一、AI写综述的兴起：从辅助工具到“超人类”表现

在科学研究领域，文献综述是整合知识、推动学科发展的重要环节，但传统综述工作耗时耗力，且易受限于研究者的知识储备和时间精力。神经生物学家Sam Rodriques在研究生时期便意识到这一困境：海量文献分散在全球各地，人类难以在有限时间内全面掌握。五年后，他与团队开发的AI系统在几分钟内完成了科学知识总结，准确度超越维基百科，甚至快速生成了约17000个人类基因的维基百科式条目。这一突破标志着AI在科学综述领域的潜力初现。  

类似地，伦敦国王学院的Iain Marshall指出，传统综述存在“篇幅冗长、强度高且易过时”的问题，而生成式AI（如大语言模型）的快速发展为自动化综述带来了新期待。一些AI科学搜索引擎（如Consensus和Elicit）已能通过查找、分类和总结出版物辅助撰写叙述性文献综述，尽管尚无法独立完成高质量综述，但已显著提升了效率。  

二、AI写综述的现状：优势与局限并存

（一）优势：高效性与信息整合能力

AI工具的核心优势在于高效性和信息整合能力。例如，Rodriques团队开发的PaperQA2系统能在多数据库中搜索并访问付费/免费论文全文，通过识别和总结最相关内容生成综述。测试显示，其撰写的人类基因条目在“推理错误”频率上低于人类撰写文章，体现了“超人类水平”的科学知识综合能力。  

此外，工具如Elicit能快速筛选支持或反驳特定观点的文献，并从论文不同章节提取关键信息；Scite可分析文献间的支持/反驳关系。这些工具通过“检索增强生成”（将预筛选论文输入大语言模型）减少了幻觉错误，并标注信息来源，提升了内容的可信度。新加坡管理大学的Aaron Tay评价：“这些工具本质上是搜索引擎，但引用的内容至少真实存在。”  

（二）局限：幻觉风险与全文检索难题

然而，AI写综述仍面临显著挑战。大语言模型（如ChatGPT）因训练数据不透明，可能混杂博客文章等不可靠信息，导致“幻觉”错误（如捏造参考文献）。即使采用“检索增强生成”方法，也无法完全避免这一问题。  

更关键的是，多数AI工具无法检索论文全文（仅能搜索摘要），而大量研究文献受付费墙限制。南丹麦大学的Mushtaq Bilal指出，处理数百万篇全文需极高计算成本，目前工具只能覆盖约1 - 2亿篇开放获取论文，远未达到学术需求。此外，AI输出的综述质量常被比作“赶工熬夜的本科生作业”，仅能抓住少数论文的主要观点，缺乏深度整合与批判性分析。  

三、系统性综述的挑战：自动化之路任重道远

系统性综述要求严格的文献搜索、评估和元分析流程，通常需数月甚至数年完成。尽管AI工具（如RobotSearch、RobotReviewer）可辅助筛选文献和评估偏差，但完成全流程仍依赖人工。牛津大学的Anna Mae Scott团队曾在2019年借助AI工具将系统性综述时间从数月缩短至五天，但这一纪录依赖多工具协同和人工复核。  

国际系统性综述自动化协作组织的Justin Clark指出，当前AI在阅读和评估论文方面表现较好，但在设计全面文献搜索、确保透明性和可重复性方面仍不足。例如，AI可能无法严格遵循“双盲设计”等研究规范，导致综述结果存在偏差。Glasziou团队开发的工具虽能加速流程，但透明性和可重复性仍是亟待解决的问题。  

四、风险与争议：质量失控与学术伦理

AI写综述的普及可能引发新的学术风险。一方面，研究者可能为追求速度而滥用AI工具，跳过规范流程或使用低质量文献，导致误导性结论泛滥。Glasziou警告：“AI可能催生大量质量不佳的综述。”另一方面，商业公司主导的AI工具因算法不透明，可能加剧学术不公——总结和理解全球知识的能力若被少数企业垄断，将威胁学术独立性。  

对此，研究者呼吁加强评估与监管。Clark团队发现，现有对比研究仅15篇充分验证了AI与人类的表现差异，且AI在文献搜索和评估之外的环节表现较差。非营利组织参与开发、严格测试AI工具成为潜在解决方案。英国资助机构投入7000万美元开发证据综合系统，正是为了确保技术的可靠性。  

五、未来展望：平衡效率与质量的学术革命

尽管存在挑战，AI写综述的潜力不可忽视。Rodriques认为，AI可通过识别数据操纵（如P值篡改）筛除低质量论文，提升综述可靠性。Glasziou团队开发的“方法向导”等工具已能自动生成研究方案，推动综述流程标准化。  

未来，AI与人类的协作或将成为主流：AI负责初步筛选、信息提取和整合，人类研究者则聚焦批判性分析、方法设计和结论验证。正如Bilal所言：“这些工具能节约大量工作量，但研究者需增加审查步骤以确保质量。”在学术伦理与技术进步的平衡中，AI写综述有望引领一场效率与质量并重的学术革命。  

--- 

结语  
AI写综述既是科学知识管理的突破，也是对学术规范的考验。其发展需以透明性、可重复性和质量控制为核心，通过人机协作实现从“辅助工具”到“可靠伙伴”的跨越。唯有如此，AI才能真正成为推动学术进步的力量，而非学术泡沫的推手。