Publicado en The Transmitter
https://www.thetransmitter.org/from-bench-to-bot/the-next-unit-of-science-is-the-scientific-paper-due-to-be-replaced/
La próxima unidad de la ciencia: ¿está el artículo científico destinado a ser reemplazado?
La inteligencia artificial está llevando la publicación científica al límite. Para un campo tan amplio como la neurociencia, la crisis también puede ser una oportunidad para finalmente conectar hallazgos entre subcampos.
Por Tim Requarth
11 de mayo de 2026
Antes del artículo científico, existía el tratado. En Astronomia Nova, Johannes Kepler reunió 10 años de observaciones astronómicas, junto con intentos fallidos, desacuerdos metodológicos y justificaciones filosóficas, en una obra maestra del tamaño de un libro. El Principia de Isaac Newton, aunque escrito en un arrebato de aproximadamente dos años, unificó ideas que había desarrollado desde la década de 1660. Este ritmo fue típico hasta que las revistas, como Philosophical Transactions of the Royal Society, fundada en 1665, ofrecieron una alternativa. En ellas, los científicos podían compartir hallazgos provisionales rápidamente y en formato compacto, reduciendo la unidad del conocimiento publicable. El propio Charles Darwin parecía preocuparse por el rigor de esta ciencia en formato breve, quejándose de que su teoría “difícilmente podía hacerse científica para una revista, sin proporcionar hechos, lo cual sería imposible”.
Pero los descubrimientos anunciados mediante tomos acabaron convirtiéndose en la excepción, no en la regla. Los cuatro artículos revolucionarios de Albert Einstein aparecieron en Annalen der Physik en 1905. James Watson y Francis Crick anunciaron la estructura del ADN en menos de 1,000 palabras en Nature en 1953. Hoy es fácil olvidar que el artículo científico fue en sí mismo una innovación, ya que permitió a los investigadores construir sobre el trabajo de otros casi en tiempo real, acelerando el ritmo del descubrimiento. También sembró la infraestructura de la publicación científica moderna que gobierna la vida académica.
Esa infraestructura se encuentra ahora bajo una presión extraordinaria, y la inteligencia artificial (IA) la está empeorando. Un estudio publicado el pasado diciembre en Science encontró que los investigadores que utilizan modelos de lenguaje de gran escala están publicando significativamente más artículos que antes. Desde al menos 2024, Matt Spick, investigador en análisis de datos de salud en la Universidad de Surrey y editor asociado de Scientific Reports, ha estado recibiendo para revisión artículos casi idénticos —uno al día, a veces dos— todos basados en el mismo conjunto público de datos de salud de Estados Unidos, reformulados apenas lo suficiente para evitar la detección de plagio. Mientras tanto, la producción de artículos está recibiendo su propia “renovación tecnológica”. El esfuerzo alcanzó un punto culminante en abril cuando un equipo de Google presentó Paper Orchestra, un sistema que toma las notas de laboratorio en bruto de un investigador y, mediante una secuencia de cinco agentes especializados de IA, produce un manuscrito en LaTeX listo para envío, con figuras y citas verificadas, en aproximadamente 40 minutos. El volumen de producción impulsado por IA está desbordando el sistema de revisión por pares. Los editores no pueden encontrar suficientes revisores calificados, y los revisores que sí encuentran recurren cada vez más a la IA: alrededor del 21 % de las revisiones enviadas este año a la International Conference on Learning Representations, una importante conferencia de aprendizaje automático, fueron completamente generadas por IA.
La respuesta estándar a este frenesí de automatización ha sido buscar formas de reforzar el sistema existente. Pero un número creciente de investigadores está planteando una pregunta diferente, en gran parte porque el sistema actual lleva tiempo mostrando sus propias limitaciones. ¿Y si el problema no fuera cómo arreglar la publicación científica? ¿Y si las crecientes capacidades de la IA fueran a obligar a que la unidad de comunicación científica evolucionara nuevamente? Un cambio así podría tener un impacto importante en un campo tan amplio como la neurociencia, donde la ciencia abarca desde moléculas hasta comportamiento y cuyos datos diversos suelen permanecer aislados, mal servidos por el formato de “artículo” que el sistema exige.
