问题——“能写论文”不等于“会做科学”；科研并不只是生成数据和文字，还包括界定问题、选择方法、搭建证据链以及进行可重复性验证等环节。《自然》杂志此次介绍的系统，模拟了研究者的常见流程：先从文献数据库筛选研究方向，再自动生成并运行实验代码，随后用排版工具完成论文写作，同时加入自动化自评程序，对准确性、质量和原创性进行检查。Sakana团队将系统生成的论文投向ICLR的一场机器学习研讨会，其中一篇通过评审，平均得分6.33分。引发关注的关键于：传统上由同行评审把守的“关口”，出现了被自动化产出跨越的案例，科研生产方式可能因此被重新理解。 原因——数据、算力与工具链成熟，推动“端到端”自动化。近年来，通用模型在文本生成、代码生成和信息检索上的能力提升明显；叠加开放文献资源、标准化实验框架和自动化排版工具，“从想法到论文”的链条更容易被拆解为可计算的步骤。尤其在机器学习等工具化程度高、实验范式相对统一的领域，研究流程更容易被程序化复现。同时，学术会议的研讨会通常鼓励探索性尝试与方法展示，也为这种新形态投稿提供了试验空间。 影响——效率红利与系统性风险同时放大。积极的一面是，自动化科研可在文献梳理、基线复现、参数试验、代码排错等环节显著节省人力与时间，降低试错成本，让团队把更多精力放在关键假设与方法创新上；对资源有限的机构而言，这类工具也可能抬高研究起点、加快产出节奏。 但风险同样突出。首先，生成式系统仍可能出现事实错误与“虚构引用”，或在图表与实验描述中产生重复和不一致；若缺少严格复核，容易形成“看起来完整、实际脆弱”的证据链。其次，一旦自动化投稿规模化涌入，同行评审压力会陡增，评审质量可能被挤压，进而影响学术共同体的信任基础。再次，如果评价机制过度强调论文数量与速度，自动化产出可能被用于不当“堆量”，扰乱科研生态，并挤压原创劳动与长期研究的空间。 对策——从规则、技术与文化三上完善科研治理。一是建立清晰的披露与责任机制。期刊与会议可要求作者投稿时说明自动化工具参与的环节与比例，并明确通讯作者对数据、代码与结论承担最终责任。二是提高可核验标准。鼓励或强制开放代码、数据与实验日志，推进可重复性审查，让“能写出来”对应“能复现出来”。三是改进评审工具与流程。引入更严格的引用核验、图像与文本相似度检测，并探索分层评审、快速复核与抽检机制，避免评审资源被低质量稿件大量消耗。四是优化评价导向。科研管理部门与用人单位应减少对单一论文指标的依赖，提高对数据集、软件工具、复现贡献与真实影响的评价权重，抑制“数量竞争”。 前景——人机协作或成常态，关键是把“自动化”限定在可信边界内。趋势上看，自动化系统更可能先在标准化、可验证的环节普及，例如文献综述辅助、实验基线复现、代码生成与审稿初筛等；而在研究问题选择、理论突破与跨学科洞察上，人类研究者的判断仍难以替代。未来一段时间，科研共同体面临的不是“用不用”，而是“如何规范用、如何可信用、如何公平用”。谁能率先建立透明、可复核、可追责的制度框架，谁就更可能在新科研范式的竞争中占据主动。
这场由技术创新带来的科研范式变化，一方面提供了效率提升的机会，另一方面也对学术伦理与治理提出了更高要求。在科技与人文的交汇处，需要以开放但审慎的态度，探索兼顾创新与规范的发展路径。正如诺贝尔物理学奖得主卡尔·威曼所言：“真正的科学进步永远需要人类的智慧引领，技术只是让我们走得更远的工具。”