9月6日早上，「耿同学锤刘光慧、曲静的Nature论文涉数据造假」登上知乎热榜。从今年4月起，科普博主「耿同学讲故事」连续对多篇发表于《自然》正刊的论文提出质疑；7月30日，《自然》官方公布处理结果：被质疑的论文中两篇撤稿、一篇更正。其中刘光慧、曲静团队那篇，6月已刊发「作者更正」——扩展数据的源数据表误录了另一实验组的数据，作者表示不影响论文主要结论。是否构成学术不端，仍以期刊和主管部门的正式结论为准。
这场持续数月的打假风波里，有一个细节值得注意：发现问题靠的主要是「人」——打假博主逐张比对图片、网友在学术论坛上讨论数据疑点、海外学者在PubPeer上贴出分析。审稿人和编辑面对海量投稿，为什么没能先一步拦住？于是一个老问题再次被推到台前：AI能不能帮审稿人抓数据造假？
人工查造假，卡在哪
先把问题拆开。学术造假的常见形态，大致是图片重复使用或拼接、数据「过于规整」（网友戏称能用加减法推导出来）、引用来源查无此文、以及批量代写的「论文工厂」产品。
人工核查这些，每一条都是体力活。一张Western Blot条带是否和另一篇论文里的高度相似，靠肉眼翻档案几乎不可能穷尽；几组实验数据的小数末位分布是否反常，需要逐个统计；一篇投稿和已发表的几千篇论文有多少文本重合，超出查重阈值的部分怎么判断。审稿人通常是义务劳动，手头还有自己的课题，能给单篇论文的核查时间非常有限。
这恰恰是机器擅长的部分：不知疲倦、可批量、对数字和像素敏感。
AI的四板斧
这几年，AI在科研诚信领域已经形成了几条比较成熟的路径。
第一是图像取证。对论文中的电泳条带、显微图像做重复检测——同一张图被旋转、裁剪、翻转后再次使用，算法可以在像素层面识别出来；拼接痕迹、克隆区域也有对应的检测方法。部分出版集团已经把图像筛查纳入投稿流程，先机器过一遍，再交人工复核。
第二是统计异常检测。真实实验数据的小数末位分布通常接近均匀，人为编造的数据往往露出「太规整」的马脚——末位数字分布失衡、相邻数据间存在可推导的算术关系，都能用统计检验批量扫出来。这次风波中被网友指出的数据疑点，正属于这一类。
第三是文本与投稿行为筛查。论文工厂的产品有模板化痕迹：句式结构雷同、参考文献互相抱团、投稿账号行为异常。AI可以把文本相似度检测从「单篇对库」升级为「模式识别」，从批量投稿行为里揪出代写网络。
第四是复现辅助，这是最新的萌芽方向：让AI读懂论文的方法部分，尝试按描述复跑统计分析，对不上的地方标红提醒。它还不能替代实验室复现，但能把「数据与描述不符」这类低级错误的核查成本降下来。
别高估：AI是助手，不是法官
四板斧听起来解气，但必须泼三盆冷水。
一是误报。合法的图像处理（同一实验不同区域的裁剪复用、示意图素材重复）会被算法误标，如果没有人工复核直接处理，会伤及无辜研究者。AI输出的是「疑点清单」，定性永远该由人来做。
二是对抗。造假手法会随检测技术升级——图像造假者学会规避像素级检测，数据编造者学会把末位分布做得「像真的」。这是一场持续的攻防，不是一劳永逸的开关。
三是AI自己也会出错。就在同期，站内这篇文章「论文是你自己写的吗？」本科生发AI顶刊，让这个问题变得最难回答记录了另一个方向的故事：有论文因为作者轻信AI检索结果，注释里出现了案号连号的假判决书，被读者一眼识破。AI既能当检测方，也在制造新的检测对象——用大模型辅助审查时，它自己的幻觉同样是风险源。
所以现阶段更准确的定位是：AI把审稿人从体力活里解放出来，让人把时间花在判断上。工具筛疑点，人做裁决。
普通研究者能做什么
对不做大新闻的普通学生和研究者来说，这场风波更实际的启示是：AI降低的是执行门槛，判断门槛一分没降。与其围观打假，不如先把自己论文的「可信度基建」做扎实。
查文献时，用免费论文搜索工具跨Google Scholar、arXiv、PubMed检索找一手来源，别只依赖对话式AI给的「现成答案」——引用必须逐条回原文核实，这次连号案号的教训就在这里。
做文献调研时，AI文献综述怎么用？写论文、做研究，文献调研从此不求人讲了怎么用AI快速搭出综述框架，但每一条结论仍要回到原始论文确认。
读长篇文献时，站内的PDF智能解析能把几十页的论文拆成摘要、章节脉络、关键数据和术语表，帮你把核对的注意力放在真正关键的地方；需要和文档反复对话的，AI知识库问答支持上传后直接追问细节。
要说清楚的一点是：这些工具帮你更快读论文、更规范写论文，但它们不做造假鉴定——鉴定需要图像取证、统计检验和领域专家的复核，那是期刊和主管部门的事。工具负责效率，人负责判断，这条分界线在任何AI时代都成立。
学术打假的风波还会继续。对普通人来说，最有价值的不是围观哪篇论文被撤，而是记住一个简单的原则：AI说的每一句，都要有人验过才算数。
Q: 耿同学质疑的刘光慧、曲静Nature论文，现在什么结论？
截至2026年9月，该论文的状态是《自然》6月刊发「作者更正」——扩展数据的源数据表误录了另一实验组的数据，作者表示不影响论文主要结论；7月30日《自然》对被质疑论文整体公布「两篇撤稿、一篇更正」的处理结果。是否构成数据造假，仍以期刊与科研主管部门的正式结论为准，公开报道口径目前是「被质疑」与「更正」。
Q: AI检测论文造假具体靠什么方法？
主要四条路径：一是图像取证，识别电泳条带、显微图像的重复使用、翻转裁剪与拼接痕迹；二是统计异常检测，用末位数字分布等检验找出「过于规整」的编造数据；三是文本与投稿行为筛查，识别论文工厂的模板化产品和批量代写网络；四是复现辅助，让AI按论文方法描述复核统计分析，标出对不上的地方。
Q: AI查重造假能替代审稿人吗？
不能。AI有三个绕不开的局限：误报（合法图像处理会被误标，须人工复核）、对抗（造假手法随检测升级而进化）、以及AI自身的幻觉（用大模型审查时它也可能给出错误判断）。现阶段合理分工是AI筛疑点、人做裁决——定性学术不端涉及研究者声誉与程序正义，必须由人依据正式流程完成。
Q: 普通学生写论文，怎么用AI避免踩「学术不端」的坑？
守住「AI说的每一句都要验过」这条线：文献引用逐条回原文核实，别直接采信对话式AI给出的参考文献；用跨库检索工具找一手来源；用AI搭综述框架但结论回到原始论文确认；数据和分析如实记录可复现。AI降低的是执行门槛，判断和核实的责任始终在人。
💬 评论