夜雨聆风顶刊雷达 · 本周 Day 7。美国 NIH 的 David Resnik 和西北大学的 Mohammad Hosseini，发表在 Nature Machine Intelligence（DOI 10.1038/s42256-026-01247-3）。本周从周一 Science 主编批"AI 让出版更差"开局，一路走到今天这个更根本的伦理问题：当生成式 AI 写出来的文字，可能悄悄抄袭了训练数据里某个人的"想法"，而这种抄袭几乎无法证明时，学术界该怎么办？这一篇拆 6 件事：什么是"逐字剽窃"vs"想法剽窃"、为什么 AI 让想法剽窃变得又常见又难证明、要不要干脆把"想法剽窃"从定义里删掉、能不能像版权那样搞"严格责任"、美国 NSF 已经怎么改了定义、以及一个不变的底线。
先立一个基础。1990 年代初，科学界形成了一个共识：学术不端有三种，即编造数据、篡改数据、剽窃。剽窃本质上是一种"智力盗窃"，它侵蚀科学家之间的信任、扭曲学术记录和成果归属、打击原创。被认定学术不端的人，会面临被取消经费、被解雇等严重后果。 生成式 AI（GenAI）正在动摇这个共识。AI 工具很容易生成跟训练数据里原始来源高度相似的文字，如果不注明出处，这就构成剽窃。更麻烦的是想法层面：作者举了一个真实例子，一位 AI 研究者最近被告知，一个 AI agent 抄了他的方法，却没有注明出处。这类事以后只会越来越多。 核心难题在于：GenAI 是靠"重排和改写"训练数据里的内容来产出的，那些启发了 AI 输出的原始想法，往往深藏在程序架构里，几乎不可能追溯到源头。你能通过改写躲过"逐字剽窃"，但底层的"想法剽窃"照样发生，而且没有一段可以对比的原文，让你根本无从证明。 所以问题被精确地提炼成一句话："在 GenAI 时代，如果'想法剽窃'越来越常见、却又越来越难证明，我们该怎么处理它？"作者讨论了两个激进选项（删掉它、或搞严格责任），最后给出一个务实的折中：不用大改定义，但要让学术不端政策明确把 AI 纳入进来，美国 NSF 已经这么做了。 |
速览 · 4 个关键坐标
|
一、剽窃为什么是"重罪"
先讲清楚剽窃在学术里的分量。1990 年代初，科学界把学术不端归为三类：编造数据（或图像）、篡改数据、剽窃。这三样被放在一起，是因为它们都严重损害科研的诚信。
编造和篡改的共同点是"传播虚假"，破坏科研记录的可靠性。而剽窃本质上是"智力盗窃"：它侵蚀科学家之间的信任、扭曲学术记录和成果归属、打击原创和探索。被认定学术不端的后果很重：取消经费资格、解雇。
目前最通行的定义都把剽窃分为两种对象。美国科技政策办公室（被多个联邦资助机构采用）的定义是："未经适当注明，就挪用他人的想法、过程、结果或文字。"欧洲科学院联合会（ALLEA）的定义类似。注意，这些定义里，"想法"和"文字"是并列的两个被保护对象，这正是后面所有麻烦的根源。
二、逐字剽窃 vs 想法剽窃 · AI 让后者失控
这篇文章最核心的区分，是两种剽窃：
GenAI 让这个区分变得棘手。作者指出：仔细写提示词、用改写、用查重软件，可以减少"逐字剽窃"的风险，但消不掉"想法剽窃"的可能性。因为 AI 就是靠重排和改写训练数据来产出的，你把文字改得面目全非，底层的想法照样是抄的。
最致命的一点：那些启发了 AI 输出的原始想法，深藏在程序架构里，几乎不可能追溯到源头。没有一段能拿去对比的原文，指控就无从落地。作者举的真实例子很典型：一位 AI 研究者被告知，一个 AI agent 抄了他的方法却没注明出处。这类事以后只会更多。
三、为什么"想法一样"这件事天生难判
想法剽窃难证明，不只是因为 AI 藏了源头，还因为"两个想法到底算不算同一个"本身就是个哲学难题。
作者说，这个问题在专利法（两个专利权利要求是否相同？）和版权法（两首乐曲是否相同？）里都有对应，而且都不好解。因为判断两个想法是否不同，取决于语境：想法怎么被不同的人使用、理解，会影响判断。
