AI如何改变同行评审？机遇、风险与实践指南

人工智能正在进入学术出版的核心环节。从论文初筛、参考文献核查，到审稿意见生成和学术质量评估，AI逐渐改变着编辑、审稿人和作者的工作方式。过去需要研究者花费数小时完成的部分重复性任务，现在可能在几分钟内得到辅助结果。

但同行评审并不是普通的文字处理工作。它涉及研究设计是否合理、证据能否支持结论、统计方法是否可靠，以及研究是否真正推动了科学认识。AI能够提高部分环节的效率，却也可能带来新的问题：模型幻觉、偏见放大、机密泄露、审稿责任模糊，以及审稿意见越来越像“标准化模板”。

因此，讨论AI如何改变同行评审，不能只关注“AI能不能写审稿意见”，更应该回答三个问题：

第一，哪些评审任务适合AI辅助？第二，哪些科学判断仍然必须由人完成？第三，如何在提高效率的同时保护学术诚信和作者权益？

本文从AI在同行评审中的实际应用出发，分析其机遇与风险，梳理主要出版机构的政策原则，并为作者、审稿人和期刊编辑提供可操作的实践建议。

一、AI为什么正在改变同行评审？

同行评审长期面临审稿人短缺、稿件数量增长、审稿周期延长和质量控制压力。AI的出现，为部分流程提供了新的技术解决方案。

需要注意，AI在学术出版中的应用并不是2024年才开始。早期的自动化工具已经用于拼写检查、格式核查、文本相似性分析和部分稿件筛选。近几年，生成式人工智能和大型语言模型的发展，则使AI从“检查工具”逐渐走向“内容辅助工具”。

这两类AI应用需要区分：

• 传统自动化工具：按照预先设定的规则检查格式、文字相似性或特定技术指标。
• 生成式AI工具：根据输入内容生成摘要、评论、修改建议或自然语言解释。

前者通常更容易验证结果，后者则具有更强的灵活性，但也可能产生看似专业、实际上错误的内容。

1. AI能够处理哪些同行评审任务？

目前，AI比较适合辅助处理以下几类工作：

这里有一个重要边界：AI能够提示问题，不等于已经证明问题存在；AI没有提示问题，也不意味着论文不存在问题。

例如，模型可以提醒审稿人“该研究可能缺少对照组”，但它未必理解某些实验设计本身就不需要传统对照。相反，一篇方法描述非常规范的论文，也可能存在AI无法识别的关键实验缺陷。

2. AI能否解决审稿危机？

AI确实可能缓解部分同行评审压力，但“解决审稿危机”是一个过大的说法。

在上一篇文章中，我们讨论了审稿人短缺、时间成本和激励不足等问题。AI可以减少部分重复性工作，但不能直接增加具有相应专业知识、愿意承担责任的审稿人数量。

更准确地说，AI可能通过三条路径改善同行评审：

降低重复劳动。 例如辅助格式检查、文字整理和部分文献核查，让审稿人把更多时间用于科学判断。

提高流程一致性。 结构化的AI辅助工具可以帮助审稿人围绕研究问题、方法、结果和局限性组织意见。

支持编辑管理。 AI可能帮助编辑识别稿件中的形式问题、整理审稿意见或发现需要进一步人工核查的地方。

但它也可能带来反作用。如果AI让更多论文和审稿意见能够快速生成，期刊收到的内容总量可能增加，编辑反而需要投入更多时间筛选低质量结果。

因此，AI更适合被理解为同行评审的“辅助基础设施”，而不是替代审稿人的自动化解决方案。

二、AI辅助同行评审的主要机遇

AI的价值并不只在于提高速度。更重要的是，它可能帮助审稿人改善工作流程，让一些长期被忽视的质量控制任务得到更多关注。

1. 让审稿人把时间用在更重要的科学问题上

一份高质量的审稿意见，通常需要同时考虑研究问题、实验设计、统计分析、结果解释和论文表达。审稿人如果把大量时间花在格式检查和重复性文字修改上，就可能减少对科学核心问题的投入。

