前段时间，我读到 Nature Reviews Bioengineering 上的一篇短小但非常棒的社论——Writing is thinking。文章篇幅不长，却精准戳中了当下学术写作中一个正在被反复回避的问题：AI工具泛滥，用它来写论文都成了老生常谈的问题，当下，我们还有必要自己写论文吗？
这篇文章的观点很理性，甚至可以说相当克制，核心立场非常清晰：学术写作不是科研之后的“包装工作”，而是科学思考本身的一部分。在我看来，这一点对于今天大量依赖 AI 工具、同时又深受“写不出来”“没时间写”困扰的科研人，尤其值得被反复强调。
写作不是记录结果，而是逼迫你真正想清楚
科学论文的写作，本身就是科学方法的一部分。我们通常把“科研”理解为实验设计、数据采集和分析，而把“写论文”当成一个相对机械的收尾步骤——把已经想清楚的东西写下来即可。
但真实情况往往恰恰相反。很多科研人都有这样的体验：
- 实验做完了，数据也分析了，但真正的“主线”是在写引言或讨论时才慢慢浮现；
- 只有在试图用一段连贯的文字解释结果时，才意识到某些逻辑其实并不成立；
- 在反复改写一句话的过程中，突然意识到：也许问题本身该换一种问法。
正如社论中所说，写作迫使我们以一种结构化、目标明确的方式思考，而不是停留在头脑中那种跳跃、碎片化的想法状态。把多年积累的数据、实验和分析“写成一个故事”，本身就是一个不断筛选、压缩和澄清思想的过程。
这并不是一种修辞性的说法。文章引用的研究表明，书写（尤其是手写）与更广泛的大脑连接以及学习和记忆的提升相关。从认知层面来看，写作确实在“重塑思考”。
AI时代，问题不只是“能不能写”，而是“谁在思考”
第二个核心问题，作者其实直接指向当下最敏感的话题：如果 AI 可以几分钟生成一篇看起来还不错的论文，我们是否还需要自己写？
出版商的态度非常明确：
- AI不是作者，因为它不具备责任主体；
- 完全由 LLM 撰写的稿件不应被发表；
- 即便只是用于语言润色或编辑，也应当如实声明。
但比“作者资格”更重要的，是一个更深层的问题：如果“写作即思考”，那么当整篇文章由 LLM 生成时，读者究竟读到的是谁的思想？
这是一个非常尖锐、也非常现实的问题。我们或许可以接受 AI 帮助我们“把话说得更通顺”，但如果论文的逻辑展开、论证路径甚至观点本身，都是模型在统计意义上“推断”出来的，那这篇论文在多大程度上仍然代表研究者本人的科学判断？
“省时间”的幻觉：生成之后，编辑反而更费力
估计很多人会站出来反驳：AI能显著节省写作时间。但在文章作者对此持相当谨慎的态度。原因有两个：
第一，当前的 LLM 仍然会产生事实性错误和所谓的“幻觉”。引用可能是编造的，论断可能看似合理却并无依据。结果就是：每一句话、每一条参考文献，都需要作者逐一核查。
第二，也是更关键的一点：要有效编辑一段文字，你必须真正理解其背后的推理逻辑。如果一段文本并非出自你自己的思考，而你又需要对其负责，那么“修改”本身就会变成一项认知负担极重的工作。
不少科研人已经有过类似体验：
看起来 AI 写得挺顺，但改着改着发现，还不如自己从头写。从这个意义上说，“AI 节省时间”在当前阶段，更多是一种情境依赖、而非普适结论。
工具，而不是替代
需要强调的是，那篇文章的作者以及包括我在内并不是出于“反 AI 写作”的目的。相反，我们只是想对 LLM 在学术写作中的合理用途给出清晰、务实的定位。
例如：
- 改善语言流畅度和语法准确性，尤其对非英语母语作者非常有价值；
- 帮助检索、整理和总结跨学科文献；
- 在头脑风暴阶段，提供要点、替代表达或不同解释路径；
- 在写作受阻时，作为一种“启动器”帮助作者继续推进。
这些用途的共同特点是：AI 参与的是“表达层”和“辅助思考”，而不是替代核心判断。真正的研究问题、论证逻辑和科学立场，仍然需要由研究者本人完成。
我们会不会逐渐丧失“写作能力”？
文章的结尾提出了一个在我看来非常重要的担忧：
如果我们把整个写作过程外包给 LLM，我们失去的不只是一篇论文的控制权，而是一次反思自己研究领域的机会。写作能力并不只服务于论文发表。它同样影响我们：
- 如何设计研究问题；
- 如何在组会、答辩和评审中清晰表达观点；
- 如何判断一项研究是否真正“讲得通”。
一旦长期放弃这种训练，损失的可能是一整套科研思维能力，而不仅仅是“写作技巧”。
最后
AI 可以成为科研写作的工具，但不应成为科研思考的替身。对于科研人来说，一个更现实、也更可持续的策略或许是：核心思想、结构和论证，尽量由自己完成；在此基础上，理性、透明地使用 AI 工具提升表达质量；始终记住：你写论文，不只是为了“发表出去”，而是为了真正理解你自己在做什么研究。
在这个意义上，“写作即思考”并不是一句空洞的口号，而是一条在AI时代依然有效、甚至更加重要的科研原则。
