AI 时代,论文不只要给人看,还要让机器跑得起来

arXiv 近期更新了一篇和学术出版关系很近的预印本：Jiachen Liu 等人的《The Last Human-Written Paper: Agent-Native Research Artifacts》。

单看题名，容易把它理解成一篇关于“人类还会不会写论文”的文章。读完全文会发现，作者讨论的重点其实更贴近编辑部的日常工作：当科研智能体开始阅读论文、复现实验、检查证据、继续扩展研究时，传统 PDF 论文还能不能作为主要的科研交流载体。

这个问题已经不只属于计算机科学。过去，编辑部判断一篇稿件是否清楚，主要看审稿人能否读懂研究问题、方法路径、实验结果和结论边界。现在，多了一个新的读者：能够调用代码、追踪数据、比对实验步骤的 AI agent。它读论文时，会沿着正文继续追问：运行环境在哪里，参数表在哪里，数据版本能否定位，失败实验有没有记录，每个主要论断对应哪一份原始输出。

《The Last Human-Written Paper》提出的核心对象叫 Agent-Native Research Artifact，简称 ARA。可以译作“面向智能体原生的研究成果物”。它处理的重点，是研究成果交付给后续读者时，材料结构是否足够完整。

传统论文通常是一条线：引言提出问题，方法说明路径，实验展示结果，讨论解释意义。这种写法方便同行阅读，也方便期刊控制篇幅。可真实研究很少按这条线发生。一个项目里，经常有被否定的假设、没跑通的代码、后来放弃的参数组合、解释不住的数据点，以及中途改变方向的判断。

论文发表时，这些内容大多被裁掉。作者把这种从研究过程到发表文本的信息损耗称为 Storytelling Tax，直译是“叙事税”。研究过程被整理成一条顺畅的成功路径，失败路线和转向理由从正文里消失。人类读者读起来轻松，后续想复现或扩展的智能体却少了很多路标。论文中的这张图，把这种压缩关系画得很直观：左边是真实研究过程，右边是发表出来的线性故事。

图 1  论文所谓“叙事税”：真实研究过程往往是分叉树，发表论文则被整理成一条顺畅路径。图源：Liu et al., arXiv:2604.24658v3。

另一项成本是 Engineering Tax，即“工程税”。很多论文已经写到足以让审稿人判断其方法和结果，却没有写到足以让机器执行。运行环境、依赖版本、核心超参数、评价协议、日志口径、代码入口、实验矩阵，这些细节在正文中常被压缩成一句话，或者散落在仓库和补充材料里。

ARA 的设想并不要求取消论文。更准确地看，它把论文从“唯一成果物”改成研究包的一种阅读界面。人仍然可以读正文，机器则能读取背后的结构化材料。

作者把 ARA 设计成四层。第一层是科学逻辑层，记录核心论断、假设、方法、实验与结论之间的关系。编辑部可把它理解为论证链条：稿件说了什么，每一句关键判断由哪一组实验支撑。

第二层是可执行代码层。这里不只放代码文件，还包括环境、依赖、入口命令、配置、随机种子、评价脚本等执行规格。编辑初审如果只问“有没有代码”，信息还不够；更该问的是，作者提供的材料能不能按说明跑到论文声称的结果附近。

第三层是探索图层。它保存研究过程中试过什么、放弃什么、为什么改变方向。过去，这类内容通常被视为论文之外的过程材料。到智能体参与科研时，未采用路径可能帮助后续 agent 避免重复试错，也能帮助审稿人判断作者是否充分比较过关键方案。

第四层是证据层。每个主要论断都要能指向原始输出、日志、图表数据或实验记录。编辑部最熟悉的断点也常在这里：正文结论写得很满，图表也完整，但读者很难追到原始数据、代码文件和实验编号。

