Patel：AI科学家产出数百万论文时，如何在海量低质增量工作中辨识出极具生产力的统一新概念

Dwarkesh Patel指出，随着AI自动生成海量论文——多数为垃圾或微小进步——我们面临前所未有挑战：如何快速识别那1-2篇真正开创性工作，就像1948年Shannon在Bell Labs技术期刊中发表的信息论论文，当时它淹没在减少噪声和更好滤波器的报告中，却奠定跨密码学、遗传学、量子力学等领域的通用框架，几十年后才显露全部影响力。

这一问题远超人类同行评审已部分解决的规模，因为统一性概念的价值往往需数十年跨领域应用才能验证，AI科学洪流将放大“噪声淹没信号”的困境，迫使社区开发全新机制，如计算性验证结构、跨域可移植性测试或AI驱动的“考古”解读，而非依赖引用或期刊声望，这些传统指标在爆炸式产出下将彻底失效。

回复中研究者和前Meta首席科学家强调，突破性论文往往体现为新形式主义而非优化现有范式，类似Shannon未改进电报而发明信息论；另有观点提出用AI尝试将论文框架应用于遥远领域，若展现意外可迁移性，即为强信号，凸显需从 epistemic 结构而非内容本身尽早排序潜力。

来源：公开信息