編者按

　　從想點子，到做實驗、寫論文，AI正深度介入科學研究的全過程。但效率提升的背後，原創歸屬、數據“美化”、實驗“缺席”、信息洩露、論文審核等問題接踵而至，科研誠信和學術規範面臨重新審視。

　　本期邀請五位一線科研人員，分享AI給他們帶來的變化和思考。從他們的講述裏，我們可以讀到一個共同的希冀：AI時代，我們需要建立新的學術規範。

　　AI生成的科研點子到底歸誰

　　講述人：南京航空航天大學物理學院副研究員 曹水艷

　　這些年，我一直從事微納光子學及相關交叉領域的研究，圍繞二維材料、微納光學器件、光電探測與光信息調控方向開展理論和實驗探索。人工智能進入科研之後，我和研究生們也越來越頻繁地使用大模型。查閱文獻、梳理研究進展、比較技術路線，甚至討論一個新的器件結構是否值得嘗試，AI都能很快給出答案。有時，我也會直接問AI：“這個方向還能怎麼創新？”幾秒鐘後，它可能就會列出五六個“科研點子”：換一種二維材料、引入新的光場調控自由度、把偏振和光電探測結合起來，或者進一步拓展到光邏輯、信息編碼等功能。單看文字，其中一些點子甚至頗有啟發性。

　　於是，一個以前很少遇到的問題出現了：如果科研構想、創新思路甚至選題框架最初來自AI，當它們最終形成論文、專利等科研成果時，該如何認定原創歸屬，又該如何界定科研人員與AI的貢獻邊界？

　　在我看來，至少從自己的微納光子學研究經歷來看，僅僅根據一個科研點子最初由誰提出，就判斷其最終成果的原創歸屬情況，是把科學創新理解得過於簡單了。我們做微納光子學研究，經常從一個最初的器件構想開始。比如，在二維材料光電器件上引入微納結構，通過結構設計改變局域光場，再利用二維材料的光電響應實現新的探測或調控功能。

　　類似的點子，現在完全可以讓AI一次生成十幾個。但AI生成一個“看起來新穎”的點子，與真正完成一項原創研究之間，還有很大的距離。一些科研點子乍看很有啟發，但真正進行理論分析和數值模擬後，就會發現並不可行：有的是忽略了必要的邊界條件；有的是採用的材料參數脫離實際；有的是理論上存在某種效應，但信號量級小到實驗難以測量；還有一些所謂的“創新”，進一步檢索文獻才發現近期已有類似工作，其原創性本身就需要重新審視。

　　我越來越覺得，AI能夠生成的是科研點子，而不是已經成立的科學創新。一個科研點子是否真正具有創新價值，還需要研究者結合已有研究，通過文獻檢索、理論分析、數值模擬乃至實驗驗證，不斷檢驗其原創性和科學可行性。以微納光子學研究為例，一個器件在理論計算中可能表現出非常理想的光譜、調製深度或偏振響應，但真正製備出來以後，材料厚度、加工誤差、電極接觸等因素都可能使實驗結果與最初設想存在很大差異，甚至直接否定最初的構想。

　　而在這一過程中，新的科學問題也可能隨之出現。AI也許參與了最初構想的生成，但在判斷原創歸屬時，不應只看“誰先提出了這個想法”，更應關注在成果形成過程中，誰作出了關鍵的科學判斷，誰完成了實質性的創造性工作。這或許才是厘清科研人員與AI貢獻邊界的關鍵。

　　這一判斷也延伸到成果署名和知識産權。即使AI參與了最初研究思路的生成，也不能簡單據此認為AI應成為論文作者或專利發明人。最終形成的科學認識或技術方案，凝結的是研究者持續判斷、驗證和創造的結果。更重要的是，科研成果不僅意味著“貢獻”，也意味著“責任”。論文發表後，如果理論推導存在錯誤、實驗結果無法重復，最終需要科研人員作出解釋；面對同行質疑，也不能以“這個科研點子是AI生成的”來逃避責任。最終站在成果後面、對成果負責的，仍然是科研人員。

　　未來，一個科學構想很可能産生於反復的人機交互，“最初的點子來自誰”或許越來越難追溯，但點子的來源並不能簡單等同於成果的原創歸屬。

　　AI“美化”數據帶來隱形造假

　　講述人：西安交通大學電信學部副教授 劉曉明

　　我的研究方向為時空異常檢測與人工智能生成內容（AIGC）檢測，研究工作可分為兩部分：其一為訓練模型從數據中識別異常，其二為判別文本、圖像、視頻是否由AI生成。兩個研究方向共同的核心前提均為數據真實性。近年擔任學術期刊審稿人期間，我頻繁收到方法、圖表、指標均無明顯問題，但數據真實性存疑的投稿。

