近日，全球人工智能和計(jì)算機(jī)科學(xué)學(xué)術(shù)圈被一條消息刷屏：arXiv，這個(gè)領(lǐng)域內(nèi)最重要的預(yù)印本服務(wù)器，突然宣布了一項(xiàng)重大的實(shí)踐更新。

即日起，所有投稿至 arXiv 計(jì)算機(jī)科學(xué)分類的綜述性文章（review/survey）和立場性文章（position paper），必須首先通過期刊或正式會(huì)議的同行評(píng)審，并附上已獲接收的證明，否則很可能會(huì)被拒絕。

消息一出，科研圈一片嘩然。arXiv 明確指出，這場風(fēng)波的源頭正是生成式 AI 與大語言模型。

然而，就在 arXiv 官方拉響警報(bào)的前幾周，一篇中稿2025年 NeurIPS Position Paper Track的立場性文章恰好也登上了 arXiv。它的標(biāo)題精準(zhǔn)地概括了這場危機(jī)：《Stop DDoS Attacking the Research Community with AI-Generated Survey Papers》。來自上海交通大學(xué)的研究團(tuán)隊(duì)精準(zhǔn)地預(yù)見、識(shí)別、量化并命名了這場由大模型引發(fā)的學(xué)術(shù)界危機(jī)。該論文的作者團(tuán)隊(duì)來自上海交通大學(xué)，第一作者為安泰智能計(jì)算研究院助理教授林江浩，通訊作者為計(jì)算機(jī)學(xué)院張偉楠教授。

• 論文標(biāo)題：Stop DDoS Attacking the Research Community with AI-Generated Survey Papers
• 論文鏈接：https://arxiv.org/abs/2510.09686

AI 綜述不僅是洪水漫灌，更是 DDoS 攻擊

這篇論文的核心貢獻(xiàn)，在于提出了一個(gè)極度精準(zhǔn)的隱喻：“綜述論文 DDoS 攻擊”（Survey Paper DDoS attack）。這個(gè)概念的精妙之處在于，它點(diǎn)明了問題的本質(zhì)遠(yuǎn)非 “論文太多、大水漫灌” 那么簡單。

• 什么是技術(shù)上的 DDoS 攻擊？在計(jì)算機(jī)網(wǎng)絡(luò)安全領(lǐng)域，拒絕服務(wù)攻擊（Denial-of-Service Attack，DDoS）是指黑客利用大量 “僵尸電腦”，向一個(gè)目標(biāo)服務(wù)器發(fā)送海量的無意義請求流量，耗盡服務(wù)器的處理能力，導(dǎo)致真正的用戶無法訪問服務(wù)。

• 什么是 “綜述論文 DDoS 攻擊”？它指的是不受控制地?cái)U(kuò)散那些表面上全面，但實(shí)際上冗余、低質(zhì)量，甚至包含幻覺的 AI 生成綜述論文，通過預(yù)印本平臺(tái)大規(guī)模進(jìn)入學(xué)術(shù)界。這些大批量 AI 綜述的攻擊目標(biāo)不是服務(wù)器，而是學(xué)術(shù)界最稀缺的資源：研究人員的有限注意力和同行評(píng)審的有限容量。

這導(dǎo)致的后果和 DDoS 攻擊一樣，它構(gòu)成了事實(shí)上的 “拒絕服務(wù)”。當(dāng)有價(jià)值的、深刻的見解被海量的 AI 生成內(nèi)容所淹沒時(shí)，研究人員（尤其是新手）就等于被 “拒絕訪問” 到真正的學(xué)術(shù)洞察，研究者的有限注意力也將被無限分散。

arXiv 的緊急措施，就是這臺(tái) “服務(wù)器” 在不堪重負(fù)時(shí)，被迫切斷部分流量的無奈之舉。

量化證據(jù)鏈：“后 2022 時(shí)代” 的數(shù)據(jù)激增

這篇論文中，作者們通過實(shí)證與數(shù)據(jù)分析，精準(zhǔn)量化、驗(yàn)證并揭示了這場 “綜述論文 DDoS 攻擊” 的規(guī)模和來源。

他們收集并分析了 2020 年至 2024 年間 arXiv 上共計(jì) 10,063 篇 CS 領(lǐng)域的綜述論文。研究結(jié)果（如下圖）揭示了一個(gè)清晰無誤的轉(zhuǎn)折點(diǎn) ——“后 2022 年激增”（Post-2022 Spike）。

