AI能做什么，不能做什么
过去两年，AI写作工具在科研圈迅速普及。从ChatGPT到各类学术专用助手，几乎每位研究生都尝试过让AI帮忙写点什么。但一个关键问题始终存在：AI到底能替代哪些环节，哪些环节必须亲力亲为？
先说结论：AI在语言层面的辅助已经相当成熟，在信息整合层面可以提效但需严格核查，而在研究设计、数据解释和学术判断层面，目前仍无法替代研究者本人。以下逐环节分析。
文献调研与选题：可用，但需交叉验证
AI工具在文献检索和初步梳理方面确实能节省时间。你可以让它帮你快速了解某个方向的研究脉络、常见方法、代表性期刊。但要注意两个风险：
- 事实性错误：AI可能生成不存在的文献、错误的作者名或期刊名，即所谓的“幻觉”现象。任何AI提供的文献信息，都必须到数据库（如Web of Science、PubMed、Scopus）中逐条核实。
- 覆盖不全面：AI的训练数据有截止日期，对最新发表的文献可能一无所知。选题阶段建议以数据库检索为主，AI仅作为辅助理解工具。
可操作建议：用AI帮你生成检索关键词组合、梳理某篇论文的逻辑框架，但不要直接引用AI给出的文献。
语言润色与翻译：目前最成熟的AI应用场景
这是AI辅助科研写作中最安全、最有效的环节。AI在语法纠错、句式优化、学术语气调整方面表现良好，尤其对非母语作者帮助明显。具体可用于：
- 检查冠词、介词、时态等基础语法错误
- 将口语化表达改为学术化表达
- 优化段落之间的逻辑连接词
- 中译英初稿的快速生成
但AI润色仍有局限：它可能改变你原本想表达的科学含义，也可能过度“美化”导致语义偏移。因此，AI润色后的文本必须由作者逐句确认。如果对语言质量要求较高，结合尚辑Sagesci等专业润色服务的经验来看，人工母语编辑在学术表达的精准度和学科术语的把控上，仍然优于纯AI工具。一个务实的做法是：先用AI做一轮基础语言清理，再根据需要决定是否送专业润色。
数据分析与图表制作：辅助可以，判断不行
AI可以帮助你写代码（如Python、R的统计分析脚本）、解释统计方法的适用条件、推荐合适的图表类型。但以下事情不要交给AI：
- 替你决定用什么统计方法：方法选择取决于你的实验设计和数据特征，AI不了解你的研究细节，给出的建议可能不适用。
- 替你解释结果：数据意味着什么，需要结合学科知识和研究假设来判断，AI的解释往往泛泛而谈。
- 生成图表后不检查：AI生成的代码可能有bug，图表坐标轴、单位、误差棒等细节必须逐一核对。
可操作建议：用AI辅助写分析代码、学习统计方法，但所有分析决策和结果解读由研究者本人负责。
论文写作与结构搭建：框架可参考，内容靠自己
AI可以根据你的研究要点生成论文提纲，甚至写出某些段落的初稿。对于写作经验不足的研究生，这有助于克服“空白页恐惧”。但需要警惕：
- AI生成的段落往往空泛、缺乏具体数据支撑，直接使用会显得内容空洞
- AI不掌握你的实验细节，写出的方法部分可能遗漏关键步骤
- 部分期刊已明确要求声明AI使用情况，隐瞒使用可能构成学术不端
建议将AI用于：生成提纲、改写冗长句子、检查段落逻辑连贯性。核心论点和讨论部分必须自己撰写。
投稿准备与回复审稿：信息整理可以，策略判断不行
AI可以帮你快速整理目标期刊的投稿要求、格式化参考文献、起草Cover Letter的初稿。在回复审稿意见时，AI也能帮你组织语言、让回复更礼貌得体。但注意：
- Cover Letter中需要体现你对期刊的理解和研究的创新点，模板化的AI生成内容编辑一眼就能看出
- 回复审稿意见时，哪些意见接受、哪些反驳、如何补充实验，这些策略判断必须由作者和导师决定
底线：学术诚信不能碰的红线
无论AI多好用，以下红线不能碰：
- 不得将AI列为作者
- 不得用AI生成虚假数据或篡改结果
- 使用AI辅助写作时，应按照目标期刊要求进行声明
- 论文的学术责任始终由作者承担，AI不能替你负责
总结来说，AI在科研写作中最适合的角色是语言助手和信息整理工具，而非研究伙伴。把AI用在它擅长的地方，把精力留给你最不可替代的能力——科学思考。