AI可以承担一部分低价值重复工作。例如，审稿人完成科学判断后，可以使用经过期刊允许的工具辅助整理意见结构、改善语言清晰度或识别前后表述不一致。

这种使用方式与“让AI代替审稿人判断论文是否可靠”有本质区别。

一个合理的工作流程是：

AI辅助审稿的合理流程

1. 审稿人独立阅读论文，理解研究问题与主要结论。
2. 根据研究设计，形成初步科学判断和关键问题。
3. 使用获期刊允许的AI工具辅助整理意见或检查表达。
4. 逐条核查AI输出，删除错误内容和无依据的建议。
5. 由审稿人提交最终意见，并对内容承担责任。

这里的关键不是AI参与了多少，而是科学判断是否仍然来自审稿人的独立分析。

2. 帮助审稿意见更加结构化

传统审稿意见常常存在结构不清晰的问题。一份意见可能从实验设计跳到语言问题，再回到参考文献，作者难以判断哪些是必须解决的关键缺陷，哪些只是建议性修改。

AI可以帮助审稿人将意见按照不同维度整理，例如：

• 研究问题与创新性。
• 研究设计和实验方法。
• 数据分析与统计方法。
• 结果是否支持结论。
• 研究局限性。
• 论文表达和报告完整性。

对于跨学科研究，结构化尤其有价值。审稿人可以借助明确的评价框架，减少遗漏某些重要环节的可能性。

但需要警惕一种误区：结构化不等于标准化。不同研究设计需要不同的评价重点，不能要求所有论文都按照同一套模板判断。

例如，临床试验、动物实验、计算生物学研究和理论模型研究，其核心质量问题并不相同。AI生成的统一检查清单，只能作为辅助起点，不能替代学科特定的评价标准。

3. 改善审稿意见的可读性与建设性

高质量审稿不只是指出错误，还应帮助作者理解问题的原因、影响和可能的改进方向。

例如，以下两种意见的价值明显不同：

“The statistical analysis is insufficient.”

与：

“The statistical analysis does not clearly account for the repeated measurements from the same subjects. Please clarify whether a model accounting for within-subject correlation was used, and explain how the chosen approach affects the interpretation of the reported results.”

第二种意见更具体，指出了问题可能涉及的统计结构，也要求作者解释分析方法和结果影响。

AI可以辅助审稿人改善语言清晰度、减少模糊表达，并帮助区分主要问题和次要问题。

但它不能凭空创造科学依据。如果审稿人自己没有判断出“为什么统计方法存在问题”，AI也不能可靠地替代这种判断。它最多只能生成一段听起来合理的解释，而这段解释可能并不适用于当前研究。

4. 为早期职业研究者提供审稿学习工具

对于博士生、博士后和刚开始承担审稿任务的研究者，AI可以成为一种辅助学习工具。

新手审稿人常见的困难包括：

• 不知道如何开始阅读一篇陌生领域的论文。
• 难以区分主要科学缺陷与一般语言问题。
• 不确定审稿意见应写到什么程度。
• 担心自己的表达不够专业或过于直接。

在不上传机密稿件的前提下，研究者可以使用AI学习审稿框架、理解统计概念、练习如何提出建设性意见，或者分析公开发表的审稿案例。

例如，可以让AI解释：

“一份高质量的生命科学论文审稿意见通常应包含哪些部分？请结合研究问题、实验设计、统计分析和结论解释说明。”

这类学习用途与把未发表论文直接上传给AI进行审稿，有明显区别。

AI可以帮助新手学习如何审稿，但不能替代新手建立真正的科研判断能力。

三、AI生成审稿意见的风险：为什么“看起来专业”并不等于可靠？

AI在同行评审中的最大风险之一，是它能够生成流畅、权威、结构完整的文字，却未必真正理解论文的科学内容。

这对同行评审尤其危险，因为审稿意见往往具有较强的权威性。作者和编辑可能因为语言专业、结构清晰，就误以为意见已经经过充分的科学分析。

1. 模型幻觉：AI可能提出不存在的问题

模型幻觉是指AI生成看似合理、但实际上错误或缺乏依据的信息。

在同行评审中，幻觉可能表现为：

• 虚构不存在的参考文献。
• 错误理解论文中的实验结果。
• 将论文没有使用的统计方法归因于作者。
• 声称某个实验缺少对照，但实际设计已经包含。
• 将作者的合理结论描述为“过度外推”。
• 生成并不存在的研究规范或期刊要求。