論文從三個(gè)維度進(jìn)行量化分析：

1.CS綜述論文總量：呈爆發(fā)式增長，尤其在 2022 年以后，論文數(shù)量激增，研究者已不堪重負(fù)。

2.平均 AI 生成分?jǐn)?shù)：AI 內(nèi)容檢測分?jǐn)?shù)翻了一倍多，清晰表明 AI 是這場增長的核心驅(qū)動(dòng)力。

3.可疑的發(fā)表行為：那些在短期內(nèi)（一個(gè)月內(nèi)）以極少合作者（少于 2 人）發(fā)表超過 3 篇綜述的異常作者數(shù)量激增，指向 AI 輔助下的批量生產(chǎn)。

而 2022 年底，正是 ChatGPT 發(fā)布并引發(fā)全球生成式 AI 浪潮的時(shí)刻。這映證了學(xué)術(shù)界正在經(jīng)歷的不是正常的學(xué)術(shù)增長，而是一場由 AI 工具驅(qū)動(dòng)的、混雜著大量可疑動(dòng)機(jī)的內(nèi)容沖擊。

為了確保量化分析結(jié)論的穩(wěn)健性，該團(tuán)隊(duì)還使用了多種不同的 AI 內(nèi)容檢測器（如 DeTeTeCtive, MAGE）和規(guī)則式方案（如引用重復(fù)度、語義相似性）進(jìn)行交叉驗(yàn)證，結(jié)果均顯示了同樣的后 2022 年激增趨勢。

危害：不只是 “噪音”，更是 “文獻(xiàn)投毒”

如果 AI 生成的綜述只是數(shù)量多，那它們僅僅是噪音。但這篇論文指出，真正致命的是其質(zhì)量參差不齊、重復(fù)冗余的特性，這正在對(duì)學(xué)術(shù)生態(tài)造成系統(tǒng)性破壞。

傳統(tǒng)的、由專家撰寫的綜述是學(xué)術(shù)的燈塔，它們提供深刻的洞見、批判性的分析和高屋建瓴的分類。而 AI 生成的綜述，往往存在以下四種典型缺陷：

1.結(jié)構(gòu)性空洞（Structural Differences）：它們通常只是 “無組織的主題枚舉”，缺乏清晰的敘事流程和邏輯結(jié)構(gòu)。讀起來就像是一份沒有靈魂的文獻(xiàn)清單。

2.缺乏創(chuàng)新的分類法（Lack of Novel Taxonomy）：高質(zhì)量綜述的核心價(jià)值是提出全新的視角和分類體系。而 AI 綜述只會(huì) “模仿現(xiàn)有的分類”，有時(shí)甚至只是拙劣地復(fù)述維基百科的詞條。

3.引文與內(nèi)容錯(cuò)漏（Citation and Content Inaccuracy）： AI 綜述極有可能出現(xiàn)捏造的或不正確的參考文獻(xiàn)與內(nèi)容。這就是 LLM 的幻覺問題，它正在被不加鑒別地復(fù)制粘貼到本應(yīng)嚴(yán)謹(jǐn)?shù)膶W(xué)術(shù)記錄中，并且在下一輪 AI 深度調(diào)研中被進(jìn)一步廣播。

4.高度冗余和極低的邊際效用（Redundancy and Low Marginal Utility）：AI 極大地降低了 “灌水” 成本。論文作者觀察到，某個(gè)新興主題在短短一個(gè)月內(nèi)就出現(xiàn)了超過五篇的綜述預(yù)印本。這絕對(duì)是多余的，當(dāng) “第 N 篇關(guān)于 X 的綜述” 發(fā)表時(shí)，其 “邊際學(xué)術(shù)價(jià)值幾乎為零”。

當(dāng)這四個(gè)要素結(jié)合在一起，由 “綜述論文 DDoS 攻擊” 產(chǎn)生了“文獻(xiàn)投毒”（Literature Poisoning）現(xiàn)象：

• 綜述論文是新入行的研究生和跨領(lǐng)域?qū)W者的 “第一站” 和 “入門指南”。如果這些指南本身就充滿了 AI 的幻覺、錯(cuò)誤的引用和膚淺的分類，那么下一代的研究人員從一開始就可能被植入了錯(cuò)誤的學(xué)術(shù)前提。
• 
  
