Stephen Turner 推荐了一篇约 5 分钟可读完的短文《What Counts as Impact?》，该文认为数论文数量和影响因子一直是有缺陷的替代指标，生成式 AI 让这一问题更严重。他提到自己周末也写了相关想法，并引用一段关于 AI 生成论文激增、这为何是全新问题以及如何评价生物学科学的观点，同时指向 PLOS Biology 的一篇文章。
推荐理由：借一篇短文讨论生成式 AI 加剧论文数量与影响因子考核的问题，并延伸到生物学科学评价该怎么改。
Ran Blekhman 在 Bluesky 发帖介绍其在 PLOS Biology 发表的文章，讨论 AI 生成论文激增为何构成一类全新问题，以及对生物学领域科学评价方式的影响。文章的核心论点是，在生成式 AI 时代，写出一篇论文不再意味着真的做过科学研究，因此需要重新考虑如何回应 AI 生成论文的涌入。
推荐理由：文章把 AI 生成论文的激增当作科研评价体系的新问题，讨论生物学研究究竟为了什么。
Wolfgang Huber 在 Bluesky 发帖追问生物学研究的目标是什么，并引用一篇 PLOS Biology 文章的观点：评估体系曾把论文当作衡量领域进展的主要指标，这一代理指标本身就有缺陷，生成式 AI 已将其彻底击穿。他由此提出，面对 AI 生成结果的研究领域需要先明确说清自身的研究目标。
推荐理由：借 PLOS Biology 文章讨论生成式 AI 如何击穿以论文当进展指标的旧评估体系，并追问生物学研究的目标本身。
美国与日本、韩国、英国、德国、新加坡等共 17 国在京都 STS Forum 上签署一页篇幅的《Kyoto Vision for a Golden Age of Science》，内容涵盖更多元资助方式、新机构模式、元科学与可重复性、AI for science（含自主闭环发现）以及早期人才投入。
推荐理由：梳理多国科研政策文件对 AI for science 与资助模式的表述，并给出德国研究部门的保留态度。
MedPage Today 报道称，有训练营宣称可在两天内完成并投出一篇论文，其中包含“一个周末完成系统综述与 Meta 分析”的项目，批评者担忧 AI 辅助的流程会助长粗糙研究。Elisabeth Bik 转发了该报道，文中引用了 Matt Spick、@gidmk 以及她本人的评论。
推荐理由：围绕两天完成系统综述与 Meta 分析的训练营，呈现学界对 AI 辅助快速产出论文质量的质疑。
MedPage Today 报道讨论 AI 是否正让医学期刊充斥无意义研究，文中引用了 Ivan Oransky、Elena Vicario 和 Elisabeth Bik 等人的说法。Elisabeth Bik 表示，现在已经到了无法区分真假的程度；一位专家称这类内容既不算学术造假，也不完全是低质垃圾内容。Bik 在 Bluesky 转发该报道并附上原文链接。
推荐理由：借多位研究诚信领域人士的引述，呈现 AI 生成内容涌入医学期刊后真假难辨的现状。
David Li 认为，未来 18–24 个月 AI 药物发现的最大瓶颈是实验验证与核实，而 36 个月后最大瓶颈将变成临床试验资源稀缺。
推荐理由：作者用 IND 审评与启动天数的对比，拆解美国临床试验基础设施的瓶颈，并给出未来 18–36 个月瓶颈迁移的判断。
Patrick Schwab 反驳"AI 主导科学会降低科研满足感"的观点：若机器能持续产出解决难题的新洞见，科学家更可能乐于探索这些发现而非关掉它，因为科学之爱在于进步本身。该讨论源于 NeurIPS 一场 AI for science 专题讨论，有与会者当场反对将人类完全移出科研流程。
Trevor Bedford 指出，英国卫生安全局于5月14日通报非旅行相关猴痘病例，5天后葡萄牙团队于5月19日公开首个病毒基因组。他认为病原基因组测序能力在疫情期间得到推动，进展显著。他引用的葡萄牙团队帖子称这是与2022年5月疑似多国暴发相关的猴痘病毒基因组草图，测序与分析仍在进行。
推荐理由：从英国卫生安全局通报首例到葡萄牙团队公开病毒基因组仅隔5天，这条时间线展示了病原基因组测序在疫情监测中的响应速度。