La gente en la ciencia lleva tiempo percibiendo este cambio. A principios de 2023, apenas unos meses después del lanzamiento de ChatGPT, asistí a una reunión donde uno de los científicos más destacados de mi institución especuló que la IA podría eventualmente obligar a replantear qué es realmente un artículo científico. Ese mismo año, Michael Eisen, biólogo computacional y exeditor en jefe de eLife, describió un futuro en el que los hallazgos no se publican como narrativas estáticas y universales, sino en un formato interactivo de “artículo bajo demanda”, donde los usuarios consultan directamente los experimentos, datos y análisis subyacentes. “Creo que es solo cuestión de tiempo antes de que dejemos de usar narrativas únicas como interfaz entre las personas y los resultados de los estudios científicos”, dijo Eisen.
Durante algunos años, esto permaneció en el terreno de la premonición. Ahora las propuestas se están volviendo lo suficientemente concretas como para debatirse seriamente. Entre las más concretas se encuentra la de un equipo liderado por Lior Pachter, del Instituto de Tecnología de California. En un preprint publicado en febrero, Pachter y sus colegas describen OpenEval, un sistema que descompone los artículos científicos en sus partes constituyentes: afirmaciones individuales, las evidencias que las respaldan y evaluaciones sobre si esa evidencia se sostiene.
Aplicaron este sistema a todo el corpus de eLife, que publica sus manuscritos y revisiones por pares en formato XML legible por máquina. A partir de aproximadamente 16,000 artículos, OpenEval extrajo casi 2 millones de afirmaciones discretas, y una IA evaluó cada una de ellas. La IA y los revisores humanos coincidieron el 81 % de las veces, pero el hallazgo más intrigante fue sobre la cobertura. OpenEval evaluó el 93 % de las afirmaciones de un manuscrito dado. Los revisores humanos, en promedio, llegaron al 68 %. Aquí es donde la incansabilidad de la IA resulta útil: un artículo que contiene 100 afirmaciones empíricas simplemente no será evaluado completa y sistemáticamente por dos o tres profesores ocupados con plazos cortos.
El grupo de OpenEval sostiene que la publicación científica debería distinguir entre dos funciones que los artículos actualmente combinan: la difusión de resultados y la comunicación de ideas. Los resultados, dicen, deberían publicarse en forma explícita y legible por máquina. Las narrativas servirían como una capa interpretativa encima de esa base estructurada. El artículo seguiría existiendo, pero se convertiría en una vista de un registro más profundo y consultable.
La neurociencia podría beneficiarse más que la mayoría de los campos de este tipo de sistema. La disciplina abarca desde biología molecular hasta imágenes funcionales y psicología conductual, y los hallazgos en un nivel frecuentemente tienen implicaciones para preguntas en otro nivel; sin embargo, esas conexiones permanecen ocultas porque ninguna persona puede manejar la avalancha de hallazgos provenientes de todos los subcampos. Un registro estructurado y consultable haría visibles esas conexiones por primera vez.
El sistema OpenEval ya ha demostrado que puede encontrar conexiones ocultas. Dos artículos de eLife examinaron independientemente los mecanismos de la depresión a largo plazo dependiente del tiempo (tLTD) en diferentes circuitos cerebrales: uno mostró que la tLTD puede ocurrir con o sin receptores NMDA, dependiendo de la conexión sináptica; el otro mostró que los receptores NMDA son necesarios y median la tLTD mediante señalización no ionotrópica. Los artículos no se citan entre sí porque estudiaron circuitos diferentes. Tomados en conjunto, sugieren que la participación de los receptores NMDA en la tLTD depende del circuito y es mecánicamente diversa: un tipo de hallazgo complementario que podría cambiar la manera de pensar sobre un mecanismo, pero que la naturaleza fragmentada de la literatura neurocientífica mantiene invisible.
Otros han ido aún más lejos. La física italiana Francesca Colaiori ha delineado lo que llama una Red Adaptativa de Conocimiento, donde la unidad básica de contribución científica es un “objeto de conocimiento” en lugar de un artículo: una sola afirmación, un conjunto de datos, un método o una pregunta abierta. Cada uno se conecta con otros mediante enlaces informativos, y publicar se parece más a editar una wiki compartida que a enviar un manuscrito terminado.
En el otro extremo del espectro, los editores de NEJM AI ya comenzaron a implementar un proceso híbrido de revisión humano-IA solo por invitación, en el que un editor humano revisa independientemente un manuscrito, dos grandes modelos de lenguaje producen revisiones estructuradas separadas y un estadístico colabora con una IA en una revisión estadística completa. Del envío a la aceptación provisional: siete días.
Publicaron sus dos primeros artículos mediante este sistema a finales del año pasado, junto con las revisiones completas generadas por IA y las respuestas de los autores, invitando a los lectores a juzgar la calidad por sí mismos.
