在生成式人工智能迅速进入科研流程的当下，“用AI形成综述”似乎正在变得越来越自然：输入关键词，几分钟内就能得到结构完整、语言规范、引用看似充分的综述文本。

这种效率提升极具吸引力，也让不少人开始重新理解综述的性质——既然AI可以总结文献，那综述是否只是一个信息压缩与整理任务？

问题恰恰出在这里面。把综述理解为“信息总结”，本身就是一种对科研活动的简化误读。综述在科学研究体系中从来不是附属性的写作任务，而是一种具有方法论意义的知识生产过程，其核心不是“写出来”，而是“想出来”。

如果这一过程被AI替代，改变的不只是写作方式，而是科研中最基础的认知结构：研究者如何理解一个领域、如何提出问题，以及如何形成学术判断。

一、综述的本质不是文献汇编，而是知识重构与问题生成机制

在规范的科研体系中，综述（literature review）从来不等同于“读过一些论文后的总结”。无论是叙述性综述、系统综述还是Meta分析，其共同指向都是一个更高层次的目标：对已有知识进行结构化重组，并在此基础上形成可解释的知识框架。

从功能上看，高质量综述至少承担四个相互嵌套的任务：

第一是系统性筛选，即依据明确标准界定知识边界，而非随意收集文献；

第二是批判性评价，即不仅描述研究结论，还要分析方法论可靠性、数据质量与理论假设；

第三是整合性解释，即在不同甚至矛盾的研究之间建立逻辑联系，形成可理解的解释框架；

第四是前瞻性判断，即识别研究空白并提出未来研究问题。

关键在于，这四个任务没有一个可以被“自动生成”。因为它们都依赖一个核心能力：学术判断。

例如在教育学领域，关于在线学习效果的研究可能呈现明显分歧：一些研究强调学习效率提升，一些研究发现学习效果下降，还有研究指出结果取决于学习者背景与教学设计。

如果只是“总结结论”，综述不过是信息列表；但真正有学术价值的综述必须回答更深层的问题：这些结论为什么会不同？是理论框架差异，还是方法设计差异？哪些研究具有更强的外推性？哪些结论只在特定情境成立？

换句话说，综述的本质不是“报告已有研究”，而是重建一个领域的知识结构。它需要研究者在复杂文献之间不断做选择、比较与解释，而这些行为本身就是一种认知劳动。

因此，综述并不是科研的附属品，而是科研理解能力的核心训练场。

二、AI可以处理信息，但无法进行理解与判断

必须承认，AI在综述任务中的表现确实令人印象深刻。它可以快速扫描大量文献、提取关键词、归纳主题结构，并生成看似“学术规范”的文本。从效率角度看，它甚至超过大多数初学研究者。

但问题在于：综述的关键环节从来不是“生成文本”，而是“生成理解”。

AI的工作机制决定了它的能力边界。它本质上是在已有文本数据中进行概率建模与模式拟合，它可以识别“人们通常如何讨论某个主题”，却无法理解“这些讨论为什么成立”，更无法判断“哪一种解释更接近真实”。

在人文社会科学领域，这一局限尤为明显。因为研究对象本身就不是单一事实，而是由制度、文化、行为与价值共同构成的复杂系统。同一现象往往存在多种竞争性解释。

例如社会不平等问题，可以从结构主义、制度主义或个体行为理论进行解释；每种理论并非简单对错关系，而是基于不同前提假设的解释体系。

综述作者必须在这些体系之间进行比较与判断，这不是信息归纳，而是理论选择。它要求研究者具备长期学术训练所形成的敏感性：哪些变量被忽略，哪些假设是隐含的，哪些方法可能系统性偏误，哪些结论具有跨情境解释力。

AI可以“说出所有观点”，但无法回答一个核心问题：哪个观点更有解释力，以及为什么。

更重要的是，学术综述本身包含一种“责任结构”。研究者在综述中表达判断，意味着对学术共同体承担解释责任，并接受同行评议。而AI不承担任何责任，它的输出不包含立场、代价与后果。因此，即便文本形式上完整，它仍然缺失学术活动最关键的主体性维度。

三、人的亲自参与是综述真正不可替代的核心价值

如果说AI的优势在于信息处理，那么人类研究者在综述中的不可替代性，则集中体现在一个更深层的过程：问题意识的生成。

综述写作并不是在已有答案中进行整理，而是在不断阅读、比较与冲突中逐步形成问题。许多真正重要的研究问题，并不是一开始就被明确提出，而是在文献之间的张力中逐渐浮现出来的。

例如，当研究者发现某一领域中不同研究反复得出矛盾结论时，一个问题就出现了：这种矛盾是方法造成的，还是理论本身存在局限？

当研究者注意到某些变量长期未被纳入模型时，一个新的研究方向就可能产生。这些“发现”，并不是信息检索的结果，而是理解积累后的认知跃迁。

这一过程有一个不可压缩的前提：亲自阅读与亲自思考。

综述训练之所以重要，正是因为它迫使研究者进入一个缓慢但关键的认知过程：从“知道别人做了什么”，逐步转向“理解这些研究为什么这样做”，最终过渡到“发现还可以问什么”。这是科研能力从初级走向成熟的核心路径。

如果这一过程被AI替代，研究者可能获得“看似完整的知识地图”，但却失去真正生成地图的能力。他们知道哪里有什么研究，却不知道这些研究是如何被理解与组织起来的，更无法在此基础上提出新的问题。

从这个意义上说，AI可以缩短“整理时间”，但它无法替代“理解时间”。而科研真正依赖的，恰恰是后者。

四、AI综述生成与科研体系、研究者成长与社会知识质量的连锁变化

如果AI写综述成为普遍依赖，其影响不会只停留在写作效率层面，而可能在多个层面产生结构性变化。

首先，从科研体系来看，综述质量下降意味着知识整合能力弱化。当综述不再承担批判性筛选与理论整合功能时，学科内部的知识结构可能变得更加碎片化。研究之间的连接不再由研究者主动建立，而由算法式文本拼接替代，最终导致“看似繁荣但缺乏结构”的知识生产状态。

其次，从研究者发展来看，综述本身是学术训练的核心环节之一。如果研究者不再通过亲自阅读与分析形成判断能力，而是依赖AI生成总结，那么他们的科研能力将逐渐从“理解型能力”转向“调用型能力”。这种转变的长期后果，是问题意识弱化、理论敏感性下降以及创新能力受限。

最后，从社会知识生产来看，科研的价值不仅在于信息提供，更在于解释世界。如果综述这一关键环节变得机械化，研究可能越来越倾向于“形式正确但解释贫乏”。在政策制定、社会治理或教育改革等领域，这种浅层知识结构可能导致判断偏差，使科研成果的社会解释力下降。

五、综述之所以重要，是因为它必须被思考，而不是被生成

综述的核心价值，从来不在于它写得多快、多长或多“像论文”，而在于它是否真正反映了一个研究者对领域的理解深度。它不是信息加工的结果，而是认知劳动的体现，是研究者通过亲自阅读、比较、质疑与整合所形成的知识结构。

AI可以在综述写作中扮演辅助角色，但它无法进入综述最核心的部分：理解、判断与问题生成。科研之所以成为科研，正是因为它不仅仅是“写出知识”，更是“理解知识如何成立”。

因此，从学术本质来看，问题并不在于AI能不能写综述，而在于：当综述不再依赖人的思考，它还是否仍然是综述。用AI写综述，不如取缔综述。

答案或许是明确的——没有人的参与，综述仍然可以存在于文本层面，但它作为科研训练与知识生产机制的意义，将被显著削弱。

而这，正是需要我们注意的地方。