一年写十几篇论文，在学术界已经算得上相当高产。但今年，芝加哥大学一名教授直接把这个数字推到了另一个量级。
(Linkedin)
他叫Nicholas Polson，是芝加哥大学布斯商学院计量经济学与统计学教授，研究方向包括贝叶斯统计、金融计量经济学和机器学习。2026年8月底，有学者查看他的SSRN主页时发现，今年前8个月，他名下已经出现了258篇working paper。
其中，仅8月就上传了104篇。8月26日当天，更是一口气出现了6篇。
这些论文也不全是几页的简单笔记，不少都有二三十页甚至五六十页，包含数学推导、统计模型和回归分析，从格式上看和普通学术论文没有太大区别。
这个数字很快引起学术圈注意。作为对比，以高产著称的MIT经济学家Daron Acemoglu，2026年同期公开的研究成果也远远没有达到这个数量级。按照Polson当时的速度计算，普通教授几年甚至十几年积累下来的论文数量，他可能不到一年就能完成。
随后答案逐渐清楚：AI参与了他的研究和写作过程。
Nicholas Polson并不是一个突然靠AI开始写论文的人。
根据芝加哥大学公布的资料
他1991年就已经加入芝大任教，是一名资历很深的统计学教授，长期研究贝叶斯统计、金融计量经济学、机器学习等领域，也曾在Journal of Finance、Journal of the American Statistical Association等学术期刊发表研究。他本身就具备几十年的科研经验，也熟悉数学、统计和AI工具。
（芝加哥大学官网）
今年大量出现的论文中，还有一位频繁出现的共同作者Vadim Sokolov。此前统计显示，Sokolov参与署名了其中100多篇。不过即使考虑共同作者，200多篇依然远远超出了传统科研的生产速度。
最早把这件事推到公众视野中的，是8月底学术圈对Polson SSRN主页的关注。当时有人统计发现，他2026年已经上传258篇working paper，仅8月就有104篇。随后包括哥伦比亚大学统计学教授Andrew Gelman在内的一些学者也开始讨论这种异常的论文产量。
258篇论文相当于每天1.04篇......
大家调侃：“自己日记都没写这么多啊！”
（小红书）
更特别的是，这些论文的主题并不局限于Polson最熟悉的统计学和机器学习，还延伸到了国际象棋、TikTok算法、美国Social Security等不同方向。根据《华盛顿邮报》9月的报道，他今年除了大量论文之外，名下还出现了14本书。
Polson后来确认自己确实使用AI辅助研究。他并不认为这意味着这些论文没有价值，相反，他认为AI提高了自己的科研效率。
如果一名研究人员利用AI整理资料、辅助编程、修改文字或者寻找研究方向，这和直接让AI凭空生成一篇自己完全不了解的论文显然不是一回事。事实上，现在越来越多研究人员已经会在工作中使用生成式AI，区别主要在于AI参与到什么程度，以及研究者本人是否能够对最终结果负责。
过去即使一个教授非常高产，人的阅读、写作和计算时间仍然会形成天然限制。AI出现以后，这个限制正在迅速松动。
当文献整理、代码生成、数据分析、语言修改和论文结构都可以获得AI辅助时，一篇论文从想法变成几十页PDF所需要的时间，确实可能大幅缩短......
Reddit上的网友也开始讨论，称“hilarious”。
（reddit）
争议出现以后，事情很快有了新的发展。SSRN后来撤下了Polson撰写或者共同署名的257篇论文，并冻结了用于上传这些论文的相关账号（这里需要特别说明，SSRN上的working paper和正式发表在学术期刊上的论文并不是一个概念）。
SSRN是社会科学、经济学、法律等领域常用的研究论文平台。很多学者会在论文正式发表之前，把working paper或者preprint先上传到这里，方便同行阅读和讨论。这些文章可能之后会进入期刊投稿，也可能一直停留在working paper阶段。
所以，Polson一年写200多篇论文这个说法虽然方便理解，但如果严格来说，更准确的描述应该是他在SSRN上传了200多篇working papers，并不代表这些文章全部经过同行评审，更不代表他一年在学术期刊正式发表了200多篇论文。
根据《华盛顿邮报》的报道
其中绝大部分并没有经过同行评审，进入正式期刊投稿流程的也只是很少一部分。
SSRN的处理也不代表平台已经认定这些论文全部存在学术造假。报道提到，SSRN要求研究人员披露生成式AI的使用，而相关论文没有进行相应披露。同时，平台也关注到了异常的论文提交模式。
Andrew Gelman当时还记录了Polson SSRN主页发生的变化。原本数量超过250篇的论文开始快速减少，一度下降到99篇，随后又变成44篇，最终只剩下很少的内容，相关账号也受到限制。
过去学术界担心AI，很多时候集中在学生会不会拿ChatGPT写作业、论文里会不会出现虚假引用，或者有人会不会利用AI进行学术不端。但当一名成熟研究人员可以借助AI大幅提高论文生产速度以后，受到影响的就不只是某一篇论文的真实性，整个论文筛选体系都会承受更大的压力。
