人工智能系统现在能够以低成本生成看似合理的科学成果，例如论文、评论和调查。这给我们的科学系统（scientific systems）带来了“认知污染（epistemic pollution）”的风险，即不可靠但看似合理的成果会以远超系统过滤速度的速度积累。问题在于结构性因素：科学的认知基础设施是为这样一个世界而设计的：生成一份看似合理的成果需要大量的专业知识、人力和时间，因此生成成本本身就起到了一种粗略的过滤作用；而人工智能削弱了这种过滤作用，却没有相应地降低验证成本。我们认为，“人工智能时代的科学应该将此视为一个工程问题：重新设计认知基础设施，以平衡生成成本和验证成本”。当前以论文为中心的系统使得验证成本高昂：论文将冗长的科学逻辑压缩成散文，迫使审稿人（无论是人还是人工智能）在评估论文之前，必须先重构其潜在的论证结构。作为朝着这个方向迈出的一步，我们提出将“蓝图”（blueprints）作为初步的认知基础设施：它是结构化的、分解的研究成果，以类型化的图组件（graph components）形式表示主张、证据、假设和定义。蓝图旨在以较低的前期生成成本换取下游更经济、更本地化、更分布式的验证。我们已在概念验证原型中实现了这一方案。

请索引第92篇论文

你的论文可能正在“中毒”：AI时代，科学该如何自救？

当生成一篇“像模像样”的SCI比点外卖还快，谁来保证科学的底线？

如果你是一名研究生，最近可能有这种感觉：arXiv上充斥着大量行文流畅、图表精美，但读完后总觉得“哪里不对劲”的综述；审稿意见里，开始出现逻辑自洽却完全没抓住重点的“AI腔”。

这不是错觉。伊利诺伊大学香槟分校（UIUC）的Jiaqi W. Ma助理教授在最新的工作论文《Toward an Engineering of Science》中，提出了一个振聋发聩的观点：科学界正在面临一场“认知污染”（Epistemic Pollution）。

今天，我们就来深度拆解这篇极具前瞻性的论文，看看AI是如何打破科学大厦的平衡，以及我们这些科研民工该如何应对。

01 危机：当“生成”变得廉价，“验证”成了瓶颈

论文指出，传统的科学基础设施（论文、同行评审、引用体系）是在一个“生成成本极高”的世界里建立的。

以前，写一篇论文需要读文献、做实验、推导公式，耗时数月甚至数年。这种高昂的成本本身就是一个过滤器，挡住了大部分垃圾。

但AI改变了游戏规则。

现在的AI可以瞬间生成代码、撰写综述、伪造数据，甚至写出能通过顶会门槛的“完美”论文（论文中提到的AI Scientist-v2已经做到了这一点）。

这就导致了“生成-验证”成本的严重失衡：

• 生成端： 成本趋近于零，速度极快。

• 验证端： 成本依然极高，需要专家花数小时甚至数天去复现、去推敲逻辑。

  
  

这就像是一个城市每天产生十万吨垃圾，但垃圾处理厂的处理能力只有一吨。结果是什么？“认知污染”。

“DDoS攻击”与“僵尸评审”

论文列举了两个令人细思极恐的现象：

1. Survey Paper DDoS Attack： 2025年10月，arXiv的CS板块被迫修改政策，要求综述必须经过正式同行评审才能发布。原因就是AI生成的综述像洪水一样淹没了预印本平台，这是一种针对科研人员注意力的“拒绝服务攻击”。

2. AI评审AI： 有研究显示，顶级AI会议上高达21%的审稿意见是由AI生成的。这意味着：AI写的论文，正在由AI来审稿。

   
   

如果这一闭环形成，科学将不再是真理的探索，而是“胡说八道”的自我繁殖。

02 病灶：为什么现在的论文这么难审？

为什么验证成本降不下来？论文一针见血地指出：因为我们的载体是“散文式论文”（Prose Paper）。

我们现在的论文是线性的、叙事性的文本。为了可读性，作者把复杂的逻辑网络压缩成了流水账。

作者的脑海里是一张图（Graph），写出来却变成了一条线（Text）。

审稿人拿到论文后，必须做一件极其痛苦的事——“逆向工程”。你要从几千字的文本中，把作者脑海里的那张逻辑图重新拼凑出来，找到Claim（主张）、Evidence（证据）、Assumption（假设）之间的关系。