　　最早引起我警覺的是一篇時空異常檢測方向的投稿：作者採用某城市路網流量數據開展研究，所得結果的曲線平滑度接近教科書示例。但業內皆知，真實交通流量序列必然存在波動，感測器誤差、時鐘偏差、交通管制、天氣變化等各類因素均會改變路網特徵。我要求作者提供原始採樣頻率與缺失值處理方式，對方未作出正面回應。

　　傳統數據不端行為以篡改真實數據為主，往往會留下痕跡；當前更為常見的情形，是真實數據經AI“重建”——經過去噪、補全缺失、平滑跳變處理後，單個數據點看似合理，整體分佈卻已無法反映真實狀況。

　　如果説第一類是數據層面的“化粧”，第二類則出現在實驗設計層面，且更為普遍：部分投稿中的異常檢測模型F1指標（一種性能評估指標，取值範圍為0~1，越接近1表示模型越好）高達0.99，在多個公開基準數據集上全面超越現有方法。我在核查時重點關注三點：訓練集與測試集如何劃分、是否報告多次隨機運行結果、是否完成消融實驗。一些投稿經不住追問。此類問題未必出自主觀惡意，多因研究者對研究規範認知不足，但AI工具客觀上降低了“無意識違規”的門檻，也使審稿人更難區分疏忽與蓄意造假。

　　前兩類尚且屬於方法失范，第三類則直接動搖研究的合法性，也是最令我憂心的問題。AIGC檢測模型的訓練需要大量真實人類創作內容作為負樣本。我曾審閱一篇投稿，作者聲稱採集了某平臺真實用戶內容，但文本風格、標點習慣、錯別字分佈高度一致，符合AI批量生成的典型特徵。退回修改後作者承認，為擴充數據集，其使用大模型合成了部分樣本，且未在文章説明中標注。其中荒誕之處在於：該研究的目標是識別AI生成內容，訓練數據卻來自AI，指標再高也不過是自循環驗證。

　　我的博士生導師管曉宏院士常説，研究要從物理世界來、回物理世界去，模型的可用性取決於真實工況下的運行穩定性。在電力系統中，一個被平滑處理掉的異常點，便可能對應一起未被發現的安全事故。共事多年的沈超教授也提出，AI的安全邊界依靠標注失效場景來劃定，敢於寫明方法適用局限的論文，價值遠高於五篇只報告正面結果的文章。

　　但如今，AI已將數據“美化”的成本降至近乎為零——一句提示詞即可完成數據整理、結果重建、配套解釋生成，連“局限性討論”都可以一併由AI代筆。學術不端的風險由此成倍放大：一次隨意的數據優化足以令整篇論文的結論不成立；若此類模型流入工程現場，誤報、漏報造成的損失，最終將由一線運維人員乃至社會公眾承擔。

　　科研最珍貴的不是算力，也不是模型架構，而是保留原始數據偏差的勇氣、承認工況不符的誠實。AI可以美化論述，卻不能代替研究者為數據真實性負責。

　　AI預測不應替代實驗驗證

　　講述人：清華大學機械工程系副研究員 周夢然

　　過去需要花費數周甚至數月反復實驗、試錯的工作，現在AI幾分鐘就能得到一套看上去“相當完整”的答案。那真實實驗是不是可以少做一些，或者完全用模擬預測替代實驗？

　　有一次，我組裏的一名博士研究生利用已有實驗數據和文獻數據，建立了一個鎂鋰合金攪拌摩擦加工後力學與耐腐蝕性能預測的模型。基於對攪拌頭轉速、加工速度等參數和材料最終性能進行建模與預測，模型很快給出了一個較為清晰的“最優工藝窗口”：某一組參數組合得分最高，強度預測最好，材料腐蝕速率也最低。一次課題討論中，這名博士研究生興奮地向我建議：“老師，既然預測結果已經這麼明確清晰了，後續只做兩三組‘最優參數’驗證即可，其餘實驗可以省掉。這樣既節省材料和機時，也能讓論文推進得更快。”

　　我從事的是利用攪拌摩擦開展鋁/鎂等輕合金材料焊接及其增材製造研究。物理過程看起來很簡單：一個攪拌工具頭旋轉、插入材料、沿著焊縫前進，最終使材料在“不熔化”的條件下實現連接，但事實上這個過程中材料內部情況遠比想像的複雜得多，溫度變化、應變梯度、應變速率、材料流動、動態再結晶、織構演變以及介面狀態彼此耦合，任何一個局部變化，都可能影響最終所獲得材料的性能。

　　正因如此，我向全組人員解釋：我並不排斥AI。相反，我認為它會成為未來科研不可缺少的工具。它可以幫助我們縮小實驗範圍、優化方案、提出假設，甚至告訴我們哪些地方最值得重點驗證。但目前“基於大語言模型”的AI，能給出的只能是“基於理論與他人結果最可能發生什麼”，實驗要回答的卻是“事實上發生了什麼，怎麼發生的”。如果科研只去驗證模型最有把握的答案，看似效率提高了，實際上也把最可能産生新發現的地方刪掉了。