Estas propuestas ocupan diferentes posiciones en el espectro que va desde lo incremental hasta lo transformador. NEJM AI está remendando el sistema existente. El grupo de Pachter propone una nueva capa subyacente. Colaiori imagina un reemplazo. Pero todos comparten un diagnóstico común: el artículo científico reúne demasiadas funciones en un solo artefacto, y ese conjunto está empezando a desintegrarse.
Existe un precedente de este tipo de desagregación (unbundling) que ya está más avanzado de lo que muchos científicos podrían imaginar. Cuando los matemáticos Timothy Gowers, Ben Green, Frederick Manners y Terence Tao demostraron en 2023 un caso clave de la conjetura polinómica de Freiman-Ruzsa, publicaron el resultado en un artículo científico tradicional. Sin embargo, apenas tres semanas después, un equipo de colaboradores también tradujo la demostración a Lean, un asistente de demostraciones matemáticas cuya biblioteca, mantenida por la comunidad (mathlib), contiene más de 250.000 teoremas verificados por computadora. El proceso de verificación automática detectó un pequeño error que había pasado inadvertido para los revisores humanos.
Ahora el resultado existe en dos formas: un artículo que explica por qué la demostración es importante, qué intuiciones guiaron su desarrollo y cuáles fueron sus principales desafíos, y una versión verificada por computadora que garantiza la validez de cada uno de sus pasos. Ambas cumplen funciones distintas y ninguna puede reducirse a la otra. El grupo de Lior Pachter presenta mathlib como un modelo, aunque reconoce que la analogía no es perfecta, ya que la ciencia empírica no puede verificarse lógicamente de la misma manera que una demostración matemática. El punto más amplio es que la narrativa sigue siendo indispensable para comunicar ideas a otros seres humanos, mientras que la legibilidad por máquinas puede hacer que los resultados sean reutilizables, combinables y verificables de maneras que los resultados encerrados únicamente en prosa no pueden lograr.
¿Cómo se vería esto en la práctica en un laboratorio de neurociencias? Una posibilidad sería la siguiente: el investigador envía un artículo de la forma habitual, pero además deposita sus afirmaciones y resultados en un formato estructurado, donde cada afirmación está vinculada a figuras específicas, pruebas estadísticas y conjuntos de datos. Los revisores evalúan resultados individuales, en lugar de intentar mantener en su mente todo el contenido del manuscrito. Los resultados relacionados entre distintos artículos se descubren automáticamente, incluso cuando aparecen en trabajos que el investigador nunca ha leído y que ni siquiera se citan entre sí.
En la visión de Michael Eisen, incluso la capa narrativa se vuelve dinámica: en lugar de un artículo fijo, el lector consulta el registro estructurado y recibe una presentación de los resultados adaptada a su pregunta específica y a su nivel de conocimientos. El artículo se convierte en una interfaz generada bajo demanda. En la versión más radical, el artículo deja incluso de ser indispensable y pasa a ser simplemente una «vista narrativa» de objetos de conocimiento estructurados.
Esta estructura también podría tener importantes implicaciones para el sesgo de publicación. Si el registro científico principal existiera en esa red estructurada y el reconocimiento profesional se otorgara a partir de ella, entonces una única réplica cuidadosamente realizada o un resultado negativo formulado con precisión contribuirían al desarrollo profesional del investigador, en lugar de permanecer durante años sin publicarse en la computadora de alguien.
Esta versión más radical también presenta riesgos. Como señalé en una columna anterior, el propio proceso de escribir un artículo científico constituye una forma de pensar, y el esfuerzo por expresar un hallazgo obliga al investigador a enfrentarse a las lagunas de su propio razonamiento. Si escribir sobre la ciencia es precisamente el momento en que los científicos descubren lo que realmente significan sus resultados, entonces considerar la redacción del artículo como una simple capa decorativa superpuesta a afirmaciones formalizadas podría eliminar una parte importante del trabajo intelectual que ocurre durante la escritura.
PaperOrchestra, de Google, por ejemplo, está diseñado precisamente para eliminar las semanas que un científico habría dedicado a luchar con la exposición de sus ideas, descubriendo que un resultado no se deriva del anterior de manera tan clara como parecía o advirtiendo, a mitad de la introducción, que el problema ha sido planteado de una forma que no concuerda plenamente con una lectura cuidadosa de la bibliografía. Si parte del conocimiento científico surge precisamente durante esa lucha intelectual, automatizarla podría tener un costo para la ciencia que jamás aparecerá reflejado en los indicadores de publicación. El artículo puede ser un contenedor de datos ineficiente, pero también puede estar realizando un trabajo cognitivo esencial para el progreso científico.