• 更糟糕的是，這些低質(zhì)量的 AI 綜述開始互相引用，在學(xué)術(shù)搜索引擎（如谷歌學(xué)術(shù)）上制造虛假繁榮，形成自我強(qiáng)化的循環(huán)。最終，垃圾文獻(xiàn)看起來引用量很高，而真正奠基性的工作反而被埋沒。這不僅扭曲了學(xué)術(shù)評(píng)價(jià)體系，更從根本上侵蝕了整個(gè)學(xué)術(shù)界的信任根基。

出路：從封堵到新機(jī)制構(gòu)建

面對(duì)如此嚴(yán)峻的 “DDDoS 攻擊” 和 “文獻(xiàn)投毒”，我們該怎么辦？

例如 arXiv 的新規(guī)正是一種防御性的緊急熔斷措施。

該論文的作者也給出了自己的解決方案，分為兩部分：近期的務(wù)實(shí)策略和長期的愿景革新。論文在文中提出了一系列政策建議，包括：

• 作者透明度要求：作者必須明確披露在寫作過程中對(duì) LLM 的使用情況。
  
• 對(duì)綜述提交進(jìn)行更嚴(yán)格的審查：例如，為綜述分配資深審稿人，并在審稿表格中增加特定問題，如本綜述是否引入了新的洞見或有意義的分類法。
• 在審查中引入 AI 檢測和驗(yàn)證：使用工具進(jìn)行篩查，并抽查參考文獻(xiàn)的真實(shí)性。
• 激勵(lì)高質(zhì)量綜述：例如，設(shè)立最佳綜述論文獎(jiǎng)，獎(jiǎng)勵(lì)質(zhì)量而非數(shù)量。

更進(jìn)一步，作者們認(rèn)為，在 AI 時(shí)代，僅僅依靠 “封堵” 和 “提高門檻” 是被動(dòng)的，我們必須主動(dòng)擁抱變革，用更先進(jìn)的范式來解決問題。由此，作者們提出了一種構(gòu)想：動(dòng)態(tài)實(shí)時(shí)綜述（Dynamic Live Surveys， DLS）。

簡單來說，不要再寫那種一次性的、靜態(tài)的、存在過時(shí)風(fēng)險(xiǎn)的 PDF 綜述了。我們應(yīng)該借鑒維基百科、GitHub、甚至 Google Doc 的平臺(tái)，為每個(gè)研究領(lǐng)域建立一個(gè)由社區(qū)共同維護(hù)的、版本可控的在線知識(shí)庫，并構(gòu)建 “人 - AI 協(xié)作的策展循環(huán)”（Human-AI Curation Loop）：

• AI 做它擅長的：一個(gè) LLM 代理每天自動(dòng)掃描 arXiv、頂會(huì)等，抓取最新的論文、摘要、圖表和關(guān)鍵結(jié)果。它負(fù)責(zé)聚合和初步總結(jié)。
• 人做人擅長的：真正的領(lǐng)域?qū)＜医槿耄峁?AI 無法給予的深度見解。他們負(fù)責(zé)提煉分類法、協(xié)調(diào)沖突的觀點(diǎn)、提供批判性分析和把握方向。

這種模式從根本上解決了現(xiàn)有問題：它能解決冗余（一個(gè)主題或分類方法只需要一個(gè) DLS），能保證質(zhì)量（由人類專家掌舵），也能解決時(shí)效性（實(shí)時(shí)更新）。

這種模式不再將 AI 視為洪水猛獸，而是將其轉(zhuǎn)變?yōu)閺?qiáng)大的科研助手，讓人類專家從繁瑣的文獻(xiàn)整理中解放出來，專注于最高價(jià)值的思考和洞察。

結(jié)語

arXiv 的新規(guī)是一個(gè)重要的信號(hào)，它標(biāo)志著學(xué)術(shù)界對(duì) AI 沖擊波的被動(dòng)防御已經(jīng)開始。這是一個(gè)必要的 “止血帶”。

而上海交大團(tuán)隊(duì)的這篇論文，不僅精準(zhǔn)預(yù)言、量化并概括了這場危機(jī)（綜述論文 DDoS 攻擊和文獻(xiàn)投毒），更指明了一條可能的路徑措施。即，我們不能永遠(yuǎn)停留在 “提高圍墻” 的防御姿態(tài)上，在 AI 時(shí)代，我們必須主動(dòng)進(jìn)化，從靜態(tài)的、孤立的 “論文發(fā)表” 模式，轉(zhuǎn)向動(dòng)態(tài)的、協(xié)作的 “知識(shí)策展” 模式。