近日，一篇发表在《Journal of Membrane Science》（JMS，中科院工程技术一区Top期刊，IF=8.8）的论文，在社交平台上引发了广泛讨论。

让人震惊的，并不是这篇文章发表在顶刊上，而是——在论文图2的右下角，竟然疑似出现了“豆包AI生成”的水印。没错，就是那个我们平时经常用来生成图片、写文案、做内容辅助的“豆包”。

此外，还存在SEM图标尺问题。e图是f指定区域放大，但是两者的标尺一样。

SEM尺寸判断应依赖原始图像、仪器元数据和统一标尺校准，而不能仅靠后期人工或AI绘制的箭头与文字标注。

看到这里，很难不冒出那句话：世界是一个巨大的草台班子。

如今，AI进入科研已经不是新鲜事。

不管是硕博研究生，还是青年科研教师，大多都会借助AI工具辅助科研工作：梳理海量文献、润色论文语言、排查代码漏洞、优化图表版式、绘制研究示意图……这些都是当下科研场景中十分常见的AI应用方式。

不可否认，AI切实提升了科研工作的整体效率。尤其是对于非英语母语的科研从业者来说，AI在优化论文语言表达、梳理文章逻辑结构上，能够起到很好的辅助作用，有效降低了科研写作的门槛。

但科研中的AI使用，和普通内容创作中的AI使用，有一个根本区别：科研成果必须可追溯、可解释、可验证。

Elsevier关于生成式AI的期刊政策中明确强调，作者可以在一定范围内使用AI工具辅助稿件准备，但不能让AI替代人的批判性思考、专业判断和研究责任；如果使用AI工具，需要进行透明披露，作者仍需对最终内容负责。

对于图片和图表，Elsevier的政策也区分得很清楚：概念图、流程图等解释性图片，在符合披露要求的情况下可以使用AI辅助；但对于研究数据图、原始观测图像等内容，必须保证其来源于真实数据和可重复的方法，不能用AI去伪造、发明或不当修改研究结果。

也就是说，问题不是“科研能不能用AI”，而是：

AI到底参与了什么？参与到什么程度？有没有在图注、方法或AI声明中说明？

如果只是辅助排版，和直接重绘数据曲线，是完全不同的性质。

这件事之所以引发关注，还有一个重要原因：它发生在顶刊论文中。

顶刊从来不是只靠高影响因子撑门面，它背后配套的是更严苛的审稿门槛、全流程规范化出版审核，以及行业公认的学术权威度。在大众和同行的固有认知里，能登上顶刊的文章，必然走完作者自我核查、同行专家评审、责任编辑层层筛选、出版前终稿校对整套流程，各环节都会把好关。

可倘若论文配图角落还留有清晰水印这类低级疏漏，足以说明期刊在图表质量核验这一环出现了明显把关漏洞。当然，这类细节瑕疵不直接等同于整篇论文核心结论失真，但也给整个学术出版行业敲响了警钟：全面拥抱 AI 的科研环境下，期刊配套的技术核查机制，必须同步迭代更新。

早些年期刊查重仅针对文字内容比对，后续逐步新增图片重复比对、图像篡改甄别相关审核手段。放到当下与未来，审核范围还得持续拓宽：AI 生成内容溯源、原图素材来源标注、图表完整制作过程、研究全过程 AI 工具使用说明，都该纳入常态化审查清单。

AI 早已不是科研领域遥不可及的未来趋势，而是深度渗透日常实验、论文撰写的现实工具，配套的监管审核标准自然不能滞后。

☆严谨是科研基本素养，细节决定学术口碑。高分期刊看重结果，更看重过程可信；一处标尺错误、一处隐藏 AI 水印，会让审稿人质疑整篇文章所有实验的可靠性，即便实验结果创新，也可能被拒稿。

☆合理利用 AI，但不能依赖AI 。AI 是效率工具，不能替代科研思辨、实验实操、图表逻辑校验；青年研究者要建立 “先原始数据，后加工美化” 的顺序，先保证实验、图像真实严谨，再用 AI 优化表达。

☆树立全周期诚信意识。从做实验、处理图片、写初稿、修改终稿到发表后，每一步都要可追溯、可解释，不存在“无伤大雅” 的小违规，学术生涯容错空间极小。

☆投稿前一定逐图放大检查。水印、错别字、坐标单位、峰位标注、图例颜色、分辨率、字体、比例尺，这些细节都会影响论文的专业性。很多时候，决定一篇论文观感的，不是模型多高级，而是细节有没有经得起审查。

版权声明：本文来源研途星辰、经典SCI解读、川柏同学等，版权归原作者所有。注：文中观点仅代表作者，内容仅做学术分享之用。转载本文请联系原作者获取授权，同时请注明本文来源。