AI时代，专家学者为什么不能再把传播完全交给别人

未来的专家学者，需要把一部分稳定的时间和资源投入个人知识品牌与传播工作。对希望自己的研究进入公共知识空间、产生持续影响的人来说，这正在从一个可选项，变成专业工作中不能完全回避的部分。

这并不是说学者都应该成为网红，也不是说学术价值以后要由点击量决定。问题在于，当知识生产、知识筛选和知识分发的结构同时发生变化时，专家学者原来的能力定位和社会分工，也需要重新调整。

有原创的东西可以传播，当然是基本前提。但我们现在要讨论的，不是反复强调这个前提，而是进一步追问——已经拥有原创观点、基础理论或者系统性研究成果的人，为什么仍然需要认真参与传播？为什么过去可以交给大学、期刊、出版社和专业媒体的工作，现在不能继续完全交给它们？

我的判断是，知识生产能力的扩张，正在使知识的可发现性成为一个独立而重要的问题。与此同时，知识的接受者也发生了变化。研究者不仅需要让合适的人发现自己的成果，还需要让人工智能能够准确地检索、识别、引用和使用这些成果。

这两方面的变化，正在重新定义专家学者与社会之间的关系。

过去，研究者可以在相当程度上依靠既有的学术分工。自己提出问题、开展研究、完成论文，期刊和同行评议负责筛选与评价，大学、出版社和专业媒体承担一部分认证与传播功能。这个体系从来没有保证所有优秀成果都能得到承认，但它至少为研究者提供了一套相对明确的路径。

AI带来的变化，不只是把其中某一个步骤做得更快，而是开始进入这条链条的多个位置。

Wiley在2025年8月对2430名研究者进行的调查显示，84%的受访者已经在某些工作中使用AI，而上一年度调查中的比例是57%；专门用于研究或出版相关任务的比例，则从45%上升到62%。这些是调查样本中的自我报告，不能直接当作全球科研人员的精确普及率，但它们已经清楚地反映出，AI正在从少数人的试验工具转向日常工作的一部分。资料来源：https://johnwiley2020news.q4web.com/press-releases/press-release-details/2025/AI-Adoption-Jumps-to-84-Among-Researchers-as-Expectations-Undergo-Significant-Reality-Check/default.aspx

2026年1月发表于《Nature》的一项研究，基于一个覆盖1980—2025年、六个自然科学领域、包含41,298,433篇论文的数据集，分析AI工具的采用与科研产出、职业发展及整体科学研究方向之间的关系。研究发现，参与AI增强型研究的科学家，其论文数量和引用次数分别达到未参与者的3.02倍和4.84倍。不过，这是一项观察性研究，不能解释成某个人使用聊天机器人以后，产出就会提高到原来的三倍。研究还发现，AI应用与科学议题覆盖范围的收窄有关。这提醒我们，个体产出增加，并不自动等于整个知识体系向更多新方向拓展。资料来源：https://www.nature.com/articles/s41586-025-09922-y

变化也不只发生在文本层面。2023年《Nature》发表的Coscientist研究，已经把大语言模型与文献和网络检索、代码执行、实验自动化连接起来，在限定的化学研究任务中实现半自主的规划与执行。它仍然依赖人类设定的任务、实验设施和必要干预，但已经不只是替研究者润色论文，而是在参与研究流程本身。资料来源：https://doi.org/10.1038/s41586-023-06792-0

因此，更准确的说法不是“AI让人写得更多”，而是知识生产的一部分操作，正在从人的直接认知活动中分离出来，进入由模型、数据库、工具和制度共同组成的工作系统。

我在《After the Knowing Subject》中讨论过这种变化。当认知逐渐成为基础设施，知识就不再只是一个人理解之后所拥有的东西，也会成为外部系统持续处理、筛选、判断和调用的能力。人的位置并没有因此消失，但人不再需要亲自完成每一个中间认知环节，知识才能继续运行。今天，随着AI进入检索、研究规划、实验操作和知识综合，这一判断正在获得越来越具体的现实形态。过去主要属于认识论层面的变化，正在转化为科研组织、知识传播和制度结构上的现实问题。书籍链接：https://read.amazon.com/kp/embed/?asin=B0GJ3RV4Z7

在这样的环境里，专家的竞争力也需要重新理解。

我认为最值得重视的，仍然是原创性、基础性和可发现性。原创性意味着提供真正不同的问题、解释或方法。基础性则意味着，这种原创不是只在已有框架里增加一个细节，而是能够触及概念、假设、方法乃至问题提法本身。

这里所说的“基础”，不是越抽象越好，而是能够改变后续研究赖以展开的条件。提出一种新的问题组织方式，与在原有问题中更快地找到答案，是不同层次的贡献。具体改进当然有价值，但当既有框架内的检索、计算、比较和表达越来越容易被自动化时，我更看重那些能够重新组织研究方向的工作。

