文章核心观点 - 当前科学出版体系与公众存在隔阂，且难以适应机器作为主要读者和写作者的新趋势 [2][6][13] - 随着人工智能科学家系统的发展，全球科研论文年发表量已超过1000万篇，科学文献总量达2.27亿篇，亟需构建全新的、面向机器的科研传播机制 [6][52][53] - 未来的科学出版体系应具备低延迟、明确假设、提供“准原始”数据、包含结果与讨论等特质，并将出版与内容策展功能解耦 [22][56][58] 科学出版体系现状与挑战 - 科学论文年发表量超过1000万篇，科学文献总量达2.27亿篇，通过约30亿条引用相互关联，构成一部超大规模的非线性文献 [6][8] - 现有论文结构欠佳且禁锢于PDF格式，难以解析；科学家普遍放弃了文章版权，削弱了有效追溯科学文献引用的能力 [10][15] - 现行论文遵循固定叙事模板，只报告成功结果，与实际科研过程严重脱节，并不真实反映科学过程 [17][18] 面向机器的出版模式构想 - 未来论文应具备低延迟性（从成果产出到发布仅需数小时或数分钟）、明确研究目的（假设或目标）、提供“准原始”数据及明确的方法描述 [22][49] - 结果清单需附带置信度评估、与既有文献的契合度分析以及支撑性论证，并包含关于本研究如何改变作者领域认知的真实讨论 [22][33] - 自动化同行评审应检查最佳实践、文献引用正确性、格式与严谨性，而与科学辩论本身解耦；人类的同行评审则提供带有后果的私人辩论机会 [35][36][38] 行业影响与潜在变革 - 机器出版物将快速超越人类产出，达到年产千万甚至亿级的规模，文献筛选将变得更困难 [52] - 可能出现由AI运营的“虚拟期刊”，从快速涌现的机器出版物中进行内容策展，为人类读者提供共享的讨论基础 [44][45] - 专业学会和商业出版商应参与其中，商业模式应更接近谷歌或推特，通过“内容策展”而非底层数据访问收费创造价值 [48] 实施路径与案例参考 - FutureHouse等公司已开始构建类似的内部体系，正在生成一套平行的科学知识语料库 [4][53] - Wikipedia、arXiv、openrXiv、research hub和Arcadia等平台的成功案例或激进思路值得探索 [47] - 需要尽快构建公开可用的机器出版平台，否则将对整个科学共同体造成严重损害 [53]