这不仅耗时，而且极易出错。这也是为什么现在的AI很难自动审稿——因为长文本的线性化丢失了结构信息。

03 解药：Blueprint（蓝图）——科学的“工程化”尝试

为了解决这个结构性问题，作者提出了一个激进的方案：重构科学产出物本身。

他提出了 Blueprint（蓝图） 的概念。这不仅仅是一个新格式，更是一种新的科研范式。

Blueprint借鉴了数学界著名的 leanblueprint（用于Lean定理证明）的思想，将长篇大论分解为结构化的论证图谱。

1. 什么是Blueprint？

Blueprint是一个有向图（Directed Graph）。在这个图中：

• 节点（Nodes）： 包含 Claim（主张）、Evidence（证据）、Assumption（假设）、Definition（定义）、Risk（风险）等。

• 边（Edges）： 定义了它们之间的逻辑关系，如 Supports（支持）、Expands（展开）、Contradicts（反驳）。

  
  

为了让你直观理解这种数据结构，请看论文中的示意图：

这是一个典型的Blueprint结构。不再是线性的文字，而是模块化的组件。每一个Claim都需要有明确的Supports关系指向它。

2.双界面协作

为了让人类和AI都能编辑，Blueprint设计了两个接口：

• 浏览器画布（Canvas）： 给人类看的思维导图式界面。

• 命令行接口（CLI）： 专门给AI Agent用的API。

作者在左侧用自然语言写草稿，右侧通过CLI指挥AI Agent去填充证据、检查逻辑漏洞。两者实时同步。

3. 状态追踪（Status）

Blueprint引入了软件工程中的“状态管理”。

• 一个Evidence可以是 Missing（缺失） -> Cited（已引用） -> Verified（已验证）。

• 一个Claim可以是 Draft（草稿） -> Stated（陈述） -> Supported（被支持）。

  
  

这种机制让“半成品”科学变得透明。 审稿人一眼就能看出，这篇论文有多少主张是“裸奔”的，没有任何证据支持。

04 启示：对我们本硕博学生意味着什么？

读完这篇论文，图科学实验室认为，这对我们年轻研究者既是挑战，也是巨大的机遇。

1. 警惕“AI代写陷阱”

如果你的研究只是把数据喂给AI，让它生成漂亮的叙事，你的工作很可能成为“认知污染”的一部分。未来的评价体系一定会惩罚那些没有透明逻辑结构的“黑箱研究”。

2. 学会“分解”你的研究

不要只盯着最终的PDF论文。试着像搭积木一样构建你的研究：

• 我的核心主张是什么？（Claim）

• 支撑它的证据链在哪里？（Evidence Graph）

• 哪些是强假设？（Assumptions）

  
  

Blueprint思维能帮你提前发现逻辑漏洞，而不是等到审稿人指出来才后悔。

3. 拥抱“人机协作”的新范式

论文中提到，Blueprint允许AI Agent作为协作者。你可以让AI去查漏补缺，去质疑你的假设（Risk），去整理证据。

未来的科学家，不再是谁更能写，而是谁更能设计好这张“逻辑蓝图”。

05 结语

这篇论文不仅仅是关于工具的革新，它是对科学本质的一次回归。

正如作者所言：“科学不应该只是看起来像科学（Plausible），它必须是可验证的科学（Verifiable）。”

当AI能轻易制造出“看起来像科学”的垃圾时，我们需要像工程师一样，重新设计科学的管道，把“验证”的成本降下来。Blueprint或许只是一个开始，但它指明了一个方向：在AI时代，只有结构化的真理，才能对抗生成式的噪音。

各位同学，你们觉得这种“蓝图式科研”可行吗？欢迎在评论区留言讨论。

关注 @图科学实验室Graph Science Lab，带你用图视角看透前沿科技。