AI 生成投稿给医学、法律与文学出版带来压力

Google News 揭示了一场正在三个出版领域蔓延的冲突：医学期刊、法律评论与文学杂志正面临 AI 生成投稿的挑战。

眼前的问题并不在于软件能够写出流畅的句子。编辑多年来一直在使用语言工具和筛查工具。真正的冲突始于生成文本模糊了究竟是谁完成研究、构建论证或创作故事。

这种区别在各领域会带来不同后果。一条伪造引文可能损害医学证据；一个虚构判例可能削弱法律学术研究；未披露的机器创作小说则可能违背杂志对创意作者身份的期待。

出版机构还面临一种不对称局面。作者几分钟内就能生成并提交另一篇稿件，编辑却仍须审查其来源、推理、原创性和披露情况。他们最昂贵的资源是人类注意力。

这则 Google News 新闻 指向更广泛的制度性回应。出版商正从非正式的怀疑，转向披露规则、作者问责、保密限制和人工审查。

然而，这些政策并未解决最棘手的问题。编辑仍缺乏一种可靠方式，来区分可接受的辅助与被隐瞒的替代。

因此，这不只是一个关于识别机器生成文字的故事，而是一场关于既有出版体系能否核实每一篇被接收作品背后人类责任的较量。

Google News 揭示共同的编辑瓶颈

生成式 AI 降低了产出看似可信投稿的成本，却没有降低评估它们的成本。

医学期刊、法律评论和文学杂志服务于不同读者群，但它们都通过选择性审稿，将开放投稿转化为值得信赖的出版物。

这一过程依赖于一些原本并非为自动文本生成而设计的信号。编辑会考察文字质量、引文、方法细节、新颖性，以及作者对主题的掌握程度。

生成式 AI 可以模仿其中若干信号。大型语言模型，即 LLM，会根据训练中学习到的模式预测可能的文本序列。它能够产出条理清晰的文字，却不会核实每一项底层主张。

因此，流畅的写作所传达的信息已不如从前。一段精炼的引言不再保证署名作者理解所引来源，或亲自构建了论证。

问题尤其严重，因为 AI 的使用处于一个连续谱上。一位作者可能用软件纠正语法；另一位可能请求生成提纲；第三位则可能生成完整章节后再轻度修改结果。

这些行为带来的编辑风险并不相同。一刀切的禁令可能会把无障碍支持与代笔混为一谈；过于宽松的政策则可能让读者无从知晓模型曾塑造作品的核心主张。

编辑还必须区分 AI 辅助写作与研究 AI 的工作。医学研究者可以在有文档记录的方法论中恰当地评估模型。这并不意味着同一模型可以捏造结果或撰写未经验证的结论。

法律评论面临的是边界问题的另一种形式。作者可能利用 AI 寻找潜在案件、概括判决、修改文字，或生成论证。每一个环节都会改变所需的核实程度。

文学杂志则面对一种更具哲学意味的分野。其编辑宗旨往往包括发现人类声音，而不只是挑选可读的文本。即使每一句话都连贯，未披露的生成行为也可能与这一宗旨冲突。

这些机构不能仅凭文风判断来解决问题。常被提及的信号，例如可预测的过渡句或重复措辞，同样可能出现在人类写作中。

以英语为第二语言的作者尤其容易受到影响。检测器或编辑可能将正式、标准化的文字误判为机器产出。大量编辑也可能造成相同效果。

因此，共同的瓶颈是核实，而不是品味。编辑需要知道谁承担责任、哪些工具影响了作品，以及其底层证据能否经得起审查。

Google News 让跨领域的冲突显而易见，但聚合报道只是起点。更深层的故事，在于如今正取代既有作者身份假设的政策。

医学期刊将问责置于作者署名之前

医学出版商通常接受有限度的 AI 辅助，但会将责任保留给可明确识别的人类作者。

医学出版有最明确的谨慎理由。一篇论文可能影响临床研究、专业指南、投资以及患者沟通。权威语气不能替代经过验证的证据。

国际医学期刊编辑委员会指出，聊天机器人不应被列为作者。其理由核心在于问责：软件无法批准最终稿、披露利益冲突，或回应有关作品的质疑。

同样的原则也体现在规范 AI 使用的医学期刊建议中。作者应披露其如何使用 AI 辅助技术，并继续对投稿材料负责。

这种责任包括核查生成的主张、引语和参考文献，也包括防范剽窃和有偏差的输出。披露不会将任何义务转移给工具提供商。

