你有了一台能把研究流程全面提速的机器。原来一年完成几篇论文，现在可以更快找题、做初步实验、画图和写稿。省下来的时间会不会用来补实验、查漏洞、磨文字？不一定。若考核首先看论文数量，更合理的选择可能是马上开始下一篇。
Nature 报道的一项建模研究，把 LLM、研究者的时间分配和“多发表”的激励放进同一个系统。模型预测，科学家采用 LLM 后可能“做得更多，却没那么精细”，而不是“数量不变、质量更好”。但这只是尚未经过同行评审的预印本所作的模型预测，不是对现实科研质量下降的直接观测。
把科研拆成三段看
建模研究会把现实中的角色、行为和激励简化成可计算的规则，再观察整个系统可能走向哪里。它适合揭示一种机制，却不能证明现实已经照着模型发生。
研究者把科研流程分成三部分。第一是发现阶段：提出假设，做初步实验，判断一个项目值不值得继续。第二是必要开发工作，例如制作图表和起草论文。第三是酌情开发工作，例如追加实验和润色文字。前两类工作决定论文能否尽快产出；第三类工作则可能让论文更充分、更精细。
研究采用“最优觅食理论”（optimal-foraging theory）分析时间分配。这套理论原本研究动物如何在节省资源的同时获得最多能量。放到科研里，可以把研究者想成在多个项目之间寻找最佳投入方式：时间有限，怎样安排才能获得更高回报？这里的回报与发表相连。
模型还给了 LLM 一个相当理想的设定：便宜、快速而且准确。在这一前提下，LLM 能加快发现、必要开发和酌情开发三个阶段。问题在于，流程全面提速并不自动等于论文质量提高。
省下时间，不等于多做验证
关键不只在工具，还在奖励什么。
发表激励，是指论文数量、发表场所或引用等指标与职业回报相连。按照 Nature 对模型结果的转述，当发现阶段和必要开发工作变快，研究者便能更快完成论文。若评价体系持续奖励产量，他们就缺少动力把省下的时间继续投入补充实验和文字打磨，更可能转向下一项工作。
换句话说，LLM 改变了科研的成本，却没有改写科研评价的目标。工具让“再发一篇”更容易，原有激励便可能把这部分效率主要转化为数量，而不是完善程度。
研究共同作者、University of Washington 生物学家 Carl Bergstrom 因而认为，预测结果主要映照的是科研体系重数量、轻质量的问题。按他的说法，LLM 很少是问题本身，更像一面镜子，照出早已存在的制度缺陷。这是作者对模型结果的解释，并不意味着 LLM 生成的内容必然降低科学质量。
为什么值得现在看
这项研究把讨论从“AI 能不能帮人写论文”推到了更大的问题：当一种提效工具进入既有评价体系，效率最终会流向哪里？
如果职业回报主要跟产量挂钩，更快的工具可能放大产量；如果评价真正鼓励深入验证，节省下来的时间才更可能用于把同一项工作做得更扎实。模型的尖锐之处正在这里：技术进步不会自行决定科学进步，制度会决定新增效率被怎样使用。
局限与未知
- Nature 报道称，该研究于 7 月 19 日发布在 arXiv，报道时尚未经过同行评审。现有材料只有这一篇独立报道。
- 摘录没有说明“质量”或“完善程度”如何量化，也缺少模型参数、敏感性分析和反方评价，无法判断结论对不同设定有多稳健。
- 模型假设 LLM 便宜、快速且准确。现实中的错误、核查成本、学科差异和使用方式都可能改变结果。