很多人写综述，流程是这样的：先打开数据库，换几轮关键词，下几十篇PDF，再一篇篇精读、做笔记，最后对着满屏文献发呆——不知道“现状”该怎么写，也不知道“空白”到底在哪。
这两年AI科研工具普及后，又出现一个新现象：工具越“好用”，人越容易停止思考。
一、一个被忽略的事实：AI撤稿，大多不是因为“用了AI”
2026年，PNAS、NeurIPS 2025、Springer Nature旗下期刊都出现过AI相关撤稿。但仔细看原因，很少是“用了AI”，而是：参考文献是AI编造的，作者提交前未核实；核心观点、创新点模糊，看不出人工贡献；使用过程不透明，未说明AI辅助范围。
换句话说，问题不在工具，而在使用边界。
中国学位与研究生教育学会2026年5月的新规写得很清楚：核心论点、创新贡献必须由学位申请人自主完成，AI使用需可追溯。知网也明确：AI不能当作者，辅助使用须声明。
对科研人来说，这其实是一个提醒：
AI是“科研助理”，不是“共作者”。
工具越替你省事，你越容易忘记：综述的核心不是“读完了”，是“想清楚了”。
二、真正高效的综述流程，不是“读更多”，而是“问得更准”

传统写法的隐性成本，在于“顺序错了”：先搜文献 → 再精读 → 再想框架 → 最后补引用。这个顺序里，“想框架”被放在了“读文献之后”，但此时你的认知带宽已经被翻译、笔记、格式消耗得差不多了。
更合理的顺序，应该是：先出研究地图 → 再精读核心文献 → 多文档对比 → 人工补论证
这也是目前部分国产科研工作台的设计逻辑。以文渊智阁为例：每天进入功能送30分钟免费时长，先跑一次文献调研，拿到研究热点图谱；再上传5–8篇核心文献，系统横向对比异同，综述骨架直接生成；最后由人决定：按时间写，还是按流派写，创新点落在哪。
人需要负责的，始终是“研究问题是否成立、结论是否站得住”。
三、比“功能多强”更重要的是：算力费是否“算得清”
很多科研人忽略了一个细节：课题经费报销的合规性。
不少平台把“功能费 + 算力费”打包，看起来省事，但账单上往往写不清：哪部分是工具费，哪部分是算力费。
对高校用户来说，更友好的模式是“功能费与算力费分离”：平台收功能费，提供文献调研、精读、计量、写作等工具使用权；大模型算力由用户直连服务商，按调用量计费，平台不赚差价；每一笔算力消耗在服务商后台可查，符合课题审计要求。
这种模式的另一个好处，是适配科研的“波峰波谷”：平时轻量使用：免费时长 + 基础功能；赶论文/报基金：临时补充算力，不依赖平台套餐；功能订阅到期：算力余额独立留存，不会“清零”。
对本硕博和青年教师而言，“钱花得明白”比“功能看起来很多”更重要。
四、给科研新人的几条“冷建议”
别让AI替你下结论。它可以告诉你“谁和谁观点相近”，但不能替你判断“哪个观点更可信”。参考文献必须回数据库核对。
PNAS和NeurIPS的教训就在眼前：AI编造参考文献，责任由作者承担。
先画研究地图，再精读文献。盲搜文献，很容易陷入“读得越多越迷茫”的陷阱。
选工具时，多看“可追溯性”。能否回溯原文题录？算力消耗是否可查？这些比界面美观更关键。
不要被“年卡优惠”绑架。科研是阶段性高强度工作，按需使用，比一次性买断更符合实际节奏。
五、写在最后
工具迭代很快，热点变化也很快，但科研的底层逻辑没变：你才是研究的设计者，工具只是执行者。
AI能帮你省下查文献、理笔记、调格式的时间，但省下来的时间，应该用来做一件更重要的事——
想清楚：你的研究，到底想解决什么问题。
本文为科研方法探讨，AI仅作辅助工具讨论；引用、结论与创新点须由研究者本人负责。