《新英格兰医学杂志》在其编辑政策中遵循这些建议。该刊警告作者，应审查 AI 生成材料中错误、不完整或带偏见的内容。

这种做法划出了一条重要界线：AI 可以协助人类作者，但不能成为医学主张背后承担责任的一方。

政策也涉及引文问题。AI 生成材料不应作为主要来源，因为聊天机器人的回复不具备科学证据所期待的稳定性和可追溯性。

生成的引文可能以多种方式失效：所指论文可能根本不存在；标题可能被稍作改动；论文可能真实存在，却与该主张无关。

这类错误会在审稿期间造成不成比例的工作量。生成一条伪造参考文献只需几秒，但审稿人必须检索数据库、查阅记录并判断问题所在。

保密性构成另一项限制。同行评审人会在保护作者想法、数据和知识产权的条件下收到未发表稿件。

将该稿件上传至外部聊天机器人，可能暴露保密材料。审稿人可能并不清楚提供商如何存储提示词、监控活动，或使用提交内容。

Elsevier 的期刊 AI 政策分别针对作者、审稿人和编辑作出规定。作者必须核实生成输出，并披露其在稿件准备中的使用情况。

该公司对编辑评估施加了更严格的限制。审阅科学稿件需要作出仍应归属于人类的判断。保密性和人工监督依然是核心要求。

医学期刊已将自动化系统用于更狭窄的任务，包括相似性检查、参考文献验证、格式审查、元数据提取和图像完整性筛查。

这些用途不同于要求模型判断研究结论是否由其方法得出。前者可以支持界定明确的检查，后者则是将科学判断交给模型。

这一差异解释了为什么期刊并非简单地“反对 AI”。许多出版商认可翻译、语言编辑、检索发现和工作流支持的正当用途。

他们担忧的是替代性使用。模型不应取代使某人成为作者、审稿人或编辑的智力劳动与问责责任。

执行仍然困难。披露栏可以记录诚实使用，但无法迫使有意规避的作者说明未披露的生成行为。

医学期刊可以检查参考文献、原始数据、伦理批准、统计方法和修订历史。这些检查审视的是文字之外的实质内容，比从文风猜测更有用。

不过，更严格的核实需要时间和专业劳动力。较小期刊用于取证式审查的资源更少。这种不平衡让低质量自动化投稿获得了结构性优势。

因此，压力已超出单篇稿件本身。如果筛查成本持续上升，期刊可能收紧投稿渠道、增加初审拒稿，或向正当作者提出更多要求。

法律评论需要披露，但不能外包判断

法律评论正将 AI 使用视为作者身份与可靠性问题，而非仅仅是一种写作偏好。

法律学术研究依赖可追溯的权威依据。一句有说服力的话，只有在其判例、法规、历史记录和逻辑步骤经得起审查时才有意义。

生成式 AI 使这条链条变得复杂。模型可以写出辨识度很高的法律文风，同时混淆司法辖区、错误陈述裁判要旨，或捏造引文。

这些失败并非理论上的怪象。律师此前已因提交含有聊天机器人生成的不存在判例的文件而面临法庭制裁。法律评论不能假设学术草稿可以免受此类问题影响。

由学生编辑的法律评论面临独特的工作负荷。编辑往往要在核查密集脚注的同时评估大量投稿，并完成自身的学业责任。

AI 可以帮助作者产出更多稿件、摘要和附信，却不会给编辑增加核实它们的时间。

因此，数家法律评论已采用明确的披露政策。宾夕法尼亚大学法律评论现要求作者披露其准备投稿时使用 AI 的情况。

其作者披露规则还指出，披露本身不会对投稿产生不利影响。这种表述试图鼓励诚实，而不是迫使辅助行为转入地下。

Stanford Law Review 采用了更有针对性的门槛。该刊要求作者披露那些显著影响投稿实质、原创性或可靠性的生成式 AI 使用情况。

这些做法反映出一个核心政策选择：期刊可以要求披露每一次互动，也可以聚焦于实质性塑造作品的使用方式。

全面报告听起来很明确，却可能产生噪音。作者可能必须报告常规拼写辅助和生成的法律分析，尽管两者风险截然不同。

实质性标准更具弹性，但它要求作者自行判断 AI 的贡献何时变得重要。两位作者可能对这一门槛作出不同理解。

最棘手的情况涉及研究辅助。假设一个模型提示了某项有价值的判决，而作者随后独立阅读了完整判决书。模型影响了发现过程，但作者核实了该权威依据。

现在假设作者依赖生成的摘要而未打开判例原文。表面上看，稿件可能依然相似，但其证据基础会弱得多。

