自大型語言模型問世以來，人工智能（AI）已廣泛應用於知識獲取、數據分析和學術寫作等領域，顯著提升了學習與研究效率。

但AI賦能科學研究的同時，也催生了“AI洗稿”“數據裝飾”“代筆”等一系列新型科研誠信問題。以“算法參與”為特征的科研模式，導致了貢獻界定模糊、研究過程不透明、結果可解釋性下降等一系列新問題。更復雜的是，AI系統可能攜帶算法偏見，甚至生成虛假或誤導性內容，這使研究結果的可靠性面臨嚴峻挑戰。

如何應對這些新挑戰，已成為關乎科學事業健康發展的重要課題，記者就此進行了調研採訪。

AI浪潮下，新舊問題漸次浮現

“AI對學術出版生態最核心的沖擊，是科研生產力的大幅提升與滯后的科研生產關系之間矛盾的加劇。”清華大學圖書館館長金兼斌觀察到，一方面，從科學問題的提出與篩選到學術成果的產出，AI都在深度賦能科研﹔另一方面，從數據、圖表造假到論文的AI生成，科研過程中的AI濫用日益嚴重，“學術誠信事件頻發，論文撤稿大量增加。撤稿論文中有明顯AI參與生成的比例顯著高於非撤稿論文”。

在金兼斌看來，學術誠信並非新問題，只是在AI時代被進一步放大，有了新的造假途徑和方式﹔但新問題同樣存在——人們開展科研的方式正在被重塑。“比如文獻綜述環節，今后會越來越依賴AI完成。沒有進入學科知識大模型語料的文獻，對后續研究的影響將趨近於零。”金兼斌說。

上海交通大學醫學院圖書館館長仇曉春則從另一個角度感受到沖擊：當AI參與論文的起草、構思甚至數據生成，傳統的作者概念受到根本挑戰，AI生成的文本模糊了抄襲與創新的界限﹔一些審稿人用AI撰寫評審意見，導致評議質量下滑、內容趨同。“‘Publish or Perish’（不發表就出局）的循環加劇，此前側重文獻計量分析的學術評價體系面臨風險。”仇曉春說。

對於這些問題，Frontiers（前沿）出版社首席執行總編范洺菘提出：“一個非常明顯的趨勢是，AI已經成為科學研究和新興技術的基礎設施。”在他看來，治理的起點在於區分“誠實使用AI”與“惡意使用AI”——很多非英語母語的科研人員用AI提升論文語言質量，“他們只是用工具改善了論文表達，這沒有任何問題”﹔而用AI編造虛假內容冒充真實研究成果，則必須被識別和阻斷。

還有一些新問題。“比如，AI的介入模糊了責任邊界。大模型生成的錯誤或‘幻覺’內容，應被視為‘誠實的錯誤’還是歸責於使用者？大模型能否作為作者或共同作者？”中國科學院院士梅宏在接受採訪時舉例說，“操縱AI審稿”等新伎倆已經出現，如在論文中隱藏“僅限正面評價”的指令，以欺騙AI評審系統。

算法的尺，能量得出真貢獻嗎？

技術與規則之外，更深層的是AI對科研評價體系的影響。

“‘唯論文’導向的學術考評制度，是導致各種學術誠信和學術出版問題的源泉。”金兼斌直言，基於發表量、引用量的量化考評，不斷制造學者對論文發表的需求和大學對於排名的追逐，“學術出版過度商業化的傾向正在異化科學研究和學術發表的本質，掠奪性期刊、論文工廠、署名交易正是這種異化的直接表現”。

對此，金兼斌建議，大力加強本土優秀學術期刊建設，推進本土預印本平台和機構知識庫建設﹔圖書館則應充分發揮掌握本校科研教學數據的優勢，打破簡單依賴發表量和引用量的考核模式，推動構建多元考評體系。

然而，更深層的挑戰在於，“唯論文”評價體系已經難以適應AI for Science（人工智能驅動的科學研究）帶來的科研活動多元化特征。中國科學院院士、北京大學教授鄂維南在接受採訪時就表示，科研成果的體現形式不應再局限於期刊論文這一“中間態”。

