机器误读科学：为人类与AI解读设立护栏

人工智能正在成为生物医学研究的“第一读者”，越来越多地承担起解读科研论文、辅助临床决策的角色。与此同时，科学研究也在触达更广泛的非专业人群，包括记者、政策制定者和社交媒体用户。在这两种趋势的交汇下，一个隐患浮出水面：机器和普通读者都可能误读科学结论，导致临床决策偏差，甚至危及公共健康。近期发表在《自然》杂志上的一篇评论文章指出，与其被动等待更先进的AI来解决这些问题，科学界自身或许应该主动适应，通过升级报告标准来为人类和机器的解读设置“护栏”。 这篇评论的核心观点是，当前科学信息的传播链条正在发生根本性变化。过去，一篇论文的第一读者是同行科学家，而现在，ChatGPT、OpenEvidence等AI工具常常成为第一个“阅读”并总结研究内容的存在。研究者用生成式AI撰写论文，审稿人用AI评估质量，读者则依赖AI工具获取摘要——这意味着在信息抵达人类用户之前，机器与机器之间可能已经完成了多轮“转述”。这种层层过滤虽然提高了效率，但也放大了误读风险。一项2025年的研究对比了近5000条由10个主流大语言模型（如ChatGPT、Claude、DeepSeek）生成的论文摘要，结果发现，即使明确提示要求准确性，这些模型仍会产出比原始研究更极端的泛化结论。换句话说，AI在“转述”科学时，倾向于把不确定的关联说成确定的事实，把特定条件下的发现推广为普遍规律。 对于跨境电商卖家和出海创业者而言，这一趋势并非与己无关。许多卖家在选品、供应链决策和健康类产品合规审查中，已经开始依赖AI工具快速获取行业研究报告或医学文献摘要。如果AI的解读存在系统性偏差，轻则导致市场判断失误，重则可能踩中产品合规的红线——尤其是在涉及健康宣称、营养补充剂或医疗器械类目时，错误理解临床研究结论可能带来严重的法律和声誉风险。评论文章提出的解决方案值得关注：借鉴CONSORT和STROBE等既有的报告标准，建立专门针对“解释环节”的新标准，例如文中提出的SIMcard和FACTS机制，将人类和机器的解读锚定在经过同行评审验证的原始数据上，从而减少下游用户基于失实转述做出决策的可能。 文章强调，这不仅是技术问题，更是科学传播生态的集体责任。随着AI工具在信息获取中的渗透率持续攀升，科研界、出版机构和平台方需要共同重新设计报告标准，确保科学发现能够在日益多样化的“人类+机器”解读链条中保持准确性。对于依赖信息差和快速决策的跨境从业者来说，这意味着在享受AI带来的效率红利时，也需要对AI生成的摘要保持审慎，尤其是在涉及专业领域知识时，最好回溯原始来源，避免被“二次转述”中的泛化偏差带偏方向。科学传播的护栏建设，最终也将为商业决策提供更可靠的信息底座。