先厘清：AI能做什么，不能做什么
把AI当成“代写工具”是最常见的误用。当前大语言模型的核心能力是基于上下文的语言生成与改写，它并不真正理解你的实验数据，也无法对学术结论负责。因此判断某个环节能否用AI，标准只有一条：该环节的错误是否可由你快速核验。能核验的，AI可以大幅提效；不能核验或涉及原创判断的，必须人来主导。
下面按科研写作的实际流程，逐环节拆解。
环节一：文献调研与信息整理——可用，但必须回溯原文
AI适合做“初步铺量”：快速了解一个陌生方向的术语体系、常见研究范式、代表性议题。你可以让它列出某主题下的研究脉络，或把一段英文摘要改写成中文要点。
但风险同样明显：AI会生成看似合理却不存在的文献，包括作者、期刊、DOI。可操作的做法是：
- 只让AI输出“研究方向关键词”和“概念解释”，不直接采信其给出的具体文献条目；
- 所有引文必须回到数据库逐一核实，确认DOI与结论一致；
- 用AI做摘要速读，但引用前务必读原文的方法与讨论部分。
环节二：提纲搭建与逻辑梳理——高性价比环节
这是AI表现较稳的环节。把研究问题、核心数据、主要结论用中文列给AI，请它给出2—3种引言的组织方式或讨论的展开顺序，往往能提供你没考虑到的叙述角度。
建议用法：让AI扮演“挑剔的审稿人”，对你的提纲提问——研究缺口是否成立、方法能否支撑结论、讨论是否过度外推。它提出的质疑未必都对，但能帮你提前发现逻辑断点。定稿的框架仍须你自己拍板。
环节三：语言润色——有效，但要限定范围
在语法纠错、句式精简、时态统一、术语一致性上，AI确实能提升效率，尤其适合非母语作者处理“中式表达”。但需注意三点：
- 不要让AI改动专业术语和数据表述，否则可能引入事实性错误；
- 逐句比对修改稿，警惕它“顺手”删掉限定词（如may、partially），导致结论被夸大；
- 整段重写需谨慎，AI容易把精确表述改成流畅但模糊的表达。
结合尚辑Sagesci的润色经验来看，作者自行用AI做初轮语言清理、再由人工把关学术表述，是性价比较高的组合；但若涉及投稿前的整体语言质量把控，仍建议保留人工复核环节。
环节四：数据分析与图表说明——谨慎，边界清晰
AI可以帮助解释统计方法的适用条件、生成分析代码框架、润色图注文字。但它不能替代你对数据本身的判断：模型不知道你的样本如何采集、是否存在批次效应，也无法为统计选择承担责任。
可操作建议：用AI辅助写代码和检查报错，用AI解释某个检验的前提假设，但统计方法的选择、结果的解读必须由你和合作者确认。图表说明文字可让AI润色，数值与单位须逐项核对。
环节五：投稿信与回复信——可用，注意分寸
投稿信（Cover Letter）和审稿回复信结构固定、语气要求明确，适合AI起草初稿。你可以提供审稿意见原文和你的修改要点，让AI整理成“逐条回应+修改位置说明”的格式，效率提升明显。
但要守住两条线：回应中的承诺必须真实（改了就是改了，没做补充实验就不要写“已补充”）；语气要由你把控，AI容易写得过于谦卑或过于强硬。回复信的说服力来自修改本身，而非措辞。
一条实用原则：AI做草稿，人做裁判
综合来看，AI在提纲构思、语言初筛、格式整理、回复信起草上确实能省时间；在文献引用、数据解读、结论表述、学术判断上则必须人工主导。无论哪个环节，最终责任都在署名作者身上。
还需提醒：多数期刊已要求披露AI工具的使用情况，投稿前请查阅目标期刊的作者指南，如实说明用途与范围。把AI当助手而非替身，才是当前阶段最稳妥的用法。