不过，也不应该把基础性创新预先规定为人类永远独占的领域。如果AI能够进一步参与假设形成、方法设计和理论探索，那么人与机器之间的能力分配还会继续变化。专家未来的位置，不能只靠一句“机器不可能真正创新”来保证，而要通过实际贡献来确立。

第三个维度，也就是可发现性，之所以重要，是因为思想的价值与思想获得注意的机会，并不是同一回事。

这甚至不是生成式AI出现以后才有的问题。2021年发表于《美国国家科学院院刊》的一项研究，分析了241个学科中约9000万篇论文及18亿条引用关系。研究发现，论文数量的大幅增长，并不必然带来核心思想的更新；在规模较大的领域，注意力反而可能更加集中于已经获得广泛承认的成果，新贡献更难通过逐步扩散获得整个领域的关注。资料来源：https://doi.org/10.1073/pnas.2021636118

这项研究早于最近一轮生成式AI普及，但它揭示了一个重要机制。当知识供给增长得比阅读和评价能力更快时，增加产出不一定增加新思想被发现的机会。AI若进一步扩大知识供给，这种注意力与评价能力之间的矛盾，就有可能变得更加突出。

所以，传播并不是研究完成以后可以随意附加的一层包装。对于希望进入公共讨论的成果，它关系到研究能否遇到合适的读者、批评者、合作者和后续使用者。

但这不意味着应该简单追求流量最大化。

这里有一个经常被忽略的错位。流量最大化所覆盖的人群，与一篇文章真正希望到达的人群，并不完全重合。一个关于基础认识论的论证，最需要接触的可能是相关研究者、技术开发者、教育工作者，以及愿意认真思考这个问题的普通读者。它未必需要所有人都点进来，却需要尽可能多的合适读者有机会接触它。

因此，真正值得追求的不是无差别曝光，而是目标受众的有效扩大。

这也不能简单归结为“大众水平低，所以严肃内容没有流量”。同一个人在熟悉的领域可能非常专业，在陌生的领域则需要一个清楚的入口。有人不是没有理解能力，而是没有背景知识；有人不是不愿意深入，而是不知道一段简短内容后面还有完整论证。

传播的任务，恰恰是解决这些进入障碍，而不是为了吸引所有人，把内容压缩到只剩下情绪和结论。

2024年发表于《医学互联网研究杂志》的一项系统综述与元分析，纳入了50项研究，其中包括9项随机对照试验。研究支持社交媒体能够改善研究成果的传播，尤其是访问、阅读和下载等指标；但传播范围、互动、引用以及实际实践影响，属于不同层次，不能互相替代。这项研究主要涉及医疗专业人员，不能直接推广到所有学科，但它提示了一个重要的评价原则——传播有没有发生，与传播产生了什么影响，需要分别衡量。资料来源：https://www.jmir.org/2024/1/e51418

对专家来说，一篇文章被十万人浏览，与被一千名真正相关的人认真阅读，究竟哪个更有价值，取决于这篇文章想实现什么。更进一步，传播的成功也不只是找到已经懂的人，还包括帮助一部分原本不具备背景的读者，逐步获得理解它的条件。

这就需要专门的能力。

研究者擅长提出问题、建立框架、组织证据，并不意味着他同时擅长受众分析、媒介选择、内容分层和传播路径设计。不能因为传播变得重要，就假定每位学者都应该独自学会所有相关技能。

Elsevier在2025年发布的一项覆盖3200多名研究者的调查中，只有45%的受访者认为自己有足够的时间开展研究。这样的结果也提醒我们，重新重视传播，不能简单变成向研究者追加一项没有资源支持的义务。资料来源：https://www.elsevier.com/about/press-releases/elseviers-global-survey-of-3-000-researchers-reveals-less-than-half-have

更合理的方向，是形成新的分工。专家负责确定思想结构、目标受众、表达边界和需要保留的证据，编辑与传播人员负责转译和组织，技术人员负责数字内容的可访问性与维护，AI则可以参与其中一部分辅助工作。

专家未必需要亲自经营每一个账号，但应该参与决定，自己的成果究竟以什么形式进入公共空间。传播执行可以分工，思想被如何呈现，却不能完全失去作者的参与。

而今天，这种传播安排还必须面对一个新的对象——AI系统。

把AI称为一种“受众”，主要是在功能意义上说的。它不仅可能读取研究成果，还可能选择来源、重组论证、生成回答，并把经过处理的知识提供给其他人。它既是知识的使用者，也可能成为知识进一步分发的中间环节。

