那一刻我意识到，这不是一个人的问题，而是一代科研人的普遍心态——用最快的方式处理数据，却从没想过数据离开实验室之后会发生什么。从那以后，我在课题组定了一条规矩：严禁把未发表的实验数据、工艺参数、研究思路上传到公共AI平台。查文献、整理参考文献格式这些不涉及核心数据的工作可以用AI，但涉及未发表的数据和实验方案，一律禁止。

后来的多起泄密事件证明，这个担心并非多余。2025年7月，国安部披露某科研人员将核心数据上传至AI应用软件，致涉密信息泄露。同年9月，ChatGPT Deep Research功能曝出零点击漏洞，攻击者只需一封恶意邮件，即可在用户毫不知情的情况下窃取敏感数据。看着这些新闻，我想起了那个学生。如果当时没有拦住他，那些数据现在会在哪里？

讲述人：中国科学院大学资源与环境学院副教授 蔡晓琳

在长期参与环境领域同行评议工作的过程中，我们越来越清晰地感受到，生成式人工智能正在进入科研工作的各个环节。从文献梳理、语言修改，到代码编写、数据分析和模型预测，AI提高了信息处理效率，也拓展了研究者提出问题和验证思路的方式。但对学术期刊而言，这种变化带来的挑战并不限于论文是否像AI写的。更重要的是，当AI逐步参与知识生产，原有的披露方式、审稿标准和责任边界能否继续支撑学术信任。讨论的重点应从是否使用AI转向AI介入后，研究的可信度如何被证明、责任如何被追溯。

从环境领域的审稿实践看，一篇结构完整、表达流畅、图表齐备的论文可以更快形成，但文本的完整性越来越难以代表研究本身的扎实程度。环境研究通常涉及采样、实验分析、仪器表征、统计建模和机理解释，结论还受到区域特征、时间尺度和实验条件等因素制约。AI能够迅速连接概念、补充论述，也可能用看似合理的表达掩盖数据来源不清、条件交代不足或证据链断裂的情况。编辑和审稿人因此需要追问：数据从何而来？方法能否复现？推论是否超出证据边界？

审核难，在很大程度上源于AI放大了同行评议原有的信息不对称。审稿人能够看到作者提交的文本和材料，却未必能够还原数据处理与结论形成的全过程。仅凭措辞判断AI痕迹，既可能误伤正常写作，也无法识别经过人工修饰但研究过程并不可靠的稿件。审核标准应回到科学证据本身，并以更透明的研究过程降低判断难度。

界定难，则要求期刊更新AI披露制度。当前期刊常见的“使用”或“未使用”二元声明过于笼统，应让披露程度与AI对研究判断的影响相匹配。AI仅用于语言润色、格式调整等常规辅助，可以简要说明；如果参与数据清理、参数选择、模型构建、图表生成或文献归纳，并影响结果解释，就应交代具体用途和人工核验方式；若进一步参与实验设计、模拟或合成数据生成、关键推断以及核心结论形成，则需提供更充分的输入信息、验证过程和可复现材料。AI帮助研究者提出假设，不宜被一概视为越界。真正需要警惕的是隐瞒实质性使用、以生成内容替代真实证据，或把未经验证的输出直接写成科学结论。

对涉及AI的研究，应重点核查数据是否真实且可追溯，模型训练与验证是否清楚，关键处理步骤能否复现，不确定性是否如实呈现，结论是否得到独立数据或实验支持。在环境研究中，还要关注模型结果能否对应真实环境条件，局部数据得到的规律是否被过度外推。AI对研究过程影响越深，作者越有责任提供充分的透明度和可核查材料。

同行评议本身也需要新的规范。AI可以帮助审稿人整理问题、检查表达，但不能替代其对创新性、方法合理性和结论强度作出独立判断。审稿稿件通常包含未公开的数据、思路和合作信息，未经许可，不应上传至缺乏保密保障的开放式工具。即使期刊允许在安全条件下使用AI辅助，审稿人仍应对最终意见负责，编辑也应防止语言流畅但内容空泛的模板化评议影响决策。（项目团队：记者 崔兴毅、陈海波 通讯员 王语涵）