“一個革命性的想法、一套高質量的科學數據、一個被廣泛使用的軟件工具，其科學價值與社會影響力，可能遠超一篇普通論文。”鄂維南透露，目前正在探索基於大數據的新一代評價方法，“利用‘玻爾平台’等新型基礎設施匯聚的科研全過程數據，我們可以嘗試對科研人員的‘想法—工具—數據—論文’這一全鏈條貢獻進行更精細、更公正的度量”。

“這將有助於引導科研人員回歸解決真問題的軌道，減少為發表文章而進行的重復性、跟風式研究，把寶貴的智力資源投入真正的原始創新和關鍵技術攻關上。”鄂維南說。

“唯論文數量、唯職稱、唯學歷、唯獎項，加上期刊影響因子，本質上都是考核人員用來回避深度評價工作的簡便指標。”在范洺菘看來，科研評價本身就是非常艱難的工作，真正公平的評價，是深入理解一個人實際完成了什麼工作，這項工作的真實價值是什麼。

“而AI恰恰能在這裡發揮作用，對不具備特定學科背景的考核人員而言，AI可以成為強大的對標工具，將一個人的工作與同領域的整體水平進行比較。”范洺菘同時提醒，任何工具都有兩面性，如果訓練數據本身無法覆蓋科研全鏈條貢獻，或者算法設計陷入另一種簡化主義，那麼看似客觀的AI評分反而可能制造出更隱蔽的偏差，讓評價失去應有的深度與溫度。

數據的鏡，能照見責任邊界嗎？

中國科學院院士譚鐵牛警示：AI生成的虛假或錯誤內容，若未被有效識別而進入學術傳播鏈條，長期危害不容小覷。“人工智能對於科學研究而言，既是賦能創新的‘阿拉丁神燈’，也可能是開啟風險的‘潘多拉魔盒’。”譚鐵牛說。

在此背景下，讓原始數據可獲取、可核驗，便成了驗証科研誠信的直接途徑。

金兼斌認為，需要從制度與技術兩個維度劃定責任邊界。他呼吁，應建立覆蓋研究全周期的數據透明規范，要求科研人員在發表成果時，同步提交關鍵原始數據、算法代碼與處理流程，並借助區塊鏈等技術實現數據溯源和防篡改。

“當每一個數據點都可以回溯，每一次AI介入都有清晰記錄，‘誠實錯誤’與‘惡意造假’的界限就不難厘清，責任就有了落腳點。”在金兼斌看來，越是AI深度參與的研究，越需要以透明贏得信任，以可復現性作為衡量研究可靠性的核心標尺。

數據核驗是守住結果的底線，而學術出版的過程同樣需要透明與協作。

范洺菘建議，應把評審重心放在論文本身，而非作者資歷背景，“我們正探索將傳統同行評審轉變為審稿人與作者實時互動的協作式評審，為青年學者提供與資深科學家合作主持專刊、擔任科學編輯的機會”。

這一過程中，AI可以扮演“公正助手”的角色。

“自動隱去作者身份信息，實時分析評審意見是否聚焦於內容而非資歷，甚至輔助比對已有研究數據，讓青年學者的創新不被盲目的偏見遮蔽。”范洺菘直言，“但工具終歸是工具，協作式評審的真正溫度，仍來自人與人的坦誠對話，來自前輩對后輩的托舉與信任——這是算法無法計算的價值。”

審稿公平只是學術生態的一環，更根本的防線在於讓評價體系回歸人的判斷。

“通過構建多元賽道、提供長周期支持、嚴守學風底線，努力將制度壓力轉化為學術動力。”仇曉春認為，圖書館也將迎來從“資源倉庫”向“評價智庫”轉型的關鍵機遇——通過整合多維數據、提供多維度影響力報告，幫助評審專家從更多視角理解一項成果的價值。

“但報告提供的是信息而非判決，AI計算出的影響力分數永遠無法替代同行對一項工作內在突破的深刻洞察。”仇曉春直言，“評價改革的核心，正是讓AI成為照亮學術貢獻全貌的鏡子，而非裁剪人才與創造力的刀子——如此，技術才能真正服務於人，服務於科學那不可被量化的好奇心與遠見。”（本報記者 崔興毅）