先厘清：AI能做什么，不能做什么
过去两年，AI写作工具从“新鲜玩意”变成了科研日常讨论的话题。但很多研究生的困惑并没有减少：到底哪些环节可以放心交给AI，哪些环节必须自己把关？一个基本判断是：AI擅长处理“形式化、可重复、有明确规则”的任务，不擅长承担“判断性、原创性、需要负责”的任务。
换句话说，AI可以帮你把语言改得更通顺，但不能替你决定研究结论是否成立；可以帮你整理文献线索，但不能替你判断某篇文献是否可信；可以帮你检查格式，但不能替你承担学术不端的后果。下面按科研写作的实际流程，逐环节拆解。
文献梳理：辅助检索可以，替代阅读不行
文献环节是AI介入较早、也较容易被高估的部分。可行之处在于：用AI辅助生成检索式、扩展同义词、梳理某一切入点的概念框架，能明显提高检索效率。部分工具还能对已下载的文献做摘要提取和主题聚类，帮助你快速判断一批文献的相关性。
- 可用：生成检索关键词组合、对英文摘要做快速中文概括、按主题归类文献线索。
- 慎用：让AI直接“总结某领域研究现状”并写入论文，因为模型可能生成不存在的文献或错误归因。
- 不可用：用AI输出替代精读。核心文献必须自己读，尤其是方法部分和讨论部分。
可操作建议：把AI当作“检索助手”和“初筛工具”，所有进入论文的文献信息，必须回到原文核对作者、年份、期刊和结论。尚辑Sagesci在协助作者处理稿件时也反复提醒，参考文献的错误往往比语言问题更致命，审稿人一眼就能看出来。
语言润色：句子层面可用，逻辑层面靠人
语言是AI最成熟的应用场景，但需要区分层次。句子层面的语法修正、时态统一、搭配优化，AI表现已经相当稳定，适合非母语作者做第一轮自查。段落层面的衔接、论证节奏、信息重心安排，AI能给出建议，但质量参差，需要作者自己判断是否接受。
需要警惕的是“过度润色”：AI倾向于把句子改得更长、更“礼貌”，反而稀释了科研写作应有的直接和准确。建议的做法是：先自己写清楚逻辑，再用AI做语言层面的打磨，最后逐句核对是否改变了原意。涉及专业术语和数据表述的句子，不要整段交给AI重写。
图表与格式：规则明确的环节收益最高
相比文字，图表和格式环节的AI辅助更“安全”，因为这类任务规则明确、结果可验证。常见可用场景包括：根据数据描述生成绘图代码框架、检查图注是否完整、按目标期刊要求核对参考文献格式、统一缩写和单位写法。
- 用AI生成绘图脚本后，务必用原始数据复核图形，避免坐标轴或分组错误。
- 格式检查可作为投稿前最后一道工序，但不能替代对期刊作者指南的逐条阅读。
- 图表的美观调整仍建议在专业绘图软件中完成，AI生成的图不适合直接投稿。
投稿准备：辅助起草可以，判断不能外包
投稿信、亮点陈述、审稿意见回复初稿，都可以借助AI搭建框架。但这类文本的核心是“说服编辑和审稿人”，依赖的是你对研究价值的判断和对审稿意见的理解，AI只能提供表达模板。一个实用做法是：自己先写出要点清单，让AI扩写成段落，再删掉其中空泛的套话。
选刊环节则要谨慎。AI可以帮你比对期刊范围描述，但无法可靠判断期刊的真实口碑、审稿周期和预警状态。这些信息需要到期刊官网、数据库和学术社区核实。结合尚辑的润色经验来看，作者在投稿前最容易忽略的往往不是语言，而是期刊匹配度和格式合规性这两件“笨功夫”。
三条底线：署名、数据、保密
无论哪个环节，有三条底线不能突破。第一，AI不能列为作者，也不能在未声明的情况下替代实质写作。多数期刊已要求披露AI使用情况，投稿前应查阅目标期刊的具体规定。第二，数据、图表和结论必须由作者负责，AI生成的任何数据性内容都不可信。第三，未发表数据和稿件内容不要输入公共AI工具，以免造成保密风险。
总结来说，AI在科研写作中的合理定位是“效率工具”而非“决策工具”。把检索、润色、格式这些规则性环节交给它，把判断、论证和责任留给自己，才是现阶段更稳妥的用法。