例如，一篇论文使用线性混合模型分析重复测量数据，AI可能因为没有正确理解研究设计，而要求作者改用完全不同的统计方法。这样的建议如果未经核查，可能导致作者进行不必要甚至不合理的修改。

ICMJE明确指出，AI能够生成听起来权威的内容，但输出可能错误、不完整或存在偏见，因此人类必须对AI辅助生成的内容进行核查。

2. AI可能放大已有的学术偏见

AI并不是在真空中学习的。模型训练和使用过程中可能接触大量历史论文、学术文本和人类评价，而这些材料本身可能包含学科偏见、语言偏见、地域偏见和研究方向偏见。

如果审稿人依赖AI生成评价，模型可能强化某些既有倾向，例如：

• 更偏好主流理论或热门研究方向。
• 对非英语母语作者的表达问题过度关注。
• 对来自不熟悉机构或地区的研究产生不合理怀疑。
• 将与训练数据中常见模式不同的研究误判为质量较低。
• 对跨学科研究缺乏准确的评价框架。

这并不意味着所有AI工具都会自动产生这些问题，而是说明AI的判断不能被视为天然中立。

同行评审中的偏见本来就难以完全消除。如果AI只是把已有偏见以更流畅的语言重新表达，甚至赋予它技术权威，那么问题可能变得更加隐蔽。

3. AI可能制造“审稿意见模板化”

审稿意见的质量不仅取决于语言是否正确，还取决于它是否真正针对论文。

如果大量审稿人依赖相同的AI工具和相似提示词，可能出现以下现象：

• 审稿意见结构高度相似。
• 反复要求作者“增加创新性”或“补充更多文献”。
• 产生大量泛泛而谈的修改建议。
• 对不同学科使用相同的评价标准。
• 语言更加礼貌，但科学内容并没有变得更深入。

这种“模板化审稿”可能让作者获得更容易阅读的意见，却未必得到更有价值的科学反馈。

对于编辑而言，真正需要关注的不是审稿意见是否写得漂亮，而是它是否包含具体、可核查、与论文相关的科学判断。

4. 机密性与知识产权风险

这是AI辅助同行评审中最重要的伦理问题之一。

投稿给期刊的论文通常属于尚未公开的研究成果，可能包含未发表的数据、实验设计、创新方法、专利相关信息或具有商业价值的知识。审稿人不能因为AI工具使用方便，就将论文全文、图表、补充材料或关键研究结果上传到未经授权的第三方系统。

ICMJE的现行建议明确指出，审稿人不应在无法确保机密性的AI系统中上传稿件，除非获得作者明确许可；审稿人使用AI辅助评审时，应遵循期刊政策并披露相关使用情况。

2026年6月更新的Elsevier期刊生成式AI政策同样明确要求，审稿人不得将投稿论文或其部分内容上传到AI工具，因为这可能侵犯作者的保密权、知识产权和数据隐私。Elsevier允许在不共享机密稿件内容的前提下，将AI用于辅助工作，例如改善审稿意见的语言和结构。

这意味着：

“AI工具宣称隐私安全”不等于“期刊允许审稿人上传稿件”。

审稿人需要同时考虑工具本身的处理方式、期刊规定、作者权益和研究内容的敏感性。

四、期刊对AI同行评审的政策正在如何变化？

AI进入学术出版后，期刊和出版机构开始建立更加明确的使用规范。不同期刊的具体政策可能存在差异，但目前可以观察到几个相对一致的原则：机密性、透明披露、人类责任和人工监督。

1. ICMJE：AI不能替代审稿人的责任

国际医学期刊编辑委员会（International Committee of Medical Journal Editors, ICMJE）在关于科学出版中AI使用的建议中明确强调：

