AI 写的论文一眼假,问题不在 AI

凌晨两点。

小李把毕业论文的题目复制下来，粘到ChatGPT对话框，打了一行字：

帮我写一篇8000字的硕士毕业论文，主题如上，要求格式规范，参考文献完整。

发送。

二十分钟后，一份看上去挺像样的论文跳了出来。摘要、引言、文献综述、方法、实验、讨论、结论、参考文献，该有的都有。小李扫了两眼，提交给导师。

三天后，导师只回了一句：

你这文献里的张三2022，我从没听说过这个人。

后面那段对话不复述了。能告诉你的是：小李毕业延期了一年。

我手上接触过、朋友转述过、贴吧里传得最广的版本，大概有这么几种现场：

•

投出去的论文里夹着AI编的参考文献，审稿人一眼看出问题。

•

答辩现场被老师指着PPT问你这里写“决策树更好地捕捉了非线性特征”，凭什么——学生愣住，因为这句话其实是AI写的，他自己也没想过为什么。

•

查重通过了，AI检测也通过了，导师读完只问一句这一段你能不能用自己的话讲一遍。讲不出来。

•

实验数据被怀疑是凑出来的。后来发现确实是AI凑的——你没给真实数据，它就自己补一组看着合理的。

这些故事的共性，一句话讲完：

翻车的不是AI。翻车的是把AI当研究员用的人。

你可能想问：不就是让AI直接写吗，要这么麻烦？

我反问你：如果AI直接写就行，为什么这些事还在每天发生？

愿意点开这篇文章读到这里的人，我猜不是真想躺平水学位的那一批——那批人压根不会读公众号长文，他们只用工具。你大概率属于另一种：想用AI偷懒，但又怕翻车。

这个系列就是写给你的。

不打算劝你别用AI，也不打算告诉你AI是工具，关键看怎么用这种正确的废话。我用7篇文章，把AI在论文写作每一个环节里能干什么、不能干什么、踩了哪些坑会要命，一条一条拆给你看。

能省的力都帮你省下来。不能省的判断，留给你自己。

回到开头那个问题：小李那种把题目甩给AI让它整一篇的用法，为什么必翻车？

不是AI笨，也不是AI不努力。

是因为这种用法，触发了大模型最擅长的一件事：

编。

大模型的训练目标，从一开始就不是回答正确，而是回答得像。它在海量文本里学的是——这种问题后面通常跟什么样的回答，而不是这个问题的标准答案是什么。

所以当你把写一篇论文，主题是XX丢过去，它脑子里浮现的不是我去查一下相关研究，而是：

一篇关于XX的论文，通常长什么样？

接下来它就按那个通常的样子填空。该有摘要的位置填一段看起来像摘要的东西，该有参考文献的位置填一组看起来像参考文献的东西。

那个张三2022是不是真的存在，模型既不知道、也不在乎。它只在乎填出来的东西像不像一篇论文。

讲到这里，翻车的三个机制就清楚了：

1.

缺文献，只能编。你没给它资料，它就照训练里见过的样式补一组。

2.

缺数据，只能编。你没采数据，它就给你补一组看着合理的数字。

3.

为了交差，只能编。你催它要8000字，它就凑8000字。中间用 由此可见、综上所述 糊过去。

合在一起，就是大模型在论文场景里最大的雷区。它不是故意骗你，它是被训练目标推着走。

能。

这个系列后面6篇，都在回答怎么用：

•

怎么把AI框死，让它老实交代；

•

怎么让AI帮你搭骨架，但不替你立题；

•

怎么让AI帮你串文献，但不让它编引用；

•

怎么让AI帮你描述数据，但不让它解释机制；

•

怎么把AI用得既省力又不翻车。

但所有这些用法，前提是同一个判断：

AI是打字员，不是研究员。

这句话拆开来讲，就是：

判断留给人，表达交给工具。

研究问题是什么，你定。 创新点在哪里，你定。 这一段为什么这么写，你定。 什么样的数据能支持什么样的结论，你定。

剩下那些纯粹是打字的活——把判断变成符合学术规范的文字、把粗糙的句子润成像样的段落、把一堆文献用过得去的语言串起来——交给AI。

把这两件事搞混的人，论文必翻车。 把这两件事分开的人，AI是顺手的工具。

每一篇都会带一个真实翻车案例、一份可复制的指令模板、一个能立刻动手的检查动作。

不卖焦虑，不打鸡血。就告诉你怎么把这件事做对。

下一篇见。

我们从最基础的那一步开始——

为什么同一个问题，有人问AI得到的是一段满是张三李四的文字，有人问AI却让它老实回了一句资料不足，无法撰写？

差别就在第一句话。

小李的第一句话是——

帮我写一篇8000字的硕士毕业论文，主题如上，要求格式规范，参考文献完整。

下一篇你会看到另一句开场。两句话长得不像，但分岔就从这里开始。