AI 时代的科研写作：警惕漂亮但空洞的文字泡沫

在 AI 辅助写作成为日常之前，许多问题会通过糟糕的文字自己报出来。

一句话难写，你就会停下来。

机制不清楚，段落听起来也往往不清楚。

两个结果对不上，别扭本身有时会逼你再去看数据或文献。

现在，模型可以在几秒内抹掉这种别扭。

这很有用。但它也可能抹掉一些曾经提醒我们「思考还没完成」的信号。

一个含糊的解释，很快就能变成一段打磨过的文字。

过渡成立，术语正确，逻辑读起来完整，甚至还挂着一条引用。

可语言上的完整，并不等于科学上的完整。

有时我们只是让一个尚未解决的问题，听起来像已经解决了。

这和过去那种「装饰性语言很多、实质很少」的学术空话不是一类。

AI 生成的空洞，更难被看见。

它可能包含领域术语、连贯论证和真实文献。它缺的不是「看起来有内容」，而是语言底下足够的证据与判断。

越来越多的学术 AI 工具会给生成的主张挂上引用，这显然好过毫无依据的生成。

但「一篇论文」是一个非常粗的单位。

一篇论文可以对一句话相关，却并不支撑这句话现在这种写法。

真正要紧的部分，可能是 Results 里的一个实验、一张图、Discussion 里的一句，甚至图注里写的条件。

同一篇论文里，好几层东西可以并存：实验直接观察到的、作者从观察中推断的、作为一种可能解释提出的，以及仍然没有解决的。

当这些全被压进一句光滑的话里，边界就很容易丢失。

引用可以是真的。论文可以相关。主题可以完全对得上。这句话仍然可能说得比来源允许的更多。

所以「这句话有没有引用」只是起点。

更有用的检验是：如果现在就把来源段落放在我面前，我是否仍然愿意把这句话写得这么强？

默认的 AI 写作流程通常从生成开始。

先生成句子，再读它。如果看起来说得通，再去核验或事后补引用。

对许多任务，这个顺序没问题。

改语法、缩短、调语气、想标题变体，或把已经想清楚的意思写成更干净的摘要，多半是表达问题。

研究者大致已经知道自己想说什么。AI 帮他说得更好。

科学主张不一样。

这里尚未解决的问题，可能是：这句话到底该不该说。

这是相关还是因果？这个实验是否建立了机制？两篇论文的条件是否真的可比？动词该用 demonstrates，还是只该用 suggests？结论适用于这个体系，还是只适用于来源论文里的那个？

当完整的句子先出现，推理的方向会发生一种不易察觉的改变。

我们不再问「证据允许我得出什么结论」，而开始问「我已经有一句话了，哪篇论文能撑住它」。

这种颠倒很容易被忽略，尤其当那句话写得很好的时候。

回到 Mn²⁺ 的例子。

想象在写下解释之前，你先看到自己文献库里的两段短文字。

一段报告 Mn²⁺ 掺入伴随着空位相关缺陷态的减少。

另一段谨慎得多，只说这种变化可能有助于降低非辐射损失。

这时写出来的句子往往会不同：「光致发光的改善，可能与 Mn²⁺ 掺入后空位相关缺陷态的减少有关。」

它不那么决断，也许也不那么漂亮。但它更接近证据实际允许的范围。

有时读来源会导向更强的结果：这个机制根本不该写。

两个观察可以同时出现，而实验并不能表明其中一个导致了另一个。

那种情况下，最好的结果不是一句措辞更谨慎的 AI 句子。

而是删掉这句话。

科研写作里有许多这样的时刻。

有时最好的续写，就是不续。

还有另一种可能。

你本来在找证据，解释光致发光为什么改善。

读来源时，你注意到作者也讨论了连续激发下的稳定性。

你自己这一段里的问题开始偏移。

也许更有意思的，不只是发射为什么变好，而是同一种干预是否同时影响了效率与稳定性。

文献没有帮你写完原来打算写的那一句。

它打断了那一句。

这一点很重要，因为文献检索常常被设计成：去为已经存在的主张找依据。

但研究并不总是按这个顺序推进。

一张图可以提示一个你没想过的比较。一个旧机制可以让当前解释显得太窄。一个忘掉的实验条件可以削弱看起来干净的结论。

有时最有用的证据，是那件让你停下来的东西。

科研写作里有很多摩擦本该消失。

翻文件夹。反复打开同一批 PDF。试五个版本的关键词。找一篇你知道自己读过的论文。滚动到结果出现的那一页。

AI 可以减少其中许多，也应该减少。

可一旦相关证据真的出现在屏幕上，还有另一种摩擦，我宁愿留下。

那几秒里你会问：这篇论文真的证明了这一点吗？实验条件可比吗？作者是在报告观察，还是在做解释？我说的是否比证据允许的更多？

这些停顿不是低效。

相当一部分科学严谨，就住在这些停顿里。

AI 有用的角色，是减少到达证据所需的机械劳动，而不是取消证据出现之后才开始的判断。

一些较新的工具，已经在尝试把来源拉得更靠近写作过程。

Jenni 让研究者把 PDF 和文献库带进 AI 辅助写作与引用流程，使生成文字可以锚定在来源上，而不是孤立产出。

Flowing 的路径略有不同。它把当前稿子与研究者自己的文献库连起来，在写作过程中重新浮现相关来源段落，并让这些段落进入后续的打磨或续写。

实现不同，但底层方向值得注意。

学术 AI 下一步真正有用的，也许不是再写出一句更流畅的话。

而是在句子定型之前，让相关证据更容易被看见。

然后由研究者决定：这个主张该写强、写谨慎、改框架，还是整句删掉。