法学评论可以通过检验作品本身，而非作者的文风来应对这一问题。编辑可以核查每一项引用的权威依据，将引文与原始来源比对，并要求作者解释不寻常的主张。

他们还可以要求作者在整个编辑过程中保持可联系状态。构建论证的作者应当能够捍卫其结构、澄清来源，并修订薄弱的推理。

这并不能形成完美的真实性测试。人类作者同样可能出错、误解判例，或不当委托他人完成工作。

目的在于问责。期刊需要有一位署名人员，能够为论证负责，并在问题出现时纠正记录。

学生编辑还面临另一个问题：他们自己是否可以使用 AI。将未发表文章输入面向消费者的聊天机器人，可能会泄露保密学术成果并损害匿名评审。

即便是本地部署或经机构批准的工具，也需要治理。编辑需要制定规则，涵盖数据保留、访问权限、获准任务以及向作者披露的要求。

因此，核心冲突在于人类判断与不可验证的自动化之间。AI 可以协助引文格式整理或发现问题，但无法为编辑决定承担责任。

这一标准不应沦为纯粹性测试。残障作者或缺乏专业编辑资源的作者，可能会从辅助工具中受益。

可行的政策应审视工具做了什么，而不是它是否接触过文档。语法支持与实质性论证生成不应得到完全相同的对待。

法学评论还需要一致执行规则。如果知名作者获得非正式例外，披露规则就可能流于象征，而非发挥保护作用。

清晰的表格、有记录的审查程序和相称的补救措施，比笼统的警告更重要。意外遗漏不应自动得到与伪造权威依据相同的处理。

政策目标是建立从来源到主张的可信链条。没有这条链条，流畅的法律文风将成为负担，而非学术成果的证明。

文学杂志面临最尖锐的人类与机器冲突

对于文学杂志而言，未披露的 AI 生成既挑战编辑能力，也挑战创意作者身份的意义。

医学期刊可以询问证据是否支持某项主张。法学评论可以核实判例是否支持某项论证。文学编辑则必须对声音与艺术意图作出更难量化的判断。

这并不意味着问题不够具体。开放投稿的杂志通常团队规模小、预算有限，却要处理大量待阅稿件。

生成式 AI 让一个人能够迅速创作大量故事。即使是质量较差的故事，也会在编辑拒稿前占用其注意力。

Clarkesworld 在 2023 年 2 月成为早期预警案例。这家科幻杂志在收到大量疑似机器生成的故事后，暂时关闭了投稿通道。

编辑 Neil Clarke 告诉 Time，杂志在当月关闭前收到了 700 篇正常投稿和 500 篇机器撰写的投稿。

这场投稿洪流展现出一种有害的经济不对称：自动化增加了供给，而编辑的阅读能力却保持不变。

这一事件也说明，仅靠检测并不足够。质量不佳的生成式小说或许很容易识别，但编辑仍必须打开、评估并处理每一份投稿。

随着模型进步，表面质量的参考价值会越来越低。一篇生成的故事可以避免明显错误，却未必能形成连贯的艺术目的。

文学判断部分依赖于文本背后的选择。编辑会考量张力、形式、视角、意象，以及作品与其文化语境之间的关系。

模型可以在统计意义上模仿这些元素。它无法就为何某段记忆、某种风险或某项形式决定塑造了故事，提供人类证词。

一些读者会认为，只有完成后的文本才重要。从这一观点出发，无论采用何种创作方式，一篇引人入胜的故事都值得考虑。

这种立场具有思想上的力量，但并不能消除编辑政策的必要性。一家杂志可以将使命界定为发表人类创作的作品，正如另一家刊物可以明确欢迎计算文学。

披露让两种模式都能存在。当出版物清楚说明其标准时，读者和编辑可以评判 AI 辅助作品。

隐瞒会引发更大的冲突。向仅接受人类作品的平台投稿生成式小说的作者，获得了速度优势，同时却要求其他参与者遵守自己无视的规则。

错误指控则构成相反的风险。AI 检测器可能会为人类作品给出可疑分数，尤其是文笔成熟、程式化、经翻译或经过大量编辑的文本。

将检测器视为定论的文学杂志，可能会在没有实质证据的情况下拒绝真实作者。它也可能迫使作者为了显得像人类而让文字变得不那么有条理。

最广为人知的事件支持谨慎审查，而非自动化确定性。编辑可以考察投稿模式、账户行为、元数据、修订历史以及重复出现的文本结构。

当入围作品引发严重疑问时，他们可以要求与作者沟通。真正的作者通常应当能够讨论修订、影响来源和舍弃的选择。