作者在论文里给出了一张跨层关系图。它的价值不在于目录名本身，而在于把“结论—代码—过程—证据”放进同一个可追踪结构里。

图 2  ARA 不是把附件堆在一起，而是把论断、代码、探索轨迹和证据节点连成可查询结构。图源：Liu et al., arXiv:2604.24658v3。

用期刊工作语言转译，ARA 要求作者交付四类关系：论断之间有逻辑，实验步骤能执行，研究过程可追踪，证据节点能对应。PDF 仍然重要，但它不再承担全部信息。

这篇论文有几组数据，适合编辑部放进自己的投稿规范讨论中，但不能把它们理解为所有学科的通用结论。

作者将 PaperBench 中 23 篇 ICML 2024 论文的 8,921 条专家标注复现要求，与原 PDF 内容进行对照。论文报告称，只有 45.4% 的复现要求在 PDF 中被完整说明；代码开发类要求的充分说明比例为 37.3%；在缺口类型中，缺失超参数占 26.2%。论文把这组结果画成 Figure 3，直观展示了“工程税”到底落在哪里。

图 3  论文统计的复现信息缺口：传统 PDF 中仍有大量执行规格没有被完整说明。图源：Liu et al., arXiv:2604.24658v3。

这个结果提示的，并不是“作者没有写论文”这么简单。更常见的情况是，很多执行规格没有进入论文主叙事。审稿人可以顺利理解方法，机器却无法稳定定位复现所需材料。编辑部的检查重点，也就从“附件是否上传”延伸到“正文、附件、代码、数据和证据能否互相指认”。

论文还做了智能体理解与复现实验。在 450 个问答任务中，ARA 使智能体问答准确率从 72.4% 提升到 93.7%。在复现实验中，ARA 的难度加权复现成功率为 64.4%，基线 PDF 加 GitHub 组合为 57.4%。

这两组提升说明，结构化研究包能降低智能体理解和复现的摩擦。与此同时，57.4% 到 64.4% 的变化也提醒我们：ARA 只是改善材料组织方式，不能替代研究本身的严谨性。原始实验没有记录，环境没有保存，消融没有做过，后处理工具也补不回来。

论文还引用 RE-Bench 相关分析：基于 21 个前沿模型的 24,008 次 agent runs，失败运行占总美元成本 90.2%，占 tokens 59.2%。这组数字让“失败路径”有了新的出版含义。过去，失败实验常被正文删除；将来，它可能成为下一轮机器研究最想检索的材料。

边界也要讲清楚。arXiv:2604.24658v3 仍是预印本，评估主要集中在机器学习论文和可计算复现场景。湿实验、材料合成、临床研究、纯理论学科能否采用 ARA 这类结构，还需要分学科验证。ARA Compiler 也只能整理已有材料，无法从缺失的 PDF 中补出环境、数据版本和消融实验。生产级应用还涉及沙箱执行、隐私保护、异常检测、探索图访问控制和 schema 迁移。

编辑部可以把这篇论文看作一个提醒，不宜直接当成现成标准。

近两年，许多期刊谈 AIGC 治理，关注点集中在文本：作者有没有用大模型写作，声明应该怎么写，AI 生成文本能不能检测。文本当然要管，但只盯文字痕迹，会把问题看窄。

ARA 这篇论文把视线移到研究对象本身。AI 工具可能参与代码生成、数据清洗、实验调参、图表制作、文献整理和结果解释，也可能参与后续审稿预检与复现验证。编辑部需要知道的，不只是某一段文字由谁生成，还包括 AI 在研究流程里介入了哪些环节，产生了哪些结果，留下了哪些可核查材料。

这提示编辑部可以把 AIGC 流程声明从文本层面向研究流程延伸。过去常见写法是“本文使用生成式 AI 进行语言润色”。更有用的版本，是要求作者说明 AI 是否参与代码编写、数据处理、参数搜索、统计分析、图表生成、文献筛选和审稿回复准备。不同环节对应不同责任，不能用一句“AI 辅助写作”全部带过。

编辑部还要追问责任链条。如果 AI 生成了代码，谁运行并验证过？如果 AI 参与数据清洗，清洗规则是否留下记录？如果 AI 协助筛选文献，被排除文献有没有理由说明？这些内容未必都进入正文，但应进入投稿材料和编辑部核查流程。

很多期刊已经要求数据可用性声明、代码链接和补充材料。实际问题在于，这些材料经常各说各话：正文使用一套图表编号，代码仓库使用另一套文件名，补充表格又是另一套口径。审稿人靠经验还能勉强读，机器预检和后续复现会遇到很高摩擦。