　　我們既借助模型的推演，在模型給出的“最優工藝窗口”內實現了鎂鋰合金綜合性能的顯著提升，又堅持把那些被模型認為“潛在價值不高”、從未有人嘗試的極限參數樣品做了出來。

　　事實很快給我們上了一課。某組AI評價很高的參數，材料表面看起來完整，但截面觀察卻暴露出局部材料出現偶發流動失穩産生缺陷的問題；相反，另一組並不在模型預測範圍內的極限參數，材料內部組織反而展現出前所未有的均勻緻密，力學與腐蝕行為也遠遠優於模型的“預測”。我們比對了當時所有公開報道的文獻，發現我們“無意中”製備出了具有最佳“比強度—耐腐蝕性能”的超輕鎂合金。

　　面對這一突破性的現象，我們緊鑼密鼓地進行了顯微組織觀察、力學性能測試和材料流動分析，一點點追蹤原因，最終發現決定材料性能的並不只是模型裏被簡化處理的“熱輸入高低和材料流動快慢”，而是複雜“熱—力”耦合作用下材料中多個組分競爭性的“變形—析出—擴散”的全新機制。

　　那一刻，實驗給出的強有力事實，推翻了非常“漂亮”的AI預測。

　　更重要的是，那個原本想被省掉的實驗點，反而成為我後續研究中最關鍵的研究方向與線索。這些年，我和團隊都沿著這個異常結果的新機制持續研究，重新調整了加工方法和研究思路，對攪拌摩擦加工組織演變和材料流動機制有了更深入的認識，相關研究也因此取得了超出預期的進展，並且進一步拓展到了製備高性能生物鎂合金與超大鎂合金結構的增材製造。

　　現在回頭看，我常常覺得，這其實就是一次“真理打敗偷懶”的過程。

　　所謂“偷懶”，並不是説科研人員不能借助工具提高效率。科學研究當然需要提高效率，AI也完全可以幫助我們減少大量重復勞動。真正值得警惕的是，把“提高效率”悄悄變成“省略實證”，再把模型預測包裝成已經發生的事實。

　　AI預測可以減少盲目的實驗，卻不能替代必要的實驗驗證。AI擅長從已有知識中尋找規律，因此更容易告訴我們“通常會怎樣”。但科學進步很多時候恰恰來自一句話：“為什麼這一次不一樣？”

　　如果沒有真實實驗，異常就可能被當作噪聲過濾掉，未知也可能被已有規律提前“預測”掉。到最後，模型越來越漂亮，論文裏的曲線越來越平滑，人類的科學研究卻被鎖死在已有知識內部循環中。

　　科研信息洩露風險須警惕

　　講述人：中國石油大學（華東）化學化工學院副教授 鄧深圳

　　2018年我進入南開大學讀博，研究方向是水系鋅離子電池。那時候AI還未走進日常，科研生活節奏簡單，宿舍、食堂、實驗室三點一線。白天合成材料、測數據，晚上看文獻、整理結果、寫論文。文獻檢索需要一條一條翻，一篇重要文獻的參考文獻列表也要逐條去查，順著引文鏈條往下追。寫英文論文更為耗時，需大量閱讀國際頂刊文獻，把好的句式記下來，積累語料庫。真正動筆時依然不輕鬆，一個段落改十幾遍是常事，一篇論文從初稿到投稿，折騰五六個月是常態。那時候覺得科研本來就該這樣——緩慢、笨拙，但每一步都踏實。所有數據都在課題組內部流轉。

　　2022年，我前往香港從事博士後研究。那年ChatGPT火了，組裏開始有人用它潤色英文、查文獻。一開始我沒覺得有什麼，直到一次組會，一個師弟説他把原始數據“喂”給AI做分析，AI不僅整理了數據規律，還生成了討論框架。我問他上傳了什麼，他説是最近半年的全部測試結果，還沒來得及整理分析，更沒發表。我當時腦子裏冒出來一個念頭，這些數據上傳之後，還屬於我們嗎？我忍不住問了他一句：“你就不怕這些數據傳上去之後，平臺把它分享給別人嗎？”他沉默了許久沒有回答。

　　那天之後，我專門去看了幾款主流AI平臺的服務協議，發現幾乎都有一句話：用戶上傳的內容可能被用於優化服務。“優化”具體指什麼，沒人説得清。那段時間我一直在想，如果師弟把數據上傳後，這些數據被用於訓練模型，那它們就不再只屬於我們了。如果同行恰好在某個時間點問AI相關問題，AI會不會把這些數據“共享”出去？