即便这一过程也有局限。有些作者不擅长谈论自己的创作技艺；另一些作者则广泛使用协作、翻译或编辑协助。

隐私同样重要。要求提供每一份草稿或提示词可能构成侵扰，尤其当故事取材于创伤、身份认同或保密经历时。

因此，文学出版机构需要采用相称的程序。早期筛查可以针对垃圾投稿行为，而更深入的真实性核查应聚焦于接近发表的作品。

杂志还可以区分可接受的辅助与被禁止的生成行为。头脑风暴、无障碍支持、翻译和行文编辑需要不同的规则。

行业应抵制对合法艺术的单一普遍定义。实验性出版物可能会有意探索人机协作。

重要的是，出版物是否明确说明其标准并诚实地执行。接受 AI 辅助写作的杂志可以标注这类作品，并保留读者的选择权。

仅接受人类作品的杂志可以禁止生成式文本，同时不必宣称每一句机器辅助的文字都毫无价值。不同的编辑使命可以共存。

眼前的危险并不是 AI 将写出决定性的短篇小说，而是自动化带来的数量将使开放发现机制在经济上无法维持。

关闭开放投稿能保护编辑，却会伤害新兴作者。知名作者仍可通过经纪人、人脉或邀请接触杂志。

这造成了令人不安的逆转：被宣传为让创作民主化的工具，可能会推动精选出版物转向更封闭、更依赖关系的体系。

披露政策仍无法可靠识别欺骗行为

正在形成的政策共识回答了谁应负责，却没有为未披露的 AI 使用提供可靠的检验方法。

在这些领域中，若干原则反复出现。AI 不能作为可问责的作者。人类必须核实生成材料。实质性使用应予披露。保密投稿需要受到保护。

这些原则之所以有用，是因为它们在争议发生前界定了义务。它们帮助编辑区分获授权的辅助与不当行为。

然而，政策声明并不是检测系统。最可能披露的人，往往正是那些已经努力遵守规则的人。

自动化检测器似乎提供了一种可扩展的答案。它们分析统计特征，并估计某段文字是否可能由模型生成。

这种估计并非证据。释义、翻译或常规编辑后，结果可能发生变化。不同检测器对同一段文字也可能得出不同结论。

误报会带来严重后果。一项指控可能损害研究人员的职业生涯、法律学者的声誉，或作者与出版商之间的关系。

漏报则带来另一种问题。熟练使用者可以修改生成文本、组合多种工具，或要求模型模仿更难预测的风格。

这形成了一场出版商难以取胜的军备竞赛。检测能力的每次提升都会催生新的规避方法，而编辑仍须为公平决定负责。

更持久的应对方式是溯源。溯源是指保存有关材料来源及其变化过程的证据。

在研究出版中，溯源可包括实验室记录、分析代码、数据文件、伦理文件以及有关修订的通信记录。

在法律学术研究中，它可包括来源笔记、判例历史、引文核查以及对论证形成过程的说明。

对于文学作品，它可能包括草稿或有针对性的作者沟通。这些措施应与发表决定及既定政策保持相称。

没有一种方法能提供确定性。它们的价值在于检验投稿作品是否与可信的人类创作过程相连。

出版商可以通过分层审查强化这一过程。投稿表格应针对工具、任务和受影响部分提出具体问题。

“你是否使用了 AI？”这样模糊的问题会产生不一致的回答。作者可能不知道语法软件、搜索摘要或转录工具是否算作 AI 使用。

更好的表格会区分语言校正、翻译、研究发现、数据分析、起草、图像生成和引文创建。

编辑随后可以实施基于风险的核查。生成式文字编辑所需的审查力度，应低于模型生成的医学解读或法律权威依据。

政策还应说明补救措施。期刊需要在无条件接受与永久排除之间提供更多选择。

作者可以在审查继续前补正不完整的披露。伪造证据或故意隐瞒则可能足以构成拒稿和进一步调查的理由。

程序必须包含质疑指控的途径。检测器分数绝不应成为不可审查的裁决。

出版商也需要进行内部披露。作者有权知道编辑或审稿人是否在保密投稿上使用 AI。

这一要求揭示了一种令人不安的对称性：机构不能要求投稿者保持透明，同时悄然自动化自身的决定。

人类审查仍然不可或缺，但仅仅援引“人工监督”还不够。匆忙的编辑未经检查便接受 AI 建议，所提供的监督只是名义上的。

工作流程应记录每一项重大决定由谁作出，以及其依据了哪些证据。当拒稿会影响职业发展时，这一点尤其重要。