编辑部可以先做轻量改造，不必一开始建设完整 ARA 系统。

第一步，把可复现信息清单写进投稿须知。对计算类、工程仿真类、数据密集型稿件，至少要求作者列明数据来源、数据版本、预处理步骤、运行环境、依赖版本、核心超参数、随机种子、评价协议、主要消融实验和失败运行说明。清单本身不复杂，关键是让作者在投稿前按项准备。

第二步，试点“论断—证据映射表”。每个主要结论对应一行，列出支撑它的图表编号、实验编号、数据文件、代码文件、运行命令或补充材料位置。编辑初审可以用它定位证据断点，外审专家可以用它快速核查关键结论，后续引入机器预检也有基础材料。

第三步，允许作者提交简短的“未采用路径说明”。不需要把所有失败实验写成长文，只说明关键未采用方案、失败原因，以及它对最终方法选择的影响。对人工智能、算法、工程设计、生物信息学等迭代明显的稿件，这类材料往往比一段笼统讨论更有判断价值。

这些动作的共同点，是把补充材料从“上传了什么文件”推进到“这些文件能否支撑正文论断”。这是编辑部可以立刻调整的工作标准。

论文还设想了 ARA-native Review System，并把 ARA Seal 描述为三层验证：Level 1 检查结构完整性，Level 2 进行论证严谨性审核，Level 3 做预算约束下的方向性执行复现。这个思路对编辑部有参考价值，因为它把一部分机械核查前移了。论文中的审稿流程图很像一个投稿前后的质量闸门：机器先把材料结构和证据链查一遍，再把更需要判断的问题交给人。

图 4  ARA-native review 的基本思路：机器先做结构、证据链和执行层面的闸门检查，人类审稿保留价值判断。图源：Liu et al., arXiv:2604.24658v3。

按论文设想转化到编辑部预检，机器更适合先查文件是否齐全、链接是否有效、README 能否定位运行步骤、图表数据是否能找到来源、主要结论是否有证据节点、代码能否在沙箱中做方向性运行。这些工作琐碎、耗时，却很适合作为投稿预检。

机器不能替代专家判断研究问题是否有发表价值，方法是否有新意，伦理边界是否清楚，结论是否经得起领域知识检验。论文自己的实验也给出提醒：Rigor Auditor 在 mutation benchmark 上总体检测率为 82.6%，但对 orphan experiment 的检出率只有 22%。自动工具能发现一部分结构问题，也会漏掉关键断点。

这里还有保密问题。未发表稿件、原始数据和审稿意见都具有敏感属性。任何机器预检都要先明确本地化部署、权限控制、日志留存、数据删除和供应商责任。为了省时间把稿件直接上传到来路不明的外部工具，只会增加新的治理风险。

完整 ARA 对多数中文科技期刊来说门槛很高。投稿系统、数据仓储、代码执行环境、审稿流程、版权和隐私规则，都需要逐步调整。可这不妨碍编辑部先把最低标准立起来。

投稿须知可以增加“可复现信息清单”。计算类、工程仿真类、数据密集型稿件，要求列出数据来源、代码位置、运行环境、依赖版本、核心参数、随机种子和评价协议。

一两个栏目可以试点“论断—证据映射表”。这张表把正文中的关键结论同背后的图表、实验、数据、代码连起来。它既服务初审，也服务外审。

AIGC 声明可以从文本生成扩展到研究流程使用。作者除了说明有没有用 AI 润色，还要说明 AI 是否参与代码、数据、实验、图表、文献和统计分析。

编辑部内部可以建立“复现失败类型库”。比如缺超参数、缺数据版本、代码不可运行、图表无原始数据、实验矩阵不完整、README 没有入口命令。积累半年后，编辑部就能看清本刊最常见的复现缺口，投稿须知也能跟着调整。

笔者认为，这篇预印本给科技期刊留下的启发，并不该落在“人类论文何时消失”这类预测上。更现实的问题是：当论文的读者同时包括审稿人和科研智能体，编辑部是否还只检查“写清楚了没有”。

让稿件被人读懂，也让机器有路可查、有步骤可跑。这会成为 AI 时代期刊质量控制的一道新门槛。