AI写论文成常态，科研AI如何抢滩下一张船票

近年来，人工智能在学术领域的应用已从概念走向实践。根据Nature 2026年8月报道的一项研究，分析PubMed Central收录的生物医学论文后发现，到2025年12月，接近九成论文出现了AI辅助写作的痕迹。这一数字远超2024年的52%和2023年的约20%，显示出AI在科研写作中的快速渗透。

值得注意的是，这项研究检测的是论文文本中词频的变化，而非逐篇判定论文是否由AI生成。数据显示，AI对论文不同部分的影响程度存在显著差异：讨论（Discussion）部分受影响最大，占比68%；摘要（Abstract）为67%；引言（Introduction）为59%；结果（Results）部分为46%；而方法（Methods）部分仅占32%。这表明AI主要作用于论文的语言层面，而非数据和方法本身。

与此同时，另一项经过同行评议的研究（Kyle Siler）得出的数据更为保守：2023年为12%，2025年为57%。两种研究方法的不同导致结论差异达20个百分点，反映出“多少论文使用了AI”这一问题的答案很大程度上取决于研究方法和样本选择。

这些数据揭示了一个重要趋势：AI参与科研写作已成为既成事实，但其应用仍停留在辅助层面。真正涉及研究真实性和学术诚信的问题——即让AI代替人类完成整个研究过程——尚未成为主流。然而，对于科研AI公司而言，这并非终点，而是新的起点。

三年前，一款能上传PDF、总结文献、润色英文、按主题生成初稿的产品就足以吸引研究者。但如今，当用户可以直接使用ChatGPT、Claude或Gemini等通用大模型时，单纯提供论文生成服务的商业模式变得越来越难以为继。文件读取、联网搜索、长上下文处理、代码执行、数据分析、LaTeX生成等功能，正逐渐成为通用大模型的标配能力。

因此，科研AI公司开始思考下一个增长点：如何嵌入研究者从提出问题到最终成文的完整过程？一些早期专注于论文生成的工具，如Textira，已经开始提供更全面的服务，包括实验设计、结果分析、写作指导和期刊格式化等。这些变化表明，科研AI正在从“帮你写论文”向“帮你做研究”转型。

在这一转型过程中，垂直科研AI面临的挑战与机遇并存。一方面，通用大模型的能力提升压缩了垂直产品的生存空间；另一方面，研究者对高效、集成化工具的需求依然存在。特别是在需要大规模数据、算力和工程验证的场景下，公司仍然具有优势。

例如，香港大学助理教授李弘扬创办的源策未来，致力于为具身机器人打造一个“具身大脑”，将环境理解、任务规划和全身运动控制连接起来。南洋理工大学副教授刘子炜创立的Roepedia，则专注于具身数据和基础设施建设。清华大学副教授章明星参与孵化的趋境科技，关注训练和推理成本优化。这些项目都表明，科研AI正在向更具深度和广度的方向发展。

尽管如此，高校在基础研究和长期探索方面仍然不可替代。小规模、资源需求有限的研究问题，以及技术路线尚未收敛的领域，更适合留在学术环境中进行探索。

总的来说，AI在科研写作中的应用已经进入常态化阶段，但其价值实现方式正在发生深刻变化。科研AI公司需要重新定位自身角色，才能在激烈的市场竞争中找到新的增长点。