No creo que los defensores de la legibilidad por máquinas hayan abordado adecuadamente esta posible compensación. Sin embargo, tampoco constituye una razón para defender indefinidamente el estado actual de las cosas. La transición de los grandes tratados científicos a los artículos implicó pérdidas reales. Charles Darwin sabía que sus ideas necesitaban cientos de páginas para desplegar plenamente su cuidadosa argumentación. El historiador de la ciencia Alex Csiszar ha sostenido que fragmentar el conocimiento en «pequeños fragmentos de hechos» tuvo verdaderos costos epistemológicos. Y, sin embargo, esa unidad más pequeña hizo posible algo que el tratado no podía ofrecer: un registro rápido, iterativo y acumulativo que transformó profundamente lo que la empresa científica era capaz de lograr.
La revolución de la mecánica cuántica entre 1925 y 1927, durante la cual una teoría completa surgió en apenas dos años gracias a una cascada de breves artículos intercambiados entre Gotinga, Copenhague, Cambridge y Zúrich, probablemente no habría sido posible en la era de los tratados.
La cuestión es si hoy la comunidad científica se encuentra en un punto de inflexión semejante. Lo cierto es que, aunque la inteligencia artificial pueda actuar como catalizador del cambio, el artículo científico, considerado por sí mismo, ya no consigue contener toda la ciencia que pretende comunicar. Lo que hoy llamamos un artículo es, en realidad, una extraña construcción híbrida formada por archivos suplementarios que superan en extensión al propio manuscrito, conjuntos de datos depositados en repositorios que rara vez otros investigadores reutilizan y código publicado en GitHub sin documentación suficiente. En la práctica, el artículo científico ya ha sido reemplazado por un conjunto desordenado de materiales dispersos.
En un campo como las neurociencias, donde dos grupos de investigación pueden descubrir de manera independiente un mismo mecanismo sináptico fundamental en circuitos distintos sin llegar nunca a conocer el trabajo del otro, la diferencia entre una transición estructurada y una transición caótica no es una cuestión menor. Desde hace mucho tiempo, las neurociencias constituyen un campo demasiado vasto para que una sola persona pueda abarcarlo en su totalidad. Por ello, la próxima forma que adopte la comunicación científica puede determinar si la siguiente generación de investigadores trabajará con un mapa que les permita orientarse o si continuará recorriendo el territorio guiándose únicamente por la intuición.
……………………………………………………………………………
Artificial intelligence is pushing scientific publishing to the brink. For a field as sprawling as neuroscience, the crisis may also be an opportunity to finally connect findings across subfields.
By Tim Requarth
11 May 2026 | 11 min read
https://doi.org/10.53053/IZNQ5416
https://doi.org/10.53053/IZNQ5416 - opens a new tab
Cite this article
Before the scientific paper, there was the treatise. In “Astronomia Nova,” Johannes Kepler bundled 10 years of astronomical observations, along with false starts, methodological disagreements and philosophical justifications, into a book-length masterpiece. Isaac Newton’s “Principia,” though written in a burst of roughly two years, unified ideas he had been developing since the 1660s. This pace was typical until journals, such as the Philosophical Transactions of the Royal Society, founded in 1665, offered an alternative. In them, scientists could share provisional findings quickly, in compact form, shrinking the unit of publishable knowledge. Charles Darwin himself seemed to worry about the rigor of this short-form science, complaining of his theory that he could “hardly see how it can be made scientific for a Journal, without giving facts, which would be impossible.”
But discoveries announced via tome eventually became the exception, not the rule. Albert Einstein’s four revolutionary papers appeared in Annalen der Physik in 1905. James Watson and Francis Crick announced DNA’s structure in less than 1,000 words in Nature in 1953. It’s easy to forget today that the scientific paper was an innovation, enabling researchers to build on one another’s work in something closer to real time, accelerating the pace of discovery. It also seeded the infrastructure of modern scientific publishing that governs academic life.
