先厘清：AI能做什么，不能做什么
讨论AI辅助科研写作，最容易陷入两个极端：一是把它当成万能写手，二是把它视为洪水猛兽。更务实的态度是把写作流程拆开，逐环节评估AI的能力边界。判断标准其实很简单：凡是需要“事实责任”的环节，AI只能做辅助；凡是偏“结构与表达”的环节，AI可以承担较多工作。前者如数据、引用、结论，出错就是学术问题；后者如提纲、句式、过渡，出错只影响可读性，人工复核成本低。
下面按选题、文献、写作、润色、投稿五个环节分别讨论，并给出可执行的建议。
选题与框架：适合做“陪练”，不适合做“决策”
AI在选题阶段的价值主要体现在发散和结构化。你可以让它根据你已有的实验结果列出几种可能的切入角度，或把一段杂乱的研究想法整理成“问题—缺口—方法—贡献”的框架。这类任务不要求绝对准确，只要能激发思路、暴露逻辑漏洞即可。
但要警惕两点：一是AI给出的“研究缺口”往往是笼统的套话，不能替代真实的文献调研；二是它可能把已有大量研究的方向说成“尚待探索”。建议把AI产出的框架当作待验证的假设，逐条回到文献中核实。
- 可用：生成提纲、拆分研究问题、检查逻辑链条是否完整
- 慎用：判断某个方向是否“新”、是否值得投入
- 禁用：直接采用AI给出的“创新点”表述而不加核实
文献环节：检索可用，引用必须人工核对
这是风险最高的环节。AI可以帮你解释专业术语、梳理某个概念的发展脉络、把一段英文摘要讲清楚，但它生成的参考文献存在虚构作者、虚构期刊、虚构DOI的可能。即便看起来格式完美，也不能直接写进稿件。
可操作的做法是：用AI做“理解工具”而非“来源工具”。让它解释你不熟悉的统计方法，或把一篇长综述的要点用中文概括，然后你回到原文核对。所有进入参考文献列表的条目，必须通过数据库逐一确认。任何未经核实的AI生成引用，都不要出现在投稿稿件中。
正文写作：语言层面可借力，内容层面须自负
在正文写作中，AI比较适合承担三类任务：把中文草稿转成英文表达、改写冗长句子、统一术语和时态。这些属于语言服务范畴，效率提升明显。但涉及数据描述、结果解释、机制推断的段落，必须由作者自己写或逐句改写，因为AI不了解你的实验细节，容易写出“看似合理但与你数据不符”的句子。
一个实用原则是：先自己写完内容，再用AI做语言层面的优化，而不是让AI从零生成段落。这样既能保留你对内容的控制权，也能避免“AI味”过重导致审稿人反感。结合尚辑Sagesci的润色经验来看，编辑在處理稿件时最常发现的AI痕迹并非语法错误，而是表述空泛、逻辑跳跃和术语不一致，这些问题人工通读往往能识别。
润色与查重：工具辅助，判断在人
语言润色是AI应用相对成熟的场景，但要注意“润色”不等于“降重”。AI改写可能改变原意，也可能把专业表述改得不够准确。建议每次改写后对照原文检查三点：技术含义是否一致、数据是否被改动、术语是否统一。
查重方面，AI不能替代正规查重系统，也不应被用来规避重复率。合理做法是用查重报告定位问题段落，再人工判断是引用不规范还是表述重复，据此修改。把降重完全交给AI，容易出现语句生硬、逻辑断裂的问题，反而增加返修风险。
投稿环节：辅助准备，不做最终判断
投稿阶段AI可以帮忙整理 cover letter 的框架、检查投稿信是否覆盖了期刊要求的要点、把审稿意见归类成“必须修改”和“可以讨论”两类。但期刊选择、审稿人推荐、回复信的核心立场，仍需作者自己判断。
特别提醒：不要用AI生成对审稿意见的实质性回应。回复信需要体现你认真阅读并理解了意见，套话式回应很容易被识破。可以借助工具梳理思路，但落笔时要具体到审稿人提出的每一条问题。
- 可用：整理意见清单、检查材料完整性、优化表达语气
- 慎用：推荐审稿人、判断期刊匹配度
- 禁用：代写对学术质疑的实质性答复
一条底线与三条自查
底线是：AI不承担学术责任，作者承担。无论工具多便利，署名作者对稿件中每一个数据、每一条引用、每一句结论负责。
投稿前建议做三次自查：一是随机抽取若干条参考文献回数据库核对；二是通读全文，标记出“自己说不清依据”的句子并逐一处理；三是确认所用AI工具的使用方式符合目标期刊和所在机构的规定。做到这三点，AI就是提效工具，而不是风险来源。
