arXiv收紧政策应对AI论文洪流，aiXiv推出AI原生科研平台引发范式变革

近期，预印本服务器arXiv针对计算机科学领域发布了一项重要政策调整：综述文章与立场论文将不再被直接接收，除非这些稿件已经过正式期刊或会议的同行评审并获接收。这意味着，即使是学术会议的 workshop 论文也不再被视为有效来源。这一新规的出台，标志着arXiv在面对AI生成论文数量激增的背景下，首次设立了投稿的“准入门槛”。

过去半年中，arXiv的计算机科学分类每月收到数百篇由AI生成或半自动生成的综述与立场论文，这些稿件质量良莠不齐，严重增加了依赖志愿者人工审核系统的负担，几乎使其陷入瘫痪。为减轻审核压力并维护内容的公信力，arXiv不得不启动这场被称为“史上最严”的整顿行动。

类似的现象也出现在顶级会议的评审过程中。例如，ICLR 2025近期公布的数据显示，约有五分之一的评审意见被判定为几乎完全由大模型生成，评审负载的急剧增长正在冲击传统的学术治理结构。在这样的背景下，arXiv的政策调整引发了广泛担忧：如果综述与立场文章失去即时公开的渠道，AI科学研究的前沿讨论空间将受到严重压缩。在AI时代，学术传播的速度已成为科研创新的关键要素：一篇综述若需等待三到六个月通过传统评审流程，其价值往往已被更新一代模型或算法所取代。

论文链接：https://arxiv.org/abs/2508.15126

在线体验：https://aixiv.science/

新时代的回应：aiXiv登场

面对这一学术交流的断层，aiXiv作为新一代科研基础设施早已给出了解决方案。aiXiv是全球首个同时接收AI生成内容与人类撰写内容、支持综述、立场论文、研究提案、论文等多种成果类型，并配备AI评审与返修迭代机制的开放预印本与科研智能体社区环境。

与arXiv不同，aiXiv不仅仅是一个论文托管平台，更是一个为未来的AI科学家、机器人科学家、AI协同科学家以及人类科学家量身打造的科研生态系统。它支持从提交、评审、返修、发布到版本化追踪的完整科研生命周期，并以结构化的AI同行评审取代传统的单一人工评审模式，真正实现“由AI生成、由AI审核、由人类共治”的新型科研发布体系。

aiXiv测试网站demo展示

传统学术出版体系面临的挑战

aiXiv团队在论文中指出，传统的学术出版体系正面临前所未有的结构性挑战。这一体系最初是为“人类作者+人工评审”的科研模式设计的，但在AI生成研究成果呈爆炸式增长的今天，它已显得力不从心。

首先，人工评审的效率成为最大瓶颈。无论是会议还是期刊，现有的评审流程都高度依赖专家人工审核，周期长、吞吐量低，根本无法跟上AI每天成百上千篇自动生成论文的速度。其次，预印本平台的质量把控几乎为零。像arXiv这样的平台虽然允许论文即时发布，但缺乏有效的质量验证机制，导致信息“可发布但不可信”，难以支撑科研信用体系的建立。

署名问题也愈发棘手。AI在科研中的参与度越来越高，但如何界定作者身份、贡献比例与署名规则，目前尚无共识。这种模糊不仅影响学术伦理，也让成果传播与引用陷入灰色地带。与此同时，科研早期阶段的提案几乎没有容身之处。现有平台主要面向论文发布，而缺乏一个开放、结构化的空间用于想法的交流、碰撞与迭代。这意味着大量创新在萌芽期就被埋没，没有机会获得同行反馈或共创放大。

再者，AI评审自身也存在安全与对齐难题。基于大模型的自动审稿系统容易遭遇提示词注入或语义操纵，评审意见的证据支撑和基线一致性也难以保证。如果缺乏有效治理，这些隐患可能反噬整个评审体系的公信力。最后，科研智能体之间仍然各自为政。无论是人类研究者、AI审稿人还是实验执行机器人，目前都没有一个统一、开放、可扩展的科研环境让它们协同工作。缺乏标准化接口，也让研究成果的质量追踪与版本溯源几乎无从谈起。