That infrastructure is now under extraordinary strain, and artificial intelligence (AI) is making it worse. A study published last December in Science found that researchers who use large language models are publishing significantly more papers than they did before. Since at least 2024, Matt Spick, a health data analytics researcher at the University of Surrey and associate editor at Scientific Reports, has been getting nearly identical papers to review—one a day, sometimes two, all drawing on the same publicly available U.S. health dataset, rephrased just enough to dodge plagiarism detection. Meanwhile, paper production is getting its own silicon facelift, with effort reaching an apotheosis in April when a team at Google released Paper Orchestra, a system that takes a researcher’s raw lab notes and, through a sequence of five specialized AI agents, produces a submission-ready LaTeX manuscript with figures and verified citations in about 40 minutes. The volume of output powered by AI is overwhelming the peer-review system. Editors can’t find enough qualified reviewers, and the reviewers they do find are increasingly turning to AI themselves—some 21 percent of reviews submitted to this year’s International Conference on Learning Representations, a major machine-learning conference, were fully AI-generated.
The standard response to this frenzy of automation has been to look for ways to shore up the existing system. But a growing number of researchers are asking a different question, in no small part because the existing system has long had its own drawbacks. What if the problem isn’t how to fix scientific publishing? What if AI’s growing capabilities are going to force the unit of scientific communication, once again, to evolve? Such a shift could have a major impact on a wide-ranging field such as neuroscience, where the science spans molecules to behavior and whose diverse data often remain siloed, underserved by the paper-shaped package the system demands.
People in science have sensed this change coming for a while. In early 2023, just a few months after ChatGPT’s launch, I sat in a meeting where one of the most prominent scientists at my institution speculated that AI may eventually force a rethinking of what a scientific paper even is. That same year, Michael Eisen, computational biologist and former editor-in-chief of eLife, described a future in which findings are published not as static, one-size-fits-all narratives but in an interactive, “paper on demand” format, in which users query the underlying experiments, data and analyses directly. “I think it’s only a matter of time before we stop using single narratives as the interface between people and the results of scientific studies,” Eisen said.
For a few years, this remained in the realm of premonition. Now the proposals are getting concrete enough to argue about. Among the most concrete comes from a team led by Lior Pachter at the California Institute of Technology. In a preprint posted in February, Pachter and his colleagues describe OpenEval, a system that decomposes scientific papers into their constituent parts: individual claims, the evidence supporting them, and evaluations of whether that evidence holds up.
They ran this system across the entire corpus of eLife, which publishes its manuscripts and peer reviews in a machine-readable XML format. From roughly 16,000 papers, OpenEval extracted nearly 2 million discrete claims, and an AI evaluated each one. AI and human reviewers agreed 81 percent of the time, but I think the more intriguing finding was about coverage. OpenEval assessed 93 percent of the claims in a given manuscript. Human peer reviewers, on average, got to 68 percent. This is where the tirelessness of AI comes in handy: A paper containing 100 empirical claims simply isn’t going to be fully and systematically evaluated by two or three busy faculty on short turnaround.
Pachter’s group argues that scientific publication should distinguish between two functions that papers currently bundle together: the dissemination of results and the communication of ideas. Results, they say, should be published in explicit, machine-readable form. Narratives should serve as an interpretive layer on top of that structured foundation. The paper would still exist, but it would become one view of a deeper, queryable record.
Neuroscience may have more to gain from this kind of system than most fields. The discipline spans molecular biology to functional imaging to behavioral psychology, and findings at one level routinely bear on questions at another—yet the connections stay buried because no single person can manage the flood of findings from all subfields. A structured, queryable record of results would make those connections visible for the first time.
The OpenEval system has already demonstrated that it can find hidden connections: Two eLife papers independently examined the mechanisms of timing-dependent long-term depression (tLTD) in different brain circuits: One showed that tLTD can occur with or without NMDA receptors, depending on the synaptic connection; the other showed that NMDA receptors are required and mediate tLTD through non-ionotropic signaling. The papers don’t cite each other because they studied different circuits. Taken together, they suggest that NMDA receptor involvement in tLTD is circuit-dependent and mechanistically diverse, the kind of complementary finding that might reshape how you think about a mechanism but that the balkanized nature of the neuroscience literature keeps invisible.
Others have gone further. Italian physicist Francesca Colaiori has outlined what she calls an Adaptive Knowledge Network, in which the basic unit of scientific contribution is a “knowledge object” rather than a paper—a single claim, a dataset, a method, an open question. Each connects to others through informative links, and publishing becomes something more like editing a shared wiki than submitting a finished manuscript. At the other end of the spectrum, the editors of NEJM AI have already begun running an invitation-only hybrid human-AI review process in which a human editor reviews a manuscript independently, two large language models produce separate structured reviews, and a statistician collaborates with an AI on a full statistical review. From submission to provisional acceptance: seven days. They published their first two papers through this system late last year, along with the full AI reviews and author responses, inviting readers to judge the quality for themselves.