　　2024年我回到本碩就讀的課題組，開始帶研究生。沒想到，組裏的學生也幹了同樣的事，一位學生把近一年的實驗數據整理成文檔，準備上傳到AI平臺“幫忙分析”。我攔住他：“如果這些數據被平臺洩露給別人，研究成果被別人復刻、被搶先發表了怎麼辦？”他愣住，説了一句讓我印象深刻的話：“我就是想快點出結果。”

　　那一刻我意識到，這不是一個人的問題，而是一代科研人的普遍心態——用最快的方式處理數據，卻從沒想過數據離開實驗室之後會發生什麼。從那以後，我在課題組定了一條規矩：嚴禁把未發表的實驗數據、工藝參數、研究思路上傳到公共AI平臺。查文獻、整理參考文獻格式這些不涉及核心數據的工作可以用AI，但涉及未發表的數據和實驗方案，一律禁止。

　　後來的多起泄密事件證明，這個擔心並非多餘。2025年7月，國安部披露某科研人員將核心數據上傳至AI應用軟體，致涉密信息洩露。同年9月，ChatGPT Deep Research功能曝出零點擊漏洞，攻擊者只需一封惡意郵件，即可在用戶毫不知情的情況下竊取敏感數據。看著這些新聞，我想起了那個學生。如果當時沒有攔住他，那些數據現在會在哪？

　　論文審核需要新的標準

　　講述人：中國科學院大學資源與環境學院副教授 蔡曉琳

　　在長期參與環境領域同行評議工作的過程中，我們越來越清晰地感受到，生成式人工智能正在進入科研工作的各個環節。從文獻梳理、語言修改，到代碼編寫、數據分析和模型預測，AI提高了信息處理效率，也拓展了研究者提出問題和驗證思路的方式。但對學術期刊而言，這種變化帶來的挑戰並不限于論文是否像AI寫的。更重要的是，當AI逐步參與知識生産，原有的披露方式、審稿標準和責任邊界能否繼續支撐學術信任。討論的重點應從是否使用AI轉向AI介入後，研究的可信度如何被證明、責任如何被追溯。

　　從環境領域的審稿實踐看，一篇結構完整、表達流暢、圖表齊備的論文可以更快形成，但文本的完整性越來越難以代表研究本身的紮實程度。環境研究通常涉及採樣、實驗分析、儀器表徵、統計建模和機理解釋，結論還受到區域特徵、時間尺度和實驗條件等因素制約。AI能夠迅速連接概念、補充論述，也可能用看似合理的表達掩蓋數據來源不清、條件交代不足或證據鏈斷裂的情況。編輯和審稿人因此需要追問：數據從何而來？方法能否復現？推論是否超出證據邊界？

　　審核難，在很大程度上源於AI放大了同行評議原有的信息不對稱。審稿人能夠看到作者提交的文本和材料，卻未必能夠還原數據處理與結論形成的全過程。僅憑措辭判斷AI痕跡，既可能誤傷正常寫作，也無法識別經過人工修飾但研究過程並不可靠的稿件。審核標準應回到科學證據本身，並以更透明的研究過程降低判斷難度。

　　界定難，則要求期刊更新AI披露制度。當前期刊常見的“使用”或“未使用”二元聲明過於籠統，應讓披露程度與AI對研究判斷的影響相匹配。AI僅用於語言潤色、格式調整等常規輔助，可以簡要説明；如果參與數據清理、參數選擇、模型構建、圖表生成或文獻歸納，並影響結果解釋，就應交代具體用途和人工核驗方式；若進一步參與實驗設計、模擬或合成數據生成、關鍵推斷以及核心結論形成，則需提供更充分的輸入信息、驗證過程和可復現材料。AI幫助研究者提出假設，不宜被一概視為越界。真正需要警惕的是隱瞞實質性使用、以生成內容替代真實證據，或把未經驗證的輸出直接寫成科學結論。

　　對涉及AI的研究，應重點核查數據是否真實且可追溯，模型訓練與驗證是否清楚，關鍵處理步驟能否復現，不確定性是否如實呈現，結論是否得到獨立數據或實驗支持。在環境研究中，還要關注模型結果能否對應真實環境條件，局部數據得到的規律是否被過度外推。AI對研究過程影響越深，作者越有責任提供充分的透明度和可核查材料。

　　同行評議本身也需要新的規範。AI可以幫助審稿人整理問題、檢查表達，但不能替代其對創新性、方法合理性和結論強度作出獨立判斷。審稿稿件通常包含未公開的數據、思路和合作信息，未經許可，不應上傳至缺乏保密保障的開放式工具。即使期刊允許在安全條件下使用AI輔助，審稿人仍應對最終意見負責，編輯也應防止語言流暢但內容空泛的模板化評議影響決策。