【编译】机器吞噬自身：人工智能与“发表或灭亡”的终结

The Machine Consumes Itself: Artificial Intelligence and the End of Publish-or-Perish

作者简介：

托马斯・马纳布（Thomas Manabu），英国伦敦。

编译：清华全球传播编辑部

编校：童桐

原文刊载于： Postdigital Science and Education，2026年。本文为简译版本，仅作学习交流使用，如需引用请参考原文。

研究背景与核心观点

生成式人工智能进入学术界后，相关讨论大多集中于学生是否可以使用ChatGPT、研究者是否需要声明AI使用，以及期刊如何检测AI生成文本。作者认为，这些讨论隐含着一个前提：现有学术生产和评价体系基本正常，AI只是一个需要被管理的新工具。

本文提出了更激进的判断：真正遭遇危机的不是“学术”本身，而是过去数十年支配大学运行的“发表或灭亡”（publish-or-perish）制度。生成式人工智能并非从外部破坏这一制度，而是把它自身的逻辑推向极致。

过去四十年，大学越来越倾向于把知识生产转化为可测量、可比较的成果单位。论文被数据库收录、排序和计数，再通过期刊等级和引用次数转化为职位、晋升、经费与学术声望。论文因此不仅是知识交流的载体，也成为学术评价体系中的一种“货币”。

问题在于，当学术体系已经把科研劳动压缩为标准化、可计量的文本成果时，大语言模型恰好出现了。它可以快速生成、润色、翻译、概括和修改这些文本。换言之，大学花费数十年把学术成果塑造成一种标准化产品，而AI完成了最后一步：让这种产品也可以被机器大规模生产。

机器生产论文，也开始参与审稿

这种变化已经不只是理论推演。一项分析超过1500万篇PubMed生物医学论文摘要的研究发现，ChatGPT发布后，与大语言模型使用相关的词汇显著增加，据此估计，2024年至少13.5%的生物医学摘要经过LLM处理，在部分子领域这一最低估计达到40%。这并不意味着所有AI辅助论文都存在问题，而是说明论文文本与背后人类劳动之间原本相对稳定的关系正在松动。

更值得注意的是，AI不仅进入论文生产，也开始进入同行评审。文章援引的研究显示，ICLR、NeurIPS、CoRL和EMNLP等会议中，已有相当比例的审稿文本受到大语言模型实质性修改；另一项研究发现，约20%的ICLR 2025评审和12%的 Nature Communications评审被识别为AI生成。

于是，一个循环正在形成：论文可能由AI辅助生成，再由AI辅助评审，随后进入数据库、获得引用，并成为后续机器生成内容的材料。同行评审原本承担着“由专业同行作出判断”的认证功能，当生产和评价同时越来越多地被机器介入，这种认证本身也会变得不稳定。

文章还提到，NeurIPS 2025录用论文中出现了AI“幻觉”生成的虚假引用，而论文工厂、异常同行评审和大规模撤稿问题早在生成式AI出现前就已经存在。更麻烦的是，一篇问题论文即使被撤回，也可能继续留在引文网络和系统综述中传播影响。

因此，AI真正放大的，是学术出版体系原本已经存在的脆弱性：论文生产越来越便宜，但可靠的人类判断仍然稀缺。

AI可能改变“学者是怎样形成的”

作者进一步指出，生成式AI影响的不只是论文数量，也可能改变学术训练本身。

传统上，研究生通过阅读、总结、写作、修改和审稿逐渐形成专业判断。这些看似低效的任务，本身就是成为学者的过程。但现在，学生可以让AI总结论文、生成文献综述、提出论点，甚至快速生成一份审稿意见。

每一种使用单独来看都具有吸引力：省时、便利、降低门槛。但当这些原本承担训练功能的任务持续被外包，学术能力形成的路径也可能被逐步切断。作者形象地指出，新人最终可能“不再加入一个学术共同体，而是加入一套工作流”。

当然，AI也确实降低了语言门槛，尤其有利于非英语母语研究者。但作者区分了“成果输出的民主化”与“学术实践的民主化”：更容易生成一篇符合期刊规范的文章，并不等于更容易形成独立的问题意识、判断力和研究能力。

论文不再稀缺之后，如何评价学术贡献

如果论文数量越来越难代表真实学术能力，那么仅靠加强AI检测并不能解决问题。作者主张重新设计学术评价体系，并提出四个方向。

第一，从“论文数量”转向“具体贡献”。数据集建设、代码维护、研究方案、公共传播、教学和长期学术指导等，都应当被视为独立的学术贡献，而不是全部压缩进论文数量。

第二，从封闭的匿名同行评审转向更加开放、可追踪的学术对话，包括开放评审、发表后评议、注册报告和公开评论。公开讨论留下具体理由，也更难被机器大规模伪造。

第三，重新重视研讨会、博士答辩、会议交流、导师指导、田野调查和实验室实践等无法无限扩张的现场活动。过去，“不能规模化”被视为低效率；在AI时代，这种摩擦反而可能成为证明真实学术参与的重要条件。

第四，承认更加多元的知识生产方式。现有以论文、引用和数据库为核心的评价体系具有鲜明的欧美制度来源，其动摇也可能为不同地区、不同学科和不同知识传统提供新的认可空间。

结论与讨论

作者最终并不是在宣告“人工智能将终结学术”。真正可能走向终结的，是20世纪后期逐渐形成的、以论文数量和引用指标配置职位与声望的“发表或灭亡”制度。

过去，一篇论文通常意味着大量人类劳动，因此论文数量至少能够粗略代表科研投入与能力。但当论文可以被快速生成、修改和评价之后，这种对应关系正在削弱。检测AI、要求披露AI使用，甚至设计更复杂的新指标，都难以恢复原来的稀缺性。

因此，真正需要重新回答的问题是：如果学术不再以生产尽可能多的可计量论文为目标，那么学术究竟为了什么？它可能是为了培养判断力，为了维护公共理性，也可能是为了通过缓慢、细致和情境化的研究理解具体的人、地方与问题。文章最后留下一个开放问题：在“发表或灭亡”之后，我们希望建立怎样的学术世界？

机器可以把旧 体系的逻辑推向极致， 但机器之后的学术世界，仍应由人来决定。

原文链接：Manabu, T. (2026). “The Machine Consumes Itself: Artificial Intelligence and the End of Publish-or-Perish.” Postdigital Science and Education.https://doi.org/10.1007/s42438-026-00666-0