2020 年，ICLR、ICML、NeurIPS 三大 AI 顶会共收到 17,051 篇投稿。Google 团队估计，2026 年合计将达到约 73,883 篇，较六年前增长约 333%；其中 NeurIPS 数字仍是预测。论文还引用研究指出，早在 2024 年，至少 17.5% 的 arXiv 计算机科学摘要已有 AI 辅助生成的迹象，特定生物医学语料中的估计比例可达 40%。投稿增长使同行评审承受更大压力，但增长有多少来自 AI，尚难确定。
Google Research 正在尝试用 AI 辅助作者检查论文。其 Paper Assistant Tool（PAT）已在 STOC 2026 和 ICML 2026 的投稿阶段完成试点，累计为超过 4,700 篇稿件提供反馈。6 月底，研究团队在 arXiv 上发布了完整论文，公布了系统架构、基准测试结果、作者调查数据，以及一份关于 AI 在同行评审中可扮演的四种角色的分类法。
先分段审查，再核查和汇总问题
PAT 在单次模型调用之外增加了分段和协调机制。Google 团队指出，直接让模型审阅全文有两类局限：其一，模型的有效上下文窗口不足以对整个论文进行深层分析，尤其是需要大量「思考 token」的数学证明验证；其二，如果简单用 Pass@k 缩放（多次独立调用再合并），虽然召回率有所提升，但精度会急剧下降——论文用一个假设例子说明这种风险：多轮生成可能汇总出约 100 条「疑似问题」，其中只有 1 条涉及真正的关键错误，人类需要逐条筛查。
PAT 用三类代理缓解这些问题：
分段代理（Segmenter） 先将论文按逻辑主题拆解为若干片段——理论、方法、实验、结论等——片段之间可以重叠且不必连续，然后根据每个片段的信息密度和复杂度动态分配计算预算。证明密集的部分获得更多算力，叙述性段落则少占资源。
深度审查代理（Deep Review Agents） 随后对各片段进行独立验证，每个代理虽然聚焦特定片段，但可以访问全文作为上下文。这些代理由 Gemini Deep Think 的增强版或另一套专有推理扩展流程驱动，通过增加、协调推理过程进行更深入的检查。
合成代理（Synthesis Agent） 最后合并所有片段的审查报告，通过 Google 搜索核查引用（防止捏造不存在的论文或定理），去重后生成完整的审稿意见。
这套架构也接受了 SPOT 基准测试。该基准收集了真实论文中导致勘误或撤稿的错误，团队从中选出数学和计算机科学的「等式/证明」子集，共 26 篇论文、29 处错误。Gemini 3.1 Pro 单次零样本调用检出 55.2%，PAT 检出 89.7%，提高 34.5 个百分点。原始 SPOT 报告的最好成绩为 21.1%，但此次研究改变了自动评分方法，允许数学上等价的问题描述，并由作者人工复核评分，因此这个旧数字不能与新结果直接比较。
论文中提供了一个具体案例：在一篇关于对偶 Banach 空间的论文中，单次调用的模型接受了论文中一项错误断言：复最小算子空间之间的实线性映射满足完全收缩性（complete contractivity）；PAT 则构造了一个反例，揭示出足以否定主定理的致命漏洞。
即便单次调用的基线，在这个子集里也检出了超过一半的已知错误。研究团队据此提出，可以探索在 arXiv 投稿时自动运行审查，为作者提供早期反馈。这个设想仍需在更广泛的论文和错误类型上检验；26 篇论文的测试不能代表所有投稿的查错能力。
作者反馈：修复理论漏洞，补做新实验
PAT 最初在 2025 年 11 月面向 STOC 2026 投稿作者开展试点，当时专门针对理论计算机科学的数学密集型论文进行了优化。2026 年 1 月，系统在 ICML 上进行了更大规模的部署，扩展至可评估实验框架、发现混淆因素、指出缺失的比较实验和实验设计缺陷。
两次试点遵循同一原则：PAT 仅为作者提供提交前的私密反馈，完全独立于正式同行评审流程，审稿人和领域主席无法查看这些反馈。在 ICML 试点中，反馈的平均周转时间仅约 30 分钟。