• AI工具的输出可能错误、不完整或存在偏见。
• 编辑、审稿人和作者仍需对相关内容进行核查。
• 在无法确保机密性的情况下，不应将未发表稿件上传到AI系统。
• 审稿人应遵循期刊AI政策，必要时事先获得许可。
• 使用AI辅助审稿时，应向期刊披露工具及其使用方式。

ICMJE的原则并不是禁止所有AI应用，而是强调AI不能成为责任转移的工具。

如果审稿人提交了一份由AI生成的错误意见，不能以“这是模型的错误”为理由逃避责任。最终提交的审稿意见仍然属于审稿人的专业判断。

2. Elsevier：支持有限度的辅助使用

Elsevier在2026年6月更新的生成式AI政策中，明确区分了两种使用方式：

不允许的方式： 将未发表稿件或其中部分内容上传到AI工具，可能造成机密性和知识产权问题。

允许的辅助方向： 在不共享机密稿件内容的前提下，AI可以辅助改善审稿报告的语言和结构，或者支持背景文献检索；审稿人必须保持人类控制和监督，并对最终报告负责。

这体现了一个重要趋势：出版机构并不一定反对AI，而是更关注AI是否介入了核心科学判断，以及使用过程是否保护了作者权益。

3. Wiley：透明披露与机密性并重

Wiley的同行评审保密政策指出，审稿人不得将稿件或其中部分内容上传到ChatGPT等生成式AI工具，因为这可能侵犯保密、隐私和版权权益。对于允许使用AI辅助改善审稿报告的情况，相关使用应在报告中透明披露。

Wiley的政策说明了另一个问题：即便AI工具只是用于“润色审稿意见”，也不能因此忽略其使用是否符合期刊规定。

审稿人需要先了解期刊的具体政策，再决定是否使用AI。不能因为某个工具在其他场景下被允许使用，就推断它在当前期刊中同样被允许。

4. 不同期刊政策可能不同，不能“一概而论”

目前，学术出版界并不存在完全统一的AI同行评审政策。

部分期刊可能允许在不上传稿件内容的前提下使用AI辅助语言；部分期刊要求事先获得编辑许可；另一些期刊可能对AI生成审稿意见采取更严格的限制。

因此，审稿人最可靠的做法是：

1. 查阅期刊最新的审稿人指南。
2. 查找期刊关于AI、生成式AI或LLM的政策。
3. 如果政策不明确，向编辑询问。
4. 不将稿件内容上传到未经允许的外部AI系统。
5. 使用AI后按照要求披露，并核查所有输出。

期刊政策可能随时间更新。特别是在2024—2026年这个快速变化的阶段，不能仅依据旧的审稿经验判断当前是否允许某种AI用法。

五、审稿人如何正确使用AI？一套可执行的实践框架

对审稿人而言，最有价值的问题不是“能不能用AI”，而是“哪些环节使用AI最合理”。

建议将AI在同行评审中的使用分成三个层次：

低风险

语言和结构辅助

例如改善已经由审稿人独立完成的审稿意见的语法、清晰度和组织结构。前提是期刊允许，且不上传机密稿件内容。

需核查

文献与方法辅助

例如辅助解释统计概念、整理公开文献、提供审稿检查清单。所有文献、方法和事实必须由审稿人独立核实。

高风险

直接评价未发表稿件

将全文、图表、补充材料或关键结果上传到未经允许的AI系统，并让模型直接生成最终审稿结论。此类行为可能违反机密性和期刊政策。

1. 审稿前：先确认期刊政策与利益冲突

在接受审稿邀请之前，审稿人应考虑：

• 自己是否具备足够的专业知识。
• 是否有足够时间完成评审。
• 是否存在利益冲突。
• 期刊是否允许使用AI。
• 哪些AI工具被允许，哪些使用方式被禁止。
• 是否需要披露AI使用。

如果稿件涉及自己正在研究的竞争性方向，或者审稿人可能从稿件中获得个人利益，应向编辑说明，而不是依赖AI来“降低偏见”。

ICMJE要求审稿人披露可能影响评价的关系或活动，并在存在利益冲突时回避审稿。

2. 审稿中：不要让AI替你形成核心判断

一份高质量审稿意见的科学判断应由审稿人自己完成。

例如，审稿人需要回答：

• 研究问题是否重要？
• 研究设计能否回答该问题？
• 数据是否足以支持结论？
• 统计分析是否适当？
• 结论是否超出了证据范围？
• 研究局限性是否被充分讨论？

