瓶颈已经转移：当 AI 已经能写，真正重要的是什么

人们谈学术写作，常常好像难处在于把想法变成句子。有时确实如此。可一旦研究者已经深入一篇论文，更难的决定通常发生在句子出现之前。

一段关于实验结果的文字，可以合理走向好几个方向。作者可能去解释机制、和前人工作比较、引入局限、从效率转到稳定性，或者判断这段已经写完了。

语言模型可以把这些续写都写出来。

它能写，并不等于告诉我们哪一句该出现在这里。

生成式 AI 极大地增加了「像样语言」的供给。研究者不必再费力想出三种可能的续写；模型可以在你想完第一种之前，先给出十种。

选择变多，只在一定范围内有用。过了那个点，工作就变成了筛选。

研究者仍然要判断：这个方向是否符合这一段的角色，证据是否够强，机制是否被说重了，以及一篇看起来相关的论文是否真的支撑新句子所声称的内容。

讽刺的是，散文写得越好，这件事反而可能更难。

如果 AI 写出一句别扭的话，我们会检查它。如果它写出一句用对了术语、套上了熟悉科学解释的漂亮句子，注意力会很快从「这站得住吗」滑向「这读起来顺吗」。

Mn²⁺ 的例子说明了这一点。一句关于缺陷钝化的陈述可以在科学上说得通，却仍然在好几处失败：实验条件可能不同，来源也许只支持一般机制而不支持这么强的表述，或者这句话只是把稿子带到了作者并不想去的地方。

这些其实都不是语言问题。

还有一个原因，让「生成」越来越不该占据全部注意力。

研究者手头已经拥有远比自己能主动记住的更多、潜在有用的信息。

文献库的增长方式很奇怪。一开始，几乎每篇都熟悉。几年后，可能有几百甚至上千份 PDF。许多曾经认真读过。有些恰好包含今天这段话需要的实验、限定或比较。

但研究者已经记不清，无法干净地把它们找回来。

记忆常常是残缺的：有一篇论文在连续激发下做过类似的事。或者：我记得有一张图，掺杂似乎占据某个格位。或者只是：这个机制我以前见过。

到了这个阶段，普通搜索框会变得格外苛刻。它要求研究者先把半成形的记忆翻译成正确术语，系统才能帮忙。

记忆往往不是这样工作的。

识别常常先于语言。

你可能想不起一篇论文的标题、作者和关键词，可一旦再看到相关段落，几乎立刻就能认出来。

所以，论文里的一小段，有时比排得再完美的十个标题更有用。

片段不只是搜索结果。它可以是线索。

有时反应很直接：对，就是这篇。但更有意思的情况是：重新浮现的段落改变了思路的方向。

也许你本来在找关于效率的证据，一段文字却提醒你，同一项研究还报告过你已经忘掉的稳定性效应。也许另一种材料体系里的机制，提示了一个你没打算做的比较。也许这篇论文其实没有你记忆中那么能撑住结论，于是你决定这句话根本不写。

这些结果在常规的 AI 演示里都不怎么好看。可能一个段落都没生成。

但有用的事情已经发生了：掉出工作记忆的知识，重新回到了写作里。

大型文献库通常被当成存储和检索问题。我们把论文放进文件夹、打标签、做全文索引、改进搜索。

这些都很重要。可一旦库足够大，另一个问题就会出现。

问题不再只是：信息是否存在于库的某处。

而是：对的那一块，能否在它变得有用的那一刻，重新进入研究者的注意。

搜索从已经被说清楚的需求开始。

回忆不必总是如此。

它可以从稿子本身开始。

面对 AI 的局限，常见反应是：再加更多上下文。

把整篇论文给模型。再给它二十篇。加大上下文窗口。加上笔记、过往对话，最后把整个文献库都塞进去。

这样做当然有好处，但研究文献库也暴露了这个想法的边界。

一千份 PDF 里已经有海量上下文。对正在写的这一段来说，其中几乎全部都无关。

有意思的问题不是系统能装下多少信息，而是它能多好地决定：什么值得被激活。

想象一位研究者正在就某个实验观察写三句话。库里有两段十八个月前读过的文字，直接关系到机制；另有一段挑战了最显而易见的解释；还有几百篇共享同一批宽泛关键词、对这一刻却毫无帮助的论文。

把它们全部放进更大的上下文窗口，解决不了问题。

找出那几段值得看的碎片，也许可以。

生成与决策支持的分别，正是从这里开始变得重要。

一个有用的系统，可以在研究者还在决定这一段意味着什么的时候，把这些碎片浮现出来。它们不必规定下一句该怎么写。其中一段可能支撑它，另一段可能削弱它，还有一段可能说服研究者把这句话删掉。

学术工具历来把稿子和文献库当成两个地方：你在一边写，必要时再到另一边搜。

AI 让我们有机会把它们连得更紧，但仅仅连上还不够。

真正重要的是：什么穿过这条边界，以及在什么时候穿过。

有时一个标题就够了。常常不够。

一段正文、一张图注、结果附近的几行，才可能真正改变研究者下一步会想什么。

这是我越来越看重的部分。

如果 AI 已经能写出那句话，下一个问题也许不是让它生成得更多。

而是如何重组生成之前发生的事。

今天，一种相当常见的科研写作流程仍然是：写 → 隐约想起什么 → 离开稿子 → 搜索文献库 → 试几个查询 → 打开 PDF → 定位段落 → 回到稿子 → 问 AI → 继续写。

每一步单独看都还能应付。

摩擦来自：每次都要重新搭建稿子与文献之间的连接。

如果把稿子本身当作信号，另一种工作流就变得可能。

这一段已经告诉了我们很多：研究者此刻在讨论什么、刚刚确立了什么、哪些概念是活跃的，以及接下来可能需要什么样的证据。

这意味着，文献要变得有用，研究者不必总是先停笔、再编出一个搜索词。

在论证还在成形时，研究者自己的文献库里，可以重新浮现少量相关段落。

不是五十篇推荐论文。

也不是把整个库压进一个上下文窗口。

只是几段真正有机会在这里起作用的碎片。

一段可能找回研究者本来就在回想的那篇。

另一段可能揭示：记忆中的证据其实比预想的弱。

第三段可能引入一个研究者根本没在找的比较。

到了这一步，工作流不再那么像「提示词 → 生成」，而更像「稿子 → 相关碎片 → 识别 → 证据 → 判断 → 写作」。

AI 在这条链的末端仍然重要。它可以帮助把已经决定的意思写清楚，提出一种续写，或改进表达。

但生成不必再是系统做的第一件有意思的事。

有时最有用的介入，发生在句子出现之前。