按 ICML 3 月 30 日发布的试点复盘，项目收到 869 份问卷回复，结果包括：
- 92.1% 的受访作者表示愿意再次使用 PAT
- 87.3% 认为 PAT 提升了论文的清晰度和可读性
- 35.4% 的含理论内容论文受访作者报告 PAT 发现了需要超过一小时才能修复的重要理论漏洞
- 31% 的含实验内容论文受访作者因 PAT 的反馈而补做了新实验
STOC 的受访作者也给出了类似反馈：97% 的作者愿意再次使用，85.1% 认为论文清晰度得到改善，11.6% 报告发现了重要理论错误。
具体案例有助于理解作者做了哪些修改。一位 STOC 作者写道：「它发现了我们应用一个工具时的关键 bug……一个尴尬到极点的简单错误，躲了我们好几个月。幸好我们在截止日期前修好了，可这意味着我们不得不重写七八页的技术内容。」另一位作者报告 PAT 指出了证明中的一个矛盾——「证明是无效的，我们在 AI 发现后修好了它」。
UC Irvine 杰出教授 Vijay Vazirani 的反馈更为直接：「这组评论简直令人震惊！它指出了我算法中一个微妙但致命的 bug，我及时修好了！」
即使在没有致命错误的论文中，作者也报告 PAT 发现了「数学上有意义的笔误」——缺失的绝对值符号、方向错误的不等式、同一符号承担过多含义、计数或索引差一的错误。检查这些细节需要时间，PAT 可以提供一轮辅助筛查。不过，试点中也出现了 PDF 解析失败、知识过时以及把正确证明误判为错误等问题，作者仍需核查反馈。
四种 AI 角色，分别由谁负责审查与决定录用
研究团队还为 AI 在同行评审中的作用提出了四种角色。它参照了无人驾驶的 SAE 分级和数学研究的自主性分级，试图为社区讨论提供一个结构化框架：
角色一：AI 作为作者工具。 PAT 在 STOC 和 ICML 中的使用方式——提交前私密反馈，作者全权决定是否采纳。试点表明，一些作者因此修改了论文，但最终稿件仍由作者负责。
角色二：AI 作为审稿人工具。 人类审稿人使用 AI 理解论文、发现潜在缺陷、生成审稿草稿，但最终审稿意见由人类全权负责。风险在于审稿人可能过度依赖 AI 的幻觉批评，或隐藏自己的 AI 使用，在作者答辩阶段为错误的 AI 观点辩护。
角色三：AI 作为辅助审稿人。 AI 像人类审稿人一样独立生成完整的技术审查报告（仅限客观评估，不含主观评分），人类领域主席综合所有 AI 和人类审稿意见做出录用决定。一个变体（角色 3.5）允许 AI 也给出主观评分和推荐。最激进的实现方式是所有审稿意见都由 AI 生成，人类仅扮演决定者角色。
角色四：AI 全自动化同行评审。 这一未来设想以 AI 评审达到更可靠的一致性和精度为前提。论文提出了一种可能形态——类似 arXiv 但只收录经过 AI 审查的论文的「AIrXiv」，支持多轮自动审查、交互式答辩和逐条问题解决，通过持续的多轮审查建立论文的置信度评级。
论文同时提出了一系列必须解决的问题：当 AI 审查出错时谁负责？作者如何质疑 AI 的幻觉批评？如何防止作者学会「讨好审查 AI」？如何确保计算资源的公平获取？自动化审查是否会导致观点同质化、压制智识辩论？
试点继续扩大，正式评审规则仍待明确
AI 已经被用于撰写审稿意见。论文引用 Pangram 的研究，估计 ICLR 2026 约 21% 的审稿意见完全由 AI 生成，尽管会议政策禁止这种做法。这是基于检测方法的估计。研究团队据此主张，会议应制定明确的使用政策和责任分工，使 AI 在允许的角色中参与评审。
NeurIPS 2026 也已宣布开展 PAT 试点，计划整合侧重文献引用和批判性分析的 ScholarPeer 系统。与此同时，AAAI-26 也已启动了自己的 AI 审稿试点，为每篇主赛道投稿生成一份清晰标注的 LLM 审稿意见。
从 STOC、ICML 到 NeurIPS，AI 论文助手正在进入更多投稿流程。超过 4,700 篇稿件的试点经验，以及特定错误子集上 89.7% 的检出率，为讨论提供了具体证据。下一步仍需检验误报率、作者核查成本，以及工具表现能否支持它承担更大的评审责任。
