同行评审依赖一种稀缺资源，即一线科学家无偿付出的关注，而这种资源正逐年被摊薄。被Scopus和Web of Science收录的论文每年增长约5.6%，一些分析将这一速度描述为指数级。有估算显示，研究人员投入审稿的总时间每年约为15,000人年，若按市场费率计酬，仅在美国，这笔工作就价值约15亿美元。专家注意力的供给没有随需求增长，而AI时代正在加剧这种失衡。
这种挤压的代价体现在具体案例中。得梅因大学（Des Moines University）健康经济学家杰森·森普里尼（Jason Semprini）提交了一篇论文，研究要求小学生接种HPV疫苗的州级政策。他的发现违背直觉，但指向明确：这些强制令并未在人群层面显著降低宫颈癌发病率，主要原因是一些家庭以彻底回避疫苗来应对强制要求。一名审稿人读完投稿后认定，森普里尼是在质疑HPV疫苗究竟能否预防宫颈癌。基于这一误解，加上只安排了一名审稿人，论文被拒。
数据背后的挤压
同行评审的算术多年来一直在恶化，但各项指标如今已能在数据中看清。各学科的期刊投稿量持续攀升。审稿人通常匿名且无偿工作，他们反映，被要求审阅的论文数量超出自己能够合理处理的范围，拒绝邀请的比例也越来越高。结果就是，期刊有时只把稿件交给一名审稿人，就像森普里尼遇到的那样，而以往的标准是两到三名。一次误解、一次匆忙的阅读、一位过劳的专家，大门就此关上。
无偿劳动是这个体系的结构性弱点。研究人员愿意审稿，因为这是学术契约的一部分，因为自己也受益于同样的服务，因为希望塑造自己的领域。但回报是分散的，代价却是实实在在的。每一次审稿都是从审稿人自己的研究时间里挤出来的，当投稿量上升而审稿人群体保持不变时，最先被压弯的就是质量。
AI放大器
人工智能正同时从两个方向进入这个脆弱的体系。在产出端，AI辅助写作让论文的撰写和排版更快、更便宜，降低了投稿门槛，也抬高了期刊必须处理的论文数量。论文背后的科学本身可能完全站得住脚，但生产的便利加剧了数量问题。
在评审端，AI正被用来生成审稿意见本身，而且往往质量不佳。在2026年ICLR机器学习会议上，一项对超过75,000份审稿意见的分析发现，约21%似乎完全由AI生成，超过一半显示出至少一些AI辅助的痕迹。在2026年ICML会议上，506名审稿人被查出违反AI使用政策，这些违规行为是通过嵌入的水印检测出来的，近500篇论文被直接拒稿，约占投稿总量的2%。问题并不局限于计算机科学。论文工厂，即向付费作者批量生产虚假研究的商业机构，已经把造假工业化。发表在《自然》上的一项针对癌症文献的分析估计，该领域大约每十篇论文中就有一篇可能出自这类工厂。已发表论文中也发现了伪造引用，《柳叶刀》的一篇研究通讯报告，在被索引论文中占比不足百分之一。
危险并不在于每一篇AI辅助的论文都是造假。而在于决定哪些主张能得到严格审查的限制性资源，变成了审稿人的带宽，而不是科学价值本身。当一名过劳的志愿审稿人站在稿件与文献之间时，一次真正的误解毁掉好工作的概率在上升，造假或粗制滥造的论文蒙混过关的概率也随之上升。
正在尝试的对策
这个体系并非没有回应。期刊正在试验向审稿人付费，开展过试验的出版商报告的结果好坏参半。《自然》一直在扩大透明同行评审，把审稿报告与论文一同发表，这一变化与更低的撤稿率相关。一些期刊正在测试申请者交叉评审，即作者互相审阅对方的投稿；越来越多的资助机构开始用随机化来打破同样优秀提案之间的平局，让古代雅典的抽签机（kleroterion）作为公平分配的工具重获新生。
AI工具也在被开发出来辅助而非取代审稿人：筛查投稿中的造假迹象、核查参考文献、标记可疑的统计。在机器学习学界内部，AI目前不应直接撰写审稿意见的立场正日益获得认同，因为对人工与AI生成审稿意见的实证比较显示了二者在质量和可靠性上的差距。
结构性抉择
这些修补方案都没有触及根本的等式。科学界每年产出更多成果，期刊竞相比拼发表速度，研究人员的职业发展需要论文，而AI又让文字生产变得更加容易。唯一无法随意扩大的投入是专家的注意力。同行评审依赖的是一批一线科学家捐出他们越来越没有的时间，无论怎样重新设计流程，都无法改变这个瓶颈。
这场争论的下一阶段很可能围绕答案展开：是付费补偿、分级分流、由人类监督的AI辅助，还是对评审目的本身的某种重新设计。森普里尼的案例表明，这个问题并不抽象。一篇本可为一场真正重要的政策辩论，即疫苗强制令是否起到了预期作用，作出贡献的论文，被一次误读挡住了去路，而这位研究者的遭遇在各个学科中正越来越普遍。
政策制定者、医生、投资者和公众都把期刊发表视为合法性的代名词。如果这个代名词背后的过程正在变薄，信号就会在人们对专业知识的信任本就备受质疑的时刻变得更加嘈杂。把劣质科学从记录中过滤出去的体系，本身也需要一个过滤器，而AI时代正以机构来不及作答的速度把这个问题推到台前。
婷 翻译
Sources:
- Ars Technica, “Peer review is overwhelmed, can it survive in the AI era?” (Aug 10, 2026): https://arstechnica.com/science/2026/08/peer-review-is-overwhelmed-can-it-survive-in-the-ai-era/
- Nature News Feature, “The peer-review crisis: how to fix an overloaded system” (Aug 2025): https://www.nature.com/articles/d41586-025-02457-2
- Journal Metrics analysis of ICLR 2026 AI-generated reviews (Pangram Labs data): https://www.journalmetrics.org/blog/ai-written-peer-reviews-medical-authors-2026
- PeerJ / Research Integrity & Peer Review (reviewer workload estimates): https://link.springer.com/article/10.1186/s41073-021-00118-2
- arXiv, “Stop Automating Peer Review Without Rigorous Evaluation”: https://arxiv.org/abs/2605.03202