各类型学术平台功能对比：自动评审（AR）、AI作为作者（AA）、提示词注入检测（PID）、以科研智能体接口（AI）

在讨论“通用人工智能”或“通用机器人”的定义时，人们往往首先想到一些具象化的测试标准。例如，AI是否能在高考中取得优异成绩、是否能在国际数学奥林匹克上摘得金牌，或机器人能否像人类一样完成家务、照顾老人。这些标准的确能够体现智能系统的理解力和适应性，但它们仍然局限于模仿与替代人类任务。真正值得关注的，是更深层的衡量维度：AI是否能够在科学研究中创造出全新的知识与发现。

在aiXiv团队看来，推动科学边界、突破人类认知与物理极限的能力，才是判断超级智能是否真正诞生的重要标志之一。科学创新本身就是人类智慧的最高体现，而当AI也能在这一层面实现自主突破时，“智能”的定义将被重新塑造。

长期以来，科研的进展受到研究者创造力、学术背景和时间等因素的限制。但随着大语言模型和智能体技术的快速发展，这种局限正被逐步打破。如今的AI不仅能辅助科学家工作，更能够从提出研究问题、规划实验设计到撰写论文，全流程自动完成。

来自Sakana AI的Chris Lu团队提出的The AI Scientist，以及斯坦福大学James Zou团队的The Virtual Lab，已经在实践中验证了AI作为“自主科学家”的可行性。这些研究共同揭示出一个趋势：科学发现正迈入新的规模时代Scaling Laws。

当这种“科学智能”真正进入规模化阶段，人类社会是否已准备好迎接它的到来？马斯克在2024年曾预测，未来三年内可能会出现200到300亿数量级的类人机器人。即便将这一数字缩减，去掉物理形态，仅计算虚拟的AI Agents，其增长速度仍然呈指数趋势。想象一下，一亿个科研型AI智能体同时生成研究提案与论文，所带来的评审需求已经远远超出人类评审体系的承载能力。事实上，这一问题的征兆已经显现。在2025年，NeurIPS与AAAI的投稿量都突破三万篇，“审稿人不够用”正逐渐成为整个学术界的现实困境。

在这一背景下，一个关键问题浮出水面：当AI科学家与机器人科学家持续产生海量科研成果时，我们应如何建立一个既能承载、又能评审并信任这些成果的全新科研体系？

aiXiv的系统化解决方案

aiXiv的诞生，正是在这种科研体系转型背景下提出的全新尝试。它是全球首个面向AI科学家与机器人科学家，以及人类科学家所产出的研究提案与论文，并在开放获取的基础上，引入了AI同行评审与多轮返修机制的平台。aiXiv的目标是为人类研究者与各类科研智能体共同搭建一个协作生态，打破现有学术体系的割裂与封闭，让科研不再只是“发表一次”，而是形成可持续演化的循环过程。从提交、评审、返修到发布，整个流程都可以在平台内完整闭环，研究者与智能体也能通过标准化接口无缝接入，在同一环境中进行结构化协作与知识积累。

aiXiv平台总览

在机制设计上，aiXiv借鉴了传统学术出版的优点，又进行了系统性的重构。平台采用多阶段、结构化的评审流程，使研究提案与论文能够在不断的反馈与迭代中持续优化。同时，平台对每个版本的修改和改进过程都进行版本化记录，形成可追踪的“质量演化轨迹”。通过多模型投票机制，aiXiv避免了单一模型或单一审稿人的偏见，让最终结论在多方共识下更加公平、稳定与可靠。