因为AI可以帮助作者加快写作，却无法按照同样的比例增加期刊编辑和审稿人的时间。
一篇论文上传之后，仍然需要有人判断研究问题有没有意义、方法是否合理、数据有没有问题、引用是否准确。如果未来越来越多人都可以一年生产几十篇甚至上百篇结构完整的论文，那么学术界面对的麻烦可能会从论文太难生产，慢慢变成论文太多，根本看不过来。
对于留学生来说，感受可能尤其直接。以前写一篇几十页的毕业论文，从找文献、确定研究问题、整理数据，到跑模型、做图表、修改语言和整理reference，每一步都要花不少时间。Literature Review可能要读几十篇甚至上百篇文献，代码出了问题也可能调试一整天。
现在，其中很多工作已经可以借助AI完成。
研究人员可以让AI解释一段看不懂的代码，帮助整理文献之间的关系，修改论文语言，生成统计代码，或者根据已有的数据结果整理一个初步框架。以前需要几个小时完成的工作，现在可能几十分钟就能得到一个可以继续修改的版本。
这种效率提升本身并不是坏事，统计软件出现以后，研究人员也不需要自己拿计算器完成所有计算。搜索引擎和数字数据库普及之后，查找文献的效率同样提高了很多。AI作为一种新的研究工具，进入科研过程几乎是不可避免的。
真正发生变化的是，论文数量过去之所以能够成为衡量学术产出的一个指标，很大程度上是因为写论文本身非常耗费时间。一个研究者能够持续发表研究，通常意味着他确实投入了大量时间完成实验、数据分析和写作。
当AI开始降低其中一部分成本之后，单纯比较论文数量的意义也会发生变化。
更值得注意的是，AI提高个人科研效率，并不一定意味着整个学术界会因此探索更多新问题。
2026年Nature刊登的一项研究
分析了超过4100万篇自然科学论文，试图观察AI对科研的实际影响。研究发现，从个人层面看，使用AI辅助研究的科学家往往能够发表更多论文，获得更多引用，也可能更早成为项目负责人。
但从整个科研体系来看，研究结果却没有这么简单。这项研究发现，AI辅助研究涉及的主题范围反而出现了一定程度的收缩，研究人员之间对彼此工作的后续参与也有所下降。研究者认为，其中一个可能的原因是AI更容易在已经拥有大量文献、数据和成熟方法的领域发挥作用。
如果某个方向已经积累了几十年的研究，AI很容易快速读取已有资料，寻找其中的规律，再帮助研究人员继续向前推进。但面对真正未知的问题，情况就完全不同。很多新的研究方向没有足够的数据，也没有现成的方法可以参考，甚至连应该提出什么问题，都需要研究者自己判断。
这也是为什么论文越来越多，并不一定等于科研突破会按照相同比例增加。
AI很擅长帮助人类处理已经存在的知识，却很难保证每一次快速生产出来的研究都提出了真正有价值的新问题。如果大量研究继续集中在数据丰富、方法成熟的热门领域，论文数量可能迅速增加，但大家研究的东西也可能越来越接近。
如果过去一个研究者一年只能完成几篇论文，那么选什么题、把时间投入到哪里，本身就是一种筛选。当一年可以同时推进几十个甚至上百个项目以后，这种限制开始减弱，学术界就需要重新思考应该怎样判断研究的价值。
这些年，无论是申请研究生、PhD，还是本科阶段准备科研经历，论文都越来越常见。甚至在高中申请大学的阶段，也有学生参加实验室项目、暑期科研或者论文项目，希望给自己的申请增加一段研究经历。
过去大家判断一段科研经历，往往会看论文数量、作者顺位、期刊或者会议级别等比较直观的指标。但AI降低论文写作和整理的门槛之后，这些指标可能越来越难单独说明一个学生真正参与了多少研究。
举个栗子
比如在研究生或者PhD面试中，教授真正想知道的往往不是论文有多少页，而是学生为什么选择这个问题，数据从哪里来，为什么采用某种研究方法，过程中遇到了什么问题，以及最后的结果和最初的假设有什么差别。
AI可以帮助学生修改语言，也可以解释代码，甚至能够帮助整理大量文献，但如果学生自己没有真正参与研究，这些细节很难仅靠一份漂亮的PDF掩盖过去。
与此同时，AI使用规则也会成为留学生需要特别注意的问题。
目前不同学校、课程、期刊和研究平台对于AI的要求并不完全一致。有的允许用AI进行brainstorming、语言修改或者代码辅助，有的要求明确披露AI使用情况，也有教授会直接限制生成式AI参与课程论文。
所以在科研过程中，最稳妥的做法仍然是先确认课程、导师或者期刊的具体规定，尤其不要默认只要AI生成的内容看起来合理就可以直接提交。
学术论文里的问题往往比普通作业更严重。AI生成一个不存在的reference，可能导致整段文献综述失去依据；生成一段表面可以运行但逻辑错误的代码，也可能直接影响研究结果。如果涉及实验数据、统计结果或者研究方法，研究者最终仍然需要对论文中的内容负责。
但当生成论文的速度越来越快，学术评价的重点也可能随之变化。
未来真正重要的，可能不再只是一个人能够写出多少篇论文，而是这些研究提出了什么问题，数据和方法是否可靠，结果能不能被验证，以及作者本人究竟理解多少。
当几十页的PDF越来越容易生成以后，单纯拥有一篇论文，可能也就没有以前那么稀缺了。