但AI不是一个统一、同质的知识接受者。

不同系统的训练、检索、回答生成和来源选择方式可能不同。即使在同一个平台中，不同功能也未必采用完全相同的模型与技术。Google的官方说明就明确指出，AI Mode和AI Overviews可能使用不同模型及处理方式，因此呈现的回答和支持链接也会有所不同。资料来源：https://developers.google.com/search/docs/appearance/ai-features

用户偏好也可能进入这些系统，但不能因此把AI的能力简单理解为用户平均水平的投影。发表于ICLR 2024的研究发现，人类偏好反馈在某些条件下可能奖励迎合用户信念的回答，而不是更真实的回答。这说明反馈机制确实会影响模型行为，却不意味着每一次用户提问都会直接进入训练，更不意味着模型只会重复用户已经具备的理解水平。资料来源：https://proceedings.iclr.cc/paper_files/paper/2024/hash/0105f7972202c1d4fb817da9f21a9663-Abstract-Conference.html

对知识传播而言，更现实的问题是，一个系统在回答具体问题时，能够找到什么资料，怎样筛选资料，是否保留概念之间的关系，以及能否准确追溯原始来源。

2026年2月发表于《Nature》的OpenScholar研究提供了一个很有代表性的例子。研究团队建立了包含约4500万篇开放获取论文的检索资料库，并结合检索、重排序和反馈改进，让语言模型完成科学文献综合。这里的关键不只是模型本身变得更大，而是模型被连接到了什么样的知识系统，以及它如何从中获取和核验材料。资料来源：https://www.nature.com/articles/s41586-025-10072-4

这意味着，研究者不必把“让AI知道自己的成果”只理解为等待下一次模型训练。在能够使用外部资料的系统中，研究成果是否被索引、是否能够检索、是否容易识别原始作者和准确版本，同样重要。

与此同时，AI参与分发以后，知识被使用与原网站获得点击，也可能进一步分离。

皮尤研究中心在2025年分析了900名美国成年人的浏览数据，涉及约6.9万次不同的Google搜索。在出现AI摘要的搜索页面上，用户点击传统搜索结果链接的比例为8%，没有AI摘要时则为15%；点击AI摘要中来源链接的比例只有约1%。这不是随机实验，也只反映特定样本和时期，但它已经显示出一种值得关注的使用方式——用户可能在摘要层面获得答案，而不再进入原始网页。资料来源：https://www.pewresearch.org/short-reads/2025/07/22/google-users-are-less-likely-to-click-on-links-when-an-ai-summary-appears-in-the-results/

由此可以推论，未来衡量知识传播，不能只盯着网站访问量。一项成果可能进入了AI的回答，却没有为作者带来相应点击。反过来，一个网站拥有流量，也不能保证其中的观点被准确理解和引用。

作者还需要关心，自己的思想有没有进入相关回答，是否保留了必要限定，是否被错误归因，原始论证有没有留下可以追溯的路径。这比单纯统计浏览量更复杂，却更接近知识传播的实际效果。

因此，我认为专家学者需要建设一种面向人和AI的“知识接口”。

这里的接口，不一定是一套复杂的软件，也不意味着每个人都要开发一个应用。它首先是一种组织研究成果的方式，让外部读者和机器系统能够知道，谁提出了什么观点，完整论证在哪里，使用了哪些证据，与哪些已有研究发生关系，以及后来做过什么修订。

一个研究者可以有稳定的作品入口，把论文、书籍、概念说明和公开文章连接起来。核心概念应当有相对明确的定义，重要观点应当指向原始论证，不同版本之间应当能够区分。专业读者可以直接进入完整材料，普通读者则可以从解释性的文章或访谈开始。

同一套思想也可以有不同深度的表达。书籍保存完整结构，文章讨论具体问题，播客展开推理过程，简短内容提供进入的起点。关键不是机械地重复同一段话，而是让这些表达彼此连接，避免观点散落在大量无法追溯的片段里。

这些工作不应该被包装成某种神秘的“AI推荐技巧”。Google明确说明，进入其AI搜索功能并不要求额外的专用优化，也没有保证收录或展示的特殊办法。内容的可访问性、清楚的文字表达、合理的内部连接，以及与页面实际内容一致的信息组织，仍然是基本条件。资料来源：https://developers.google.com/search/docs/appearance/ai-features

研究者真正需要做的，不是迎合某个模型的短期偏好，而是减少自己的思想进入知识系统时不必要的损失。当然，哪些材料公开、以何种权限公开，仍然应该由作者和相关权利人决定，建设接口不等于放弃对成果的控制。

