让AI帮忙找论文、提假设、写代码，当然省事。但如果它筛掉了反对证据，研究者却无从追查，最后的结论就像一道只给答案、不留演算过程的题：看似漂亮，却很难判断哪里出了错。
Christoph Trattner在Science撰文指出，AI正向科研“上游”移动。据文章摘要，这包括文献检索、假设提出、代码编写与执行、结果解释，甚至把从想法到论文的多段流程自动化。真正值得警惕的不是机器参与本身，而是它开始影响研究问题怎么选、哪些证据被看见、哪些替代解释能留下。
作者因此强调“可争辩性”——外部研究者即使没有建造、拥有或操作相关AI，也应有材料、程序和权力追问结论如何形成，并推动复核或改正。这比单纯要求AI“解释一下”更进一步，也关系到科学的可证伪性：一项主张必须允许证据把它判错。现有材料未披露具体制度方案，但问题已经明确：科研自动化越深入，可审计、可复现和提出异议的通道就越不能省。