AI伪造论文实验揭示科研诚信新危机，2025年57%学术论文含LLM痕迹

一项由IEEE组织的实证实验近日引发学界震动：研究人员仅通过自然语言提示，便让大语言模型（LLM）生成了一篇结构完整、包含假设推导、代码实现与结论分析的“伪科研论文”，并尝试提交至开放获取期刊IEEE Access。该实验并非为制造混乱，而是以“战棋推演”方式检验当前学术出版防线的脆弱性——结果令人不安：在未刻意规避检测的前提下，这篇AI主导生成的论文几乎通过了初筛流程。

这一实验呼应了近期多项权威统计所揭示的趋势。据《美国国家科学院院刊》（PNAS）2026年发布的研究，2025年全球已发表学术论文中，57% 出现可检测的大语言模型使用痕迹，相较2023年的12%呈断崖式上升。更值得注意的是，在《自然·通讯》（Nature Communications）2025年收到的审稿意见中，超过12%被确认为完全这意味着实际AI渗透率可能远高于公开数据。

图中橙色方块代表唯一一份明确披露AI使用的论文，其余灰色方块均为未披露但具LLM特征的论文，直观呈现“披露缺口”之巨大。

问题的核心不在于AI是否可用，而在于其如何被使用。中国学者饶毅在近期文章中指出：“现在AI不仅能打假，更能造假，而且可以造出越来越‘完美’的数据，符合各种统计规律和生物学逻辑。”他警示，某些组学服务公司甚至能根据客户暗示的预期结果，逆向生成一整套包含“原始数据文件”的组学报告——仪器无需开机，实验过程全由算法模拟完成。

这种“结果导向型伪造”比传统抄袭更具隐蔽性。真实实验产生的数据本就存在重复值、离群点或非理想分布，反而是那些“零瑕疵”、处处符合统计模型的论文更值得怀疑。饶毅举例称，自己团队课题中曾出现零星重复数值，经核查原始记录并无问题；而若干被AI检测工具判定“无异常”的论文，反而可能是精心设计的造假产物。

技术层面的攻防正陷入“道高一尺，魔高一丈”的循环。邓履翔，中南大学《交通安全与环境（英文）》编辑部主任，在学术论坛中分享了编辑实践中的真实困境：有作者因行文风格被系统标记为“疑似AI生成”而遭退稿，尽管全文为其亲手撰写；另一些稿件则直接将AI界面中的“Regenerate response”等操作提示语带入正文，或引用AI虚构的文献条目——这些低级错误尚易识别，但更深层的风险在于：作者将AI生成内容未经核验即视为可靠依据，尤其在参考文献与图像环节。

他强调，合规使用AI的关键在于“核验与责任不能缺位”。例如，AI可辅助检索文献线索，但必须逐条验证原文是否存在、内容是否相关；概念图可

现实案例已开始显现后果。2026年10月，河北大学通报一起博士论文涉嫌学术不端事件：文学院毕业生康某某的《辽代碑志文研究》被举报存在虚构参考文献、出版社信息造假、史实错误及明显AI句式特征。学校迅速成立专班调查，并重申“零容忍”立场。事件虽尚未定论，但暴露出人文社科领域同样面临AI伪造风险——书名、作者、出版年份等细节若未经原始文献回溯确认，极易形成系统性信用崩塌。

图中邓履翔正在讲解AIGC使用边界问题，背景屏幕左侧为《自然》杂志关于OpenAI发布700份数学预印本的报道，右侧为AI绘制的“科研人员用起重机搬运知识球体”插画，隐喻技术力量对传统科研范式的冲击。

值得注意的是，AI伪造已不限于学术圈。2026年10月下旬，四川警方通报一起诈骗案：一名男子利用AI生成其父卧病照片，编造“父亲患癌”“公司周转困难”等谎言，骗取亲友170余万元用于炒股亏损，最终被刑拘。该案虽属社会事件，却揭示同一技术路径——从生成可信视觉证据到构建完整叙事链条——在不同场景下均能快速瓦解信任机制。

IEEE研究诚信经理Amanda Sulicz直言：“这不仅是科学记录受威胁，而是整个科学体系正在被侵蚀。”她指出，同行评审本依赖志愿者无偿付出，而面对指数级增长的AI生成内容，现有筛查手段既滞后又低效。部分期刊已引入AI检测工具，但其误报率高、可绕过性强，且无法判断内容真实性——只能识别“像AI写的”，不能证明“是假的”。

更深层的矛盾在于激励机制。当科研评价过度依赖论文数量与影响因子，而发表周期压缩、经费竞争加剧时，部分研究者可能转向“效率优先”的AI辅助路径，甚至滑向主动造假。饶毅提出一个尖锐问题：若作者为通过AI打假检测，将真实数据中合理的重复值人为修改为“更自然”的分布，这算造假还是“造真”？答案虽在伦理规范中明确，但执行层面的模糊地带正被技术放大。

目前，国际主流出版机构正推动三项应对措施：一是强制披露AI使用范围（如用于语言润色、数据分析或图表生成），二是要求作者提供关键步骤的可复现记录，三是建立跨期刊共享的可疑内容数据库。然而，这些举措仍属被动防御。

真正的转机或许在于重构科研文化：将“可复现性”置于“发表速度”之上，鼓励负结果与探索性研究公开，降低对单一论文的过度依赖.否则，当论文数据越来越“完美”，科学离真实可能越来越远。