梳理目前被指出的四大疑点(仅为疑点,不等于实锤造假,最终结论以编辑部调查、原始数据为准):
- 肿瘤形态高度同质化:真实剥离的皮下瘤形态随机、色泽不均;AI 生成图缺少真实生物组织的随机变异,趋向统一、光滑。
- 比例尺硬伤:标准钢尺 1cm=10mm,图中 1 厘米区间出现 12 个刻度,属于典型 AI 幻觉,也是近年多篇撤稿论文的共同特征。
- 共聚焦荧光图复用嫌疑:不同处理组的细胞位置、形态高度重合,仅亮度有差异,不符合独立视野拍摄的随机性。
- WB 条带过度规整:真实 WB 曝光自带噪点、边缘弥散;该图条带锐利平滑,类似 PPT 矢量绘制效果。
很多人会问:现在 AI 检测工具这么多,为什么抓不住?今年 arXiv 上 SciFigDetect 的基准测试给出答案:市面上绝大多数 AI 鉴伪模型,训练素材以人像、风景图为主;面对 WB、荧光、动物大体图这类结构化科研图,识别效率大幅下滑。AI 画图迭代很快,鉴伪工具却跟不上,现阶段最可靠的筛查,依旧是懂实验逻辑的人眼。
各大出版社的政策其实早已明确:Springer Nature 原则上不允许生成式 AI 图像直接用于发表;Elsevier、Wiley 等均要求主动申报 AI 使用,AI 不能作为作者。但审稿人力有限,同行评审优先看科学逻辑,很难逐张核对刻度、阴影、噪点,给 AI 假图留下了 “灯下黑” 的空间。
最需要警惕的,是科研人心里的捷径思维:实验做不出来、P 值不理想,第一反应不是优化方案、补实验,而是 P 图、AI 生成凑图。当下的监管环境和五年前完全不同:卫健委持续通报论文工厂,倒查周期拉长;科技部 24 号令明确,隐瞒 AI 使用、AI 生成内容冒充原始实验数据属于科研诚信红线;期刊之间图片数据库交叉比对,重复素材很容易被批量识别。一旦坐实,撤稿只是第一步,连锁影响覆盖职称评审、基金申报、学位、导师招生资格。
高分期刊、热门机制、漂亮的图表,都不能替代原始实验记录。图表不是美化 PPT 的素材,是科研结论的根基。虾滑适合火锅,千万不要拿来赌你的学术生涯。


雷达卡


京公网安备 11010802022788号