这些问题涉及对研究设计和证据链的理解。AI可以提供辅助思路，但不能成为最终判断依据。

更合理的做法是先独立阅读论文，再使用AI进行有限的辅助工作。例如，在已经写好审稿意见后，要求工具帮助改善表达，而不是先上传全文，让模型决定论文是否应该接受。

3. 审稿后：核查、披露与删除

审稿完成后，审稿人应检查：

• 所有科学意见是否与论文实际内容一致。
• 所有引用是否真实、准确。
• 是否存在AI虚构的事实或文献。
• 是否有未经授权披露的稿件信息。
• 是否按照期刊要求披露AI使用。
• 是否需要删除不应保留的稿件内容或临时文件。

ICMJE建议审稿人保持稿件机密，不应保留稿件用于个人用途，并应在提交审稿意见后删除相关副本；具体保存要求仍需遵循期刊和适用法规。

六、作者可以如何理解AI同行评审？投稿者需要注意什么？

AI不仅改变审稿人的工作，也会影响作者如何准备论文、回应审稿意见以及理解期刊决定。

1. AI审稿意见不一定代表编辑的最终判断

即便期刊允许使用AI辅助筛选或整理意见，最终编辑决定仍应由编辑承担。

ICMJE明确指出，期刊编辑对论文内容选择负有最终责任，期刊不一定必须遵循审稿人的正面或负面建议。

因此，作者不应因为审稿意见中出现AI生成内容，就认为论文必然被拒或一定需要接受所有建议。更合理的做法是：

• 判断意见是否具体。
• 核查意见是否准确描述论文。
• 区分科学问题与语言问题。
• 对没有依据的建议提出专业解释。
• 必要时向编辑说明审稿意见可能存在的事实错误。

如果审稿意见要求作者补充某项实验，但该实验与研究问题无关，或者审稿人误解了研究设计，作者可以在回复信中礼貌说明理由，而不是机械执行所有要求。

2. AI不能替代作者对论文内容的责任

对于作者而言，AI可以辅助英文表达、摘要整理和语言检查，但不应成为论文科学内容的责任承担者。

ICMJE规定，作者应披露AI辅助技术在论文中的使用，并核查AI生成内容的准确性、完整性和原创性；AI工具不能作为作者列名，也不能承担论文的科学责任。

这一原则同样适用于审稿回复。

例如，作者可以使用AI辅助改善回复信的语言，但必须确保：

• 回复准确反映实际修改。
• 不虚构实验结果。
• 不声称已经完成没有完成的分析。
• 不将AI生成的错误文献作为依据。
• 不用过度礼貌的语言掩盖真正没有解决的问题。

学术写作中的AI辅助，最终仍然需要人类对科学内容负责。

3. 作者应警惕AI造成的“过度修改”