These proposals occupy different points on the spectrum from incremental to transformative. NEJM AI is patching the existing system. Pachter’s group is proposing a new layer underneath it. Colaiori is imagining a replacement. But they share a common diagnosis: The scientific paper bundles too many functions into a single artifact, and the bundle is starting to come apart.
There’s a precedent for this kind of unbundling that is already further along than many scientists might realize. When mathematicians Timothy Gowers, Ben Green, Frederick Manners and Terence Tao proved a key case of the Polynomial Freiman-Ruzsa conjecture in 2023, they reported it in a traditional paper. But within three weeks, a team of contributors also translated the proof into Lean, a proof assistant whose community-maintained library, mathlib, contains more than 250,000 machine-verified theorems. The machine verification process caught a minor error that humans had missed.
Now the result exists in two forms: a paper that explains why the proof is important, what intuitions guided it, and where the challenges were, as well as a machine-checked version that guarantees every step is valid. The two serve different purposes, and neither is reducible to the other. Pachter’s group invokes mathlib as a model, though the analogy is imperfect—empirical science can’t be verified, logically, the way a mathematical proof can. The broader point is that a narrative remains essential for communicating ideas to other humans, but that machine-readability can make results reusable, composable and verifiable in ways that results locked in prose cannot achieve.
What would this look like in practice for a neuroscience lab? One version: You submit a paper the way you always have, but alongside it you deposit your claims and results in a structured format, each linked to specific figures, statistical tests and datasets. Reviewers evaluate individual results rather than trying to hold the whole manuscript in their heads. Related results across papers get discovered automatically, including in papers you’ve never read and that don’t cite each other.
In Eisen’s version, even the narrative layer becomes dynamic: Instead of a fixed paper, the reader queries the structured record and gets results tailored to their question and expertise. The paper becomes an interface, generated on demand. In the more radical version, the paper becomes optional altogether, a “narrative view” of structured knowledge objects. This structure could have valuable implications for publication bias. If the primary scientific record exists in the network and professionally meaningful credit is assigned that way, then a single careful replication or a precisely stated negative result counts toward career advancement rather than languishing, unpublished, on someone’s computer for years.
This more radical version also comes with pitfalls. As I wrote in a previous column, the process of scientific writing is itself a form of thinking, and the struggle to articulate a finding forces you to confront gaps in your own reasoning. If writing about the science is where scientists figure out what their science actually means, then treating paper-writing as a decorative layer on top of formalized claims may remove important think-work from the writing process. Google’s PaperOrchestra, for example, is, by design, eliminating the weeks a scientist would have spent struggling with exposition, discovering that one result doesn’t really flow from the previous as neatly as expected, or realizing halfway through the introduction that the problem is framed in a way that isn’t quite consistent with a close read of the literature. If that struggle is where some fraction of scientific insight happens, then automating it away costs science in a way that won’t register in publication metrics. The paper might be inefficient as a data container, but it may also be doing cognitive work that is germane to scientific progress.
I don’t think the machine-readability advocates have adequately addressed this potential trade-off. But it’s also not a reason to defend the status quo indefinitely. The shift from treatises to papers involved genuine losses. Darwin knew his ideas needed hundreds of pages for his painstaking argument to fully unfurl. The historian of science Alex Csiszar has argued that fragmenting knowledge into “broken pieces of fact” carried real epistemic costs. And yet the smaller unit enabled something the treatise couldn’t: a fast, iterative, cumulative record that changed what the scientific enterprise could accomplish. The quantum mechanics revolution of 1925 to 1927, in which a complete theory emerged in barely two years through a cascade of short journal papers exchanged across Göttingen, Copenhagen, Cambridge and Zurich, perhaps would not have happened in the age of the treatise.
The question is whether the scientific community is at a similar inflection point. The truth is that although AI may be the catalyst for change, the scientific paper on its own terms was already failing to contain the science. What is called a paper today is really a strange Frankensteined-together patchwork of supplementary files that run longer than the manuscript, datasets deposited in repositories that other researchers rarely reuse, and code posted to GitHub without documentation. The paper has already been replaced, in practice, by a mess. For a field such as neuroscience, in which two groups can independently discover something fundamental about the same synaptic mechanism in different circuits and never find each other’s work, the difference between a structured transition and a disorganized one is not academic. Neuroscience has long been a field too large for any one person to survey, so the next form scientific communication takes may determine whether the next generation works from a map or wanders the territory by feel.
Correction
