斯坦福、MIT、CMU等机构37位研究者提出一种名为ARA的新格式，试图解决AI读取科研论文的瓶颈。前提判断是：论文的第一读者正在从人类转为AI。

PDF为人类阅读而设计，但科研实际过程远比线性结论复杂。试错方案、中途转向、实验缺失信息往往在成文时被裁剪。

研究团队针对8921项论文复现要求分析发现，PDF中完整说明的仅占45.4%。AI读不懂时无法像人类一样追问作者或导师，信息断层直接限制复现与理解。

ARA将静态论文改造成“科研知识包”：不只保留结论，还包含完整代码、实验配置、原始证据，以及失败路线和改向原因。

测试显示，AI通过ARA回答研究问题的准确率为93.7%，传统PDF加代码仓库为72.4%；面对失败路线相关问题，前者81.4%，后者仅15.7%。论文复现测试中，ARA将成功率提高7个百分点，任务越难差距越明显。

但ARA离替代PDF还远。目前验证范围主要限于适合代码复现的机器学习领域，其他学科尚未覆盖；隐私泄露、AI幻觉、路径依赖也未解决。

更值得关注的是趋势本身：科研产出从面向人阅读转向面向机器可操作，会倒逼研究过程更完整地被记录。

这或许能改善可复现性，但不同学科的可结构化程度差异极大。格式之争背后，是科研知识生产与消费方式的一次深层调整。