AI可能为了让文章看起来更加专业，而建议作者加入更多背景、复杂术语或更强的结论。

例如，一篇研究只发现某种相关性，AI可能建议使用更有力的因果表达。或者，论文已经具有清晰的研究问题，AI却建议加入大量与主题无关的背景内容。

这种过度修改可能降低论文的科学准确性。

作者应始终坚持一个原则：

语言可以变得更清晰，但证据不能被AI扩大；表达可以变得更专业，但结论不能超出研究设计。

七、AI与开放同行评审结合：透明度能否带来更好的质量？

开放同行评审（Open Peer Review）与AI的结合，是未来学术出版值得关注的方向。

开放评审可以公开审稿人身份、审稿意见，或在论文发表后允许持续讨论。AI则可以辅助整理意见、识别重复性问题和支持讨论管理。

理论上，两者结合可能带来以下优势：

• 让审稿意见更加可追溯。
• 帮助读者了解论文修改过程。
• 促进高质量审稿案例的学习。
• 辅助编辑识别重复或无关意见。
• 支持发表后讨论和持续质量控制。

但开放评审并不自动意味着AI可以自由处理所有评审内容。

1. AI不能成为公开披露机密稿件的借口

即使期刊采用开放评审，也必须区分“期刊正式公开的评审内容”和“尚未授权公开的投稿材料”。

审稿人不能因为未来可能公开审稿意见，就提前将全文、数据或补充材料上传到第三方AI工具。

ICMJE要求保护未发表稿件的机密性；Wiley和Elsevier的政策也明确强调，AI使用不能侵犯作者的保密和知识产权权益。

2. 开放评审与AI结合需要新的责任机制

如果AI参与审稿意见整理，期刊需要考虑：

• 审稿意见由谁最终负责？
• 是否需要披露AI的使用方式？
• AI生成的错误如何纠正？
• 公开意见中是否包含不应公开的信息？
• 作者是否有权了解AI在评审中的作用？
• AI是否会影响审稿人身份保护？

这些问题说明，AI与开放评审的结合，不只是技术升级，也涉及学术责任、透明度和隐私权之间的重新平衡。

八、未来的同行评审：人类判断与AI辅助的混合模式

未来的同行评审系统，很可能不是“完全由AI审稿”，也不是“完全拒绝AI”，而是形成更加明确的混合模式。

在这种模式中，AI承担部分重复性、辅助性任务，人类审稿人负责科学判断和最终责任，编辑负责流程管理与质量控制。

1. AI适合做什么？

未来AI可能在以下方面发挥更大作用：

• 辅助检查论文报告完整性。
• 根据研究设计提供可供审稿人核查的检查清单。
• 辅助发现统计报告中的潜在问题。
• 帮助整理审稿意见和作者回复。
• 支持公开文献检索与研究背景理解。
• 帮助编辑分析审稿流程中的瓶颈。

但这些功能都应建立在透明、可验证和符合期刊政策的基础上。

2. 人类必须保留什么？

科学判断不能简单被自动化替代。

人类审稿人仍然需要判断：

• 研究问题是否真正重要。
• 实验设计是否适合研究目标。
• 证据是否支持结论。
• 研究是否存在关键混杂因素。
• 结果是否具有可重复性。
• 研究创新性是否具有实际意义。
• 论文是否值得进入正式学术记录。

这些判断需要专业知识、批判性思维和对研究背景的理解。

3. 期刊需要重新设计评审流程

未来的期刊可能需要更加明确地区分：

自动化检查（Automated Checks）：用于处理格式、语言、部分完整性和其他可验证问题。

AI辅助分析（AI-assisted Analysis）：为审稿人提供提示、整理意见或辅助背景检索。

人类科学判断（Human Scientific Judgment）：由审稿人和编辑负责的核心评价。

最终编辑决策（Editorial Decision）：由编辑综合证据、审稿意见和期刊范围作出决定。

这种分层设计可以让AI的作用更加透明，也有助于避免“AI生成意见—编辑直接采用—作者承担后果”的责任模糊。

最后

AI正在改变同行评审，但它改变的并不是所有环节。

它可以减少部分重复劳动，帮助审稿人组织意见，辅助文献和格式检查，也可能让编辑流程更加高效。然而，AI同样可能带来幻觉、偏见、机密泄露和审稿意见模板化等风险。

因此，真正值得关注的不是“AI能否取代审稿人”，而是：

如何让AI承担适合它的任务，同时让人类继续对科学判断、学术诚信和作者权益负责？

对于审稿人而言，最重要的不是拒绝所有AI工具，而是了解期刊政策、保护稿件机密、独立形成科学判断，并对AI输出进行严格核查。

对于作者而言，AI可以帮助改善论文表达和审稿回复，但不能替代研究者对数据、方法和结论的责任。

对于期刊而言，未来需要建立更加透明的AI使用政策，明确允许与禁止的场景，并确保AI辅助不会削弱同行评审的专业性和公正性。

同行评审的未来很可能是人类与AI协作，而不是人类与AI竞争。真正高质量的系统，不会以“AI生成了多少审稿意见”作为成功标准，而会关注它是否帮助研究者更快发现问题、更准确理解证据，并让科学记录更加可靠。