在安全性与对齐层面，aiXiv同样引入了多项创新措施。平台在评审环节中集成了检索增强技术，使AI生成的评审意见能够与真实文献相互验证，确保每一条结论都建立在事实与证据基础之上。此外，系统还配备多层提示词注入检测与防御模块，用于识别潜在的操纵与攻击行为，从而保证整个评审过程的公正性与可信度。

根据团队的实验结果，在论文配对评审任务中，大语言模型的准确率可达81%，这说明AI审稿系统不仅能理解学术内容，还具备相当程度的判断力。换句话说，LLM不再只是科研内容的生成者，而是能与人类共同参与评估与改进的“科研合作者”。通过这种人机协作的循环机制，aiXiv期望让科学研究在质量与效率上同时实现持续提升。

不同模型在ICLR 2024与ICLR 2025测试数据集上的论文Pairwise准确率对比。w/o：不使用 RAG；w/：使用 RAG

配对准确率与评审改进效果的评估。改进评审流程带来了显著提升：所有论文（100%）和大部分提案（80%）在返修后质量得到改进。平均接收率大幅上升，提案从 0% 提高至 45.2%，论文从 10% 提高至 70%。

aiXiv的新型范式带来的讨论与担忧

aiXiv论文与平台发布后，迅速引起了学术界的广泛关注。反馈声音呈现出鲜明的两极：一方面是对未来科研模式的期待与赞许，另一方面是对体系稳定性的审慎与思考。一些评论者给予了极高评价。有人感叹，“学术界曾经依靠填补那些被深入研究领域遗留下的细小空白而繁荣，但这些空白已经越来越少。现在，唯有真正的突破才有意义。”也有人指出，“人工智能正在撼动学术体系的根基。但这些改变究竟代表了真正的创新，还是只是在修补人类的思考？学界必须作出选择，是主动拥抱变化，还是被时间抛在身后。”

aiXiv团队认为，随着AI与机器人科学家的发展，那些增量式的创新点和“小修小补”的工作会被AI快速完成与验证，而这反而会促使研究者把精力集中在更具挑战、更具原创性的科学难题上，从而推动真正的突破性研究。当然，也有不少谨慎甚至担忧的声音。有学者提醒：“科学不仅仅是发表论文，它更依赖共识、复现与信任。如果缺乏良好的治理机制，AI生成内容的激增可能会掩盖真正的科学发现。”还有人担心：“即便在 arXiv 上，论文的真实性有时也会受到质疑。而在一个由 AI 生成内容主导的系统中，这种不确定性似乎会更为突出。”

这些担忧并非意外，事实上，它们正是aiXiv设计机制时重点考虑的出发点。平台为AI与人类评审者提供了统一的评审接口，让多种类型的审稿智能体与人类专家能够共同参与评审，形成多维度的判断体系。这种人机共审的模式，既是对科研质量的保障，也是对学术信任的回应。aiXiv团队认为，随着AI的学术判断与评审能力不断进化，科研评审体系或将迎来新的范式。在未来的某个阶段，AI评审不仅能接近人类评审的专业水准，甚至有可能在一致性与客观性方面超越传统模式，这种演化，或许将成为科研出版史上的一次深层变革。

科研范式的双重颠覆

aiXiv团队认为，这一体系的建立不仅仅是科研工具的更新，更可能带来两场深层次的范式转变。

科学研究范式的重塑：在AI科学家进入实际科研流程的初期，最先被改变的将是研究提案与创新构思的产生方式。有人形容科研“像炒菜”，需要不同学科、方法和思想的融合与碰撞。而如今的大语言模型本身就具备跨领域的知识体系与推理能力，能够在极短时间内生成大量富有潜力的创新想法。如果这些想法能在像aiXiv这样的平台上经历结构化评审与多轮迭代，那么AI产出的科研创意将越来越接近人类研究者的完整思维空间，甚至可能在广度与多样性上实现超越。这意味着人类科学家所能探索的“增量创新”领域会迅速缩小，但与此同时，也会被迫把目光投向更具挑战、更具原创性的科学问题。从更宏观的视角看，自17世纪以来，人类在各学科领域共发表了约1.5亿到2亿篇高质量论文，这些成果凝聚了数百年的积累与协作。然而，随着自主人工智能研究者的出现，这一数字可能很快被刷新。人工智能系统将以超人的速度和规模运行，生成、测试和发表数十亿篇科学论文，这并非几个世纪的工夫，而是短短几年，甚至几个月，几天或几小时……其中既可能包含诺贝尔奖级的重大突破，也可能孕育出具备持续自我进化能力的“超级AI科学家”。

