AI科研时代，人的价值在哪里（三）：论文写作
上一篇谈了 AI 与论文阅读，今天讲第三个部分——论文写作。
论文写作可能是 AI 最难真正替代人的一个环节。
AI 很容易给你一篇"及格"的论文，但想把它从 60 分改到 80 分，花的功夫往往不比自己重写少。越往上改，边际收益越低。
当然，这件事首先要区分工程类论文和人文社科论文。
一、工程类 vs 人文社科
对于工程类论文来说，AI 的介入相对容易。
它们研究 gap 往往更加明确，methodology 很多已经体现在 code、实验记录、系统架构和算法流程里，而且这些东西都是可以被显性提取的
所以只要研究本身已经做得比较完整，AI 往往能比较容易地总结出主要卖点，再组织成一条基本合理的叙述线。
但到了人文社科，事情就完全不一样了。
人文社科论文的写作并不是把"已有信息整理成句子"这么简单，它更像一条河。
文章始终有一条中心叙述，但过程中要不断汇入新的理论、文献和证据。
有的地方应该快速推进，有的地方需要停下来铺垫；有些理论值得展开，有些理论虽然相关，却只能轻轻带过。
河还是那条河，但什么时候加速、什么时候转弯、什么时候让一条支流汇进来，严重依赖研究者自己的判断。
二、AI 最容易出问题的地方
而这恰恰是 AI 最容易出问题的地方。AI 最大的问题并不是不会写句子，而是抓不住为什么要这样写。
它经常会抓住一个点，然后展开成四五个并列的小概念，每个都没错，但就是不肯点破背后的核心。看起来写了很多，实际上一直在门口徘徊，就是不进去。
你问它一个问题，它很容易给你三个维度、四个方面、五个特点。但哪个才是核心？为什么是这四个？它们之间是什么关系？这些问题 AI 往往回答不好。
三、好的文章是一个圆
所以我越来越觉得，好的论文其实是一个整体。Research question、literature review、theoretical framework、method、results、discussion 不是几个独立章节，而是在不断互相回应。
前面提出的问题，会在后面的 method 中被操作化；literature review 里提出的 tension，会在 findings 中重新出现；理论框架中的概念，会决定你如何解释结果；discussion 最终又应该回到文章一开始提出的问题。
一篇真正好的论文，很多东西是跨章节发生联系的。
而 AI 最大的弱点之一，就是特别容易局部正确、整体失焦。
四、那么，人的价值到底在哪里？
我现在觉得，核心在于研究者拥有整篇文章的作者性。你要知道：
- 这篇文章到底想证明什么，哪些东西是真正重要的；
- 什么时候应该展开，什么时候应该收住；
- 不同章节之间应该如何互相回应。
AI 可以帮你表达，但它不能替你拥有一个必须被表达出来的中心判断。换句话说，研究者真正握住的不是键盘，而是整篇文章的叙述权。
五、如何合理利用AI写作？
我并不反对用 AI 写论文。相反，我自己也大量在用。
但如果想让 AI 真正参与论文写作，比较稳妥的办法是把论文当成一个系统工程。我比较推荐参考 Paper Spine、Academic Paper Research 这类 skill 的思路。
- 文献综述最好先结构化成表格。明确每篇文章研究了什么、用了什么方法、得出了什么结论、彼此之间有什么差异。
- 把你脑子里的东西显性记录下来。比如自己的学术背景、论文目标、research question、理论框架、章节结构等等。
- 每个章节提前写清楚三件事。这一节要解决什么问题？承接前文什么内容？最后要把读者带到哪里？
- 给 AI 几篇真正好的参考论文。如果你的领域有比较特殊的写作传统，还可以给 AI 几篇真正好的参考论文，让它理解这个领域的论证方式和叙述节奏。
- 最后处理语言层面。最后用用 Humanizer、Stop Slop 之类的 skill 去处理语言层面的机械感和 AI 味。
整个过程其实很像 coding。你需要把原本存在于脑子里的文章结构、约束和依赖关系显性化，再让 AI 去完成局部任务。
这一整套流程确实很重，但它能真正解决怎么让 AI 尽量不要破坏研究者原本的文章意图。最后你可能会得到一份 70 分甚至更好的 AI 初稿。
结语
但这套复杂流程本身也说明了一件事：
真正决定论文质量的，从来不是句子是谁写出来的。
真正有价值的是谁决定文章想证明什么，谁在选择论证路径，谁在不断删除不重要的内容，谁在维持不同章节之间的联系，又是谁最终对这套论证负责。
AI 可以替代一部分写作劳动。但研究者不能把自己的作者性一起外包出去。
我是Erwin，PolyU在读PhD，前Alibaba & Shopee开发，专注AI Agent行业。我会分享硬核的前沿AI知识和开发干货。如果你也是AI Builder，欢迎关注我。
