审过滤时的(\bar s)。⁹

这一制度安排将三个功能区分开来：

• 预印本服务器保存未过滤的研究记录；
• AI摘要聚合整体研究共识；
• 同行评审为希望人工阅读的读者提供个别论文质量认证。⁹

作者指出，评审的目的应该是帮助读者判断单篇论文是否值得信任，而摘要的目的应该是聚合尽可能完整的证据。⁹ 如果把“通过评审”作为进入摘要的前提，就会把评审阶段的偏见和过滤机制传递给整个文献共识。⁹

报告还以2025年10月arXiv停止接收未通过同行评审的计算机科学综述和立场论文为例，说明未经筛选的渠道本身也会受到AI生成投稿激增的压力。¹⁰ 作者认为，如果为了应对AI论文洪水而提高准入门槛，平台可能重新引入同行评审的过滤机制，从而产生其本来试图避免的问题。¹⁰

八、批判性视角与模型局限

第一，模型把采用AI观点的作者比例m视为外生变量，因此没有解释作者为什么选择复制AI、复制行为如何受奖励制度影响，也没有内生地求解AI使用率。¹¹ 作者承认，如果AI能够完美聚合研究，研究者可能失去从事独立研究的激励，这类似Grossman和Stiglitz提出的信息有效性难题。¹¹

第二，报告假定谨慎论文的正确性彼此独立，而AI论文完全共享同一个AI答案。⁸ 这是一种清晰的基准情景，便于展示“独立错误”和“相关错误”的差异，但现实中的研究可能处于两者之间，因此报告另行设置了部分依赖参数γ。⁹

第三，AI摘要被设定为忠实执行多数规则，且摘要本身不额外消耗随论文数量增长的注意力。⁸ 现实中的摘要系统可能会按来源质量、论文引用量、作者声誉或模型偏好进行加权，因此多数规则结论不必然适用于所有AI产品。⁸

第四，作者声誉ρ被同时解释为论文正确概率，这把声誉、研究能力、资源条件、机构地位和历史表现压缩成一个变量。³ 这种设定有助于得到清晰的阈值结果，但也意味着模型没有进一步区分“真正质量高”和“仅仅因为声誉高而被信任”。报告自身的同行评审解释已经暗示，高声誉作者可能被较少审查。⁵

第五，模型没有提供现实数据估计、参数校准或实际学科之间的比较，因此图1至图3主要是理论示意图，而不是对真实学术系统中AI论文比例、审稿容量或错误率的定量预测。⁶ 报告引用了关于论文数量增长、LLM写作比例、AI辅助评审和新颖性偏见的既有研究，但这些文献主要用于说明现实背景，并未被整合为模型参数的直接估计。^{2 3}

九、结论性综合

这篇报告的最重要发现可以概括为两组“阈值机制”。

第一组是注意力阈值。写作成本下降会使论文供给按(1/c_w)扩张，但验证能力受A和κ限制，因此验证论文数量不会同步增长，被验证论文比例最终趋近于零。⁵ 在这种情况下，低声誉作者被忽略，中间声誉作者接受验证，高声誉作者被直接信任，研究系统从内容审查逐渐转向声誉筛选。⁵ 图1展示了验证区间从上下两侧收缩，图2则说明只有当验证AI降低κ的速度快于写作AI降低(c_w)的速度时，这一趋势才会逆转。^{6 7}

第二组是信息独立性阈值。AI摘要可以有效处理论文洪水，但只有在大量论文提供独立且略优于随机的判断时，多数规则才可靠。⁸ 当AI写作论文比例超过(\bar s=1-1/(2q))时，共同AI错误会俘获文献共识，摘要错误率从0跳升至(1-p)。⁸ AI同行评审进一步通过筛除异议论文降低这一阈值，尤其是在AI不愿意接受与自身答案不一致的研究时。⁹

作者总体立场不是反对AI，而是主张区分写作AI、验证AI、摘要AI和评审AI的制度后果。¹¹ 写作AI可能扩大研究供给，却加剧注意力稀缺；验证AI可能扩大审查覆盖面；摘要AI可以缓解阅读压力，但必须防止相关错误；评审AI如果按“是否同意自己”筛选，可能系统性排除纠错性原创研究。¹¹

最终，报告支持建立能够保存未过滤研究记录的预印本渠道，并让摘要尽量读取包括异议在内的完整文献。⁹ 但预印本制度也不是无限有效的解决方案：当AI论文比例本身超过独立研究能够承受的阈值时，即使取消评审过滤，也无法保证多数共识正确。⁹ 报告的核心政策含义因此是：未来研究生态的关键，不只是提高论文生产效率，更要维护独立研究、异议观点、来源透明度和低成本验证能力。¹¹