我在《维成论》（Sustenesis）中，把相关变化概括为知识系统的迁移。文字、图书馆、数据库和互联网，已经逐步把知识保存和访问的能力移到人的外部；AI进一步增加了在外部系统中处理、重组和运用知识的能力。因此，需要考察的不只是一个人知道什么，还包括整个系统怎样保存、检索、验证和使用知识。

今天，专家学者为什么需要建设自己的知识接口，可以看作这一观点在实际工作中的延伸。当知识越来越通过分布式系统运行，研究成果怎样进入这些系统，就不再只是宣传问题，而是知识能否参与后续活动的问题。

这并不是说书中的哲学论证已经被某几项技术成果全部证明，而是其中所讨论的结构变化，正在成为越来越具体的现实。人的知识位置、机构的中介作用，以及研究成果被调用的方式，都开始发生相互关联的调整。

传统学术评价体系，也需要放在这个背景下重新审视。

我并不认为期刊和同行评议应该退出。相反，当内容生产成本下降、研究材料增长时，验证证据、识别错误和区分可靠结论的重要性会进一步上升。真正需要讨论的是，质量评价、学术声誉与知识分发，是否还必须以原来的方式紧密捆绑。

传统评价体系也有自身的结构性局限。Wang、Veugelers和Stephan发表于《Research Policy》的研究发现，具有较高新颖性的工作，往往面临更迟的承认，其价值不容易被短期引用窗口和期刊指标准确反映。这类工作可能具有较大的后续影响，也具有更高的不确定性，因此偏重短期可见结果的评价方式，可能对它们不利。资料来源：https://www.sciencedirect.com/science/article/pii/S0048733317301038

这不能用来证明被拒稿的文章一定优秀，但它足以说明，制度认可与研究价值之间并不存在即时、无偏差的对应关系。

如果知识生产的规模和形态发生变化，而评价机制仍然过度依赖既有分类、短期指标和固定程序，那么它就可能在某些情况下，从帮助知识进入社会的机制，变成延迟甚至阻碍新思想传播的机制。

这个判断需要保留条件。问题不是传统机构必然失效，而是它们能否重新安排自己的功能。

一个已经出现的探索，是把成果公开与公开评价更明确地结合起来。eLife在2022年宣布自2023年起采用新模式，对被选中进入同行评议的稿件，以附带评估和公开评审意见的预印本形式发布，不再在评审之后作传统的接收或拒绝决定。它仍然保留进入评审前的筛选，并不是取消所有门槛，但说明分发与评价可以有不同于传统期刊的组织方式。资料来源：https://elifesciences.org/inside-elife/54d63486/elife-s-new-model-changing-the-way-you-share-your-research

这种探索未必适合所有学科，也不能被当作已经解决问题的标准答案。但它提示我们，严格评价与及时传播，并不一定只能通过单一的制度顺序实现。

未来更值得建设的，是让成果能够被发现，同时让它的证据状态、评议情况、争议和修订保持清楚。未经充分验证的内容，不应被包装成定论；尚未获得传统认可的内容，也不必因此完全失去被讨论的机会。

回到专家学者本身，这意味着一种新的能力配置。

研究仍然需要深入，但传播不能完全等到“有空再说”。它需要稳定的时间、合适的协作和明确的责任。具体投入多少，不同学科、职业阶段和工作目标可以不同，但它应当在研究计划中占据真实的位置，而不是被默认为没有成本、也不需要专业能力的附带劳动。

大学、研究机构和出版社同样需要承担这部分调整。新的知识接口不能只靠个人自费建站、业余剪辑和不断运营来支撑。如果机构仍然只奖励产出，却不支持成果被准确发现、解释和使用，那么它们就没有完整回应知识环境的变化。

所谓个人知识品牌，也不必理解为制造一个容易识别的人设。对研究者来说，它更应该意味着一种可追溯的关系——这个人长期研究什么，提出过哪些概念，论证在哪里，哪些观点已经修改，哪些问题仍然开放。

这样的公共存在，既帮助别人找到他的成果，也让批评、核验和后续发展变得更容易。它不是用知名度代替学术评价，而是为评价和交流提供更清楚的对象。

因此，我仍然认为，原创性、基础性和可发现性会共同影响未来专家学者的位置。前两者关乎一项贡献提供了什么新的可能，第三者关乎这种可能能否进入实际的知识活动。

流量不能决定思想是否为真，但思想也不会因为有价值，就自动获得被检验、采用和继续发展的机会。

AI时代的专家学者，不一定要成为职业传播者，却越来越需要参与自己的知识如何被传播。面对公众如此，面对AI系统同样如此。

这不是要求学术向流量低头，而是要求真正的知识创造者，重新参与知识进入社会的过程。创造新知识与让新知识获得有效传播，在具体工作上仍然可以分工，但已经越来越不能被当作彼此无关的两件事。