AI 供应商将继续提供筛查系统，因为出版队列创造了颇具吸引力的市场。机构应根据真实错误来评估这些产品，而非营销演示。

独立审计应衡量系统在不同学科、语言和写作背景中的表现。基于某一种英语训练的检测器，在其他语境中可能表现不佳。

出版商还应披露何时进行筛查，以及如何使用结果。秘密系统会使作者难以纠正错误或评估不平等对待。

对于个人研究人员和作者而言，保留一个个人知识库可以保存来源笔记、草稿和决策历史。即使从未发生争议，这些记录也能支持严谨的工作。

目标并非持续监控，而是在出版物、其信息来源与对内容承担责任的人之间建立可核验的联系。

编辑和作者接下来应关注什么

下一阶段将取决于执行数据、溯源标准，以及开放投稿在经济上是否仍然可持续。

第一个信号是出版方如何执行披露规则。许多机构如今已有相关政策，但公开调查、修正或存在争议的决定信息的机构仍然较少。

编辑应关注类似案件是否得到类似处理。不一致的执行会打击诚实披露，并让保持沉默的作者获益。

最有力的证据将包括匿名案例报告。这些报告可以说明是什么触发了审查、哪些证据至关重要，以及作者如何对认定提出异议。

这类报道将强化核心论点。它会表明，披露政策正在成为可运行的系统，而不只是网站上的表述。

缺乏相关报道会削弱这一判断。政策可能主要只是为了在问题出现后将责任转移给作者。

第二个信号是溯源标准的发展。出版方需要能够互操作的方式来记录实质性的 AI 使用，同时不要求披露每一次私密的键盘操作。

一项有用的标准应能识别所用工具、完成的任务、受影响的内容，以及执行过的人类核查。它应适用于不同的投稿平台和出版方。

医学期刊可能会推进得最快，因为它们已经在收集有关方法、伦理、资金和利益冲突的结构化信息。

法学评论可将披露表格调整为适用于法律研究和论证发展。文学杂志则需要更简单的类别，以尊重创作隐私。

溯源不应成为宣称作品毫无错误的徽章。由人完成的研究和写作仍可能包含欺诈、偏见或错误。

它的目的更为有限：建立一段可供审查的历史，并确认谁应对最终作品负责。

如果形成通用标准，这里所描述的压力就会更容易管理。编辑可以一致地比较披露信息，并将审查重点放在高风险使用上。

如果标准碎片化，作者将面对每家出版物不同的定义。这种混乱会助长无意违规和选择性执行。

第三个信号是开放投稿渠道是否依然开放。这是衡量 AI 对编辑准入影响最直观的指标。

关闭常规投稿队列的杂志，保护了有限的审稿能力。但它也会将机会转向受邀作者，以及已有关系的人。

学术期刊可能通过提高初审拒稿率或收紧投稿要求来应对。法学评论可能更偏好独家投稿窗口、知名学者或更强的机构背书。

这些变化会减少自动化垃圾投稿，但也会收窄陌生声音的进入渠道。

因此，读者应关注投稿队列关闭、回复时间延长、投稿数量上限，以及仅限邀请的试验。这些并非只是行政细节。

它们揭示了机构能否在要求人工评估每一份严肃投稿的同时，保留广泛准入。

在这一过渡时期，作者也有实际责任。他们应阅读每家出版物当前的政策，而非假设一本期刊的规则适用于其他地方。

他们应记录 AI 在何处影响了研究或写作。他们应独立打开被引用的来源、核实引文，并保留有意义的草稿。

编辑应让可接受的使用方式易于理解。具体示例比笼统警告“AI 使用不当”更有帮助。

他们还应保护投稿者免受缺乏依据的指控。怀疑应触发公平的审查程序，而非自动认定存在不当行为。

读者同样有责任。他们应期待出版物说明其标准，尤其是在争议暴露出漏洞时。

Google News 将继续呈现医学、法律和文学领域的争议。决定性的问题在于，出版方是否能建立既保护信任、又不关上大门的系统。

最好的结果既不是不受限制的自动化，也不是象征性的禁令，而是一种有据可查的分工：工具提供协助，人类仍需承担责任。

这一标准为有益的语言支持、研究工具和创意实验保留空间，同时也让隐瞒行为更难被原谅。

关注你信任的期刊或杂志下一次政策更新。它是否界定了实质性使用、保护了保密工作，并说明如何审查相关指控？

如果做到了，该机构正从焦虑走向治理。如果没有，其投稿流程仍建立在生成式 AI 已经打破的假设之上。