编者按：从想点子，到做实验、写论文，AI正深度介入科学研究的全过程。但效率提升的背后，原创归属、数据“美化”、实验“缺席”、信息泄露、论文审核等问题接踵而至，科研诚信和学术规范面临重新审视。

本期邀请五位一线科研人员，分享AI给他们带来的变化和思考。从他们的讲述里，我们可以读到一个共同的希冀：AI时代，我们需要建立新的学术规范。

讲述人：南京航空航天大学物理学院副研究员 曹水艳

这些年，我一直从事微纳光子学及相关交叉领域的研究，围绕二维材料、微纳光学器件、光电探测与光信息调控方向开展理论和实验探索。人工智能进入科研之后，我和研究生们也越来越频繁地使用大模型。查阅文献、梳理研究进展、比较技术路线，甚至讨论一个新的器件结构是否值得尝试，AI都能很快给出答案。有时，我也会直接问AI：“这个方向还能怎么创新？”几秒钟后，它可能就会列出五六个“科研点子”：换一种二维材料、引入新的光场调控自由度、把偏振和光电探测结合起来，或者进一步拓展到光逻辑、信息编码等功能。单看文字，其中一些点子甚至颇有启发性。

于是，一个以前很少遇到的问题出现了：如果科研构想、创新思路甚至选题框架最初来自AI，当它们最终形成论文、专利等科研成果时，该如何认定原创归属，又该如何界定科研人员与AI的贡献边界？

在我看来，至少从自己的微纳光子学研究经历来看，仅仅根据一个科研点子最初由谁提出，就判断其最终成果的原创归属情况，是把科学创新理解得过于简单了。我们做微纳光子学研究，经常从一个最初的器件构想开始。比如，在二维材料光电器件上引入微纳结构，通过结构设计改变局域光场，再利用二维材料的光电响应实现新的探测或调控功能。

类似的点子，现在完全可以让AI一次生成十几个。但AI生成一个“看起来新颖”的点子，与真正完成一项原创研究之间，还有很大的距离。一些科研点子乍看很有启发，但真正进行理论分析和数值模拟后，就会发现并不可行：有的是忽略了必要的边界条件；有的是采用的材料参数脱离实际；有的是理论上存在某种效应，但信号量级小到实验难以测量；还有一些所谓的“创新”，进一步检索文献才发现近期已有类似工作，其原创性本身就需要重新审视。

我越来越觉得，AI能够生成的是科研点子，而不是已经成立的科学创新。一个科研点子是否真正具有创新价值，还需要研究者结合已有研究，通过文献检索、理论分析、数值模拟乃至实验验证，不断检验其原创性和科学可行性。以微纳光子学研究为例，一个器件在理论计算中可能表现出非常理想的光谱、调制深度或偏振响应，但真正制备出来以后，材料厚度、加工误差、电极接触等因素都可能使实验结果与最初设想存在很大差异，甚至直接否定最初的构想。

而在这一过程中，新的科学问题也可能随之出现。AI也许参与了最初构想的生成，但在判断原创归属时，不应只看“谁先提出了这个想法”，更应关注在成果形成过程中，谁作出了关键的科学判断，谁完成了实质性的创造性工作。这或许才是厘清科研人员与AI贡献边界的关键。

这一判断也延伸到成果署名和知识产权。即使AI参与了最初研究思路的生成，也不能简单据此认为AI应成为论文作者或专利发明人。最终形成的科学认识或技术方案，凝结的是研究者持续判断、验证和创造的结果。更重要的是，科研成果不仅意味着“贡献”，也意味着“责任”。论文发表后，如果理论推导存在错误、实验结果无法重复，最终需要科研人员作出解释；面对同行质疑，也不能以“这个科研点子是AI生成的”来逃避责任。最终站在成果后面、对成果负责的，仍然是科研人员。

未来，一个科学构想很可能产生于反复的人机交互，“最初的点子来自谁”或许越来越难追溯，但点子的来源并不能简单等同于成果的原创归属。

讲述人：西安交通大学电信学部副教授 刘晓明

我的研究方向为时空异常检测与人工智能生成内容（AIGC）检测，研究工作可分为两部分：其一为训练模型从数据中识别异常，其二为判别文本、图像、视频是否由AI生成。两个研究方向共同的核心前提均为数据真实性。近年担任学术期刊审稿人期间，我频繁收到方法、图表、指标均无明显问题，但数据真实性存疑的投稿。