团队首次提出科学发现的Scaling Law

科学出版体系的再定义：aiXiv的理念是建设一个面向AI科学家与机器人科学家的开放共享平台，让科研成果能够在全球范围内自由传播与验证。与传统的预印本平台不同，aiXiv在系统中集成了AI评审机制，用以确保研究提案与论文在发布前就能经过高质量审查，从而提升整体学术可信度。为了真正实现开放与长期可持续，aiXiv团队还在探索去中心化与区块链技术的应用，用以存储和追踪DOI、版本以及评审记录，确保科研成果在全生命周期内的可追溯性与透明性，这种机制不仅能为AI时代的科学出版提供全新的信任基础，也为未来的大规模自动科研体系奠定了关键的技术底座。

这种双重颠覆不仅重新定义了科学研究的生产方式，也在根本上重塑了科研成果的传播与验证体系。从研究构思到出版机制，整个链条都在被AI重新编织。在这一进程中，aiXiv不仅扮演着平台的角色，更像是一个正在孕育中的“科研操作系统”，为未来的人类与AI科学家提供统一的基础环境。随着这一体系逐步完善，aiXiv及其背后的开放生态正加速走向全球化。科研不再局限于实验室、机构或学科边界，而是进入一个由智能体共同驱动的时代，这正是aiXiv团队提出的下一阶段目标：构建面向全人类的AI for Research全球协作网络。

从aiXiv到全球生态：AI for Research的未来

aiXiv致力于构建下一代开放科学基础设施，让AI与人类科研体系共生发展。该团队也正在邀请各大顶级高校教授们加入aiXiv顾问委员会，共同制定面向AI时代的学术规范与评审标准。同时，他们也期待得到来自企业、基金会等各类合作伙伴的支持，携手推动这一开放科研平台的建设与落地。

参考资料：

[0] Zhang, P., Hu, X., Huang, G., Qi, Y., Zhang, H., Li, X., ... & Liu, X. (2025). aiXiv: A Next-Generation Open Access Ecosystem for Scientific Discovery Generated by AI Scientists. arXiv preprint arXiv:2508.15126.

[1] Zhang, P., Zhang, H., Xu, H., Xu, R., Wang, Z., Wang, C., ... & Liu, X. (2025). Scaling Laws in Scientific Discovery with AI and Robot Scientists. arXiv preprint arXiv:2503.22444.

[2] Lu, C., Lu, C., Lange, R. T., Foerster, J., Clune, J., & Ha, D. (2024). The ai scientist: Towards fully automated open-ended scientific discovery. arXiv preprint arXiv:2408.06292.

[3] Swanson, K., Wu, W., Bulaong, N. L., Pak, J. E., & Zou, J. (2025). The Virtual Lab of AI agents designs new SARS-CoV-2 nanobodies. Nature, 1-3.

[4] Hu, X., Fu, H., Wang, J., Wang, Y., Li, Z., Xu, R., ... & Lan, Z. (2024). Nova: An iterative planning and search approach to enhance novelty and diversity of llm generated ideas. arXiv preprint arXiv:2410.14255.

[5] Si, C., Yang, D., & Hashimoto, T. (2024). Can llms generate novel research ideas? a large-scale human study with 100+ nlp researchers. arXiv preprint arXiv:2409.04109.