正因为如此，作者点出一个现实数据：美国联邦机构确认的剽窃案例，绝大多数都是"大段逐字照抄"，而不是"想法剽窃"。不是想法剽窃不严重，而是它太难证明，根本立不了案。于是核心难题被精确提炼成：在 GenAI 时代，一种越来越常见、却越来越难证明的错误行为，该怎么处理？
Resnik & Hosseini · 核心困境 越来越常见却越来越难证明 AI 让"想法剽窃"成了无解的悖论 启发 AI 的原始想法深藏在架构里没有一段原文可以拿去比对 数据来源：Nature Machine Intelligence Comment（2026-05-18）· DOI 10.1038/s42256-026-01247-3 NIH · Northwestern · 科研 AGENT 实验室 |
↑ 长按保存或截图发到 学术伦理 / 科研诚信 / AI 治理群
四、两个激进选项 · 各有硬伤
面对这个困境，作者摆出两个激进方案，逐一权衡：
选项 A · 干脆把"想法剽窃"从定义里删掉 支持理由：它难以执行、几乎不被执行，留着反而让人不把剽窃当回事；删掉能省下机构在"注定无果的指控"上耗费的时间和资源 反对理由：想法剽窃在某些场景极具破坏性，比如导师偷学生的想法、评审偷申请书或投稿里的想法。机构、资助方、期刊仍然需要一种严肃对待它的方式。所以作者不建议删 |
选项 B · 把剽窃当"严格责任"来罚（像版权侵权那样） 现在的规则要证明"当事人是明知、故意或鲁莽地"做的，而用了 AI 的人总能辩解"我是无心之失"。严格责任就是取消"无心之失"这个辩护，让证明剽窃变得容易得多 好处：会逼用 AI 的研究者认真对待剽窃责任，主动仔细检查 AI 辅助的成果 坏处：可能"打开剽窃指控的闸门"，海量指控涌来，压垮负责执法的科研诚信办公室 |
作者的结论很坦诚：两个选项都有可取之处，也都有明显缺陷。删掉太放纵，严格责任又可能失控。所以他们不走极端，转向第三条路。
五、务实解法 · 让政策明确把 AI 写进去
作者的主张是：不用大改剽窃的定义或举证标准，但科研不端政策应该明确把 GenAI 纳入考量。做法很简单：让研究者清楚知道，用 AI 时同样可能构成剽窃和其他不端。
美国国家科学基金会（NSF）在 2025 年 12 月修订学术不端定义时，正是这么做的。新定义是：
"学术不端指编造、篡改或剽窃，无论是个人直接实施，还是通过使用或借助其他人、实体或工具（包括基于人工智能（AI）的工具）实施，只要发生在申请或执行 NSF 资助的研究、评审提交给 NSF 的研究申请、或报告 NSF 资助的研究成果中。" |
这句话虽然没有把剽窃变成"严格责任"那么激进，但它清清楚楚地说明：用 AI 工具时，一样可能构成学术不端。它把责任压回到研究者身上，向整个科研界发出信号：用 AI，就要承担相应的道德和法律责任。
六、不变的底线
这篇文章的落点，是一句朴素但坚定的话：无论用什么工具，人本身必须对自己研究的质量和诚信负责。尤其是像 GenAI 这种一旦用得不当就会破坏诚实、归属、问责等科研规范的工具。工具可以变，但"人对结果负责"这条底线不能变。
用这一篇给本周收官，正好把一条线收拢。这周七篇看似分散，其实指向同一个主题：
- 周一
Science 主编说 AI 让科学出版更慢更差更贵 - 周二
数学家发莱顿宣言，担心 AI 侵蚀透明与归属 - 周三
UniFFBench 用真实实验卡住漂亮的 AI 跑分 - 周四
AI 想取代动物实验，但监管这道验证关卡得很严 - 周五
一国信不信任医疗系统，决定人们把 AI 当替身还是助手 - 周六
伦敦靠"给 AI 做安全守门人"在美中之外抢到位置 - 周日（本文）
AI 时代想法归谁，靠人来负责
七天七篇，回答的是同一个问题：AI 让科研跑得越来越快，但"谁来验证它、谁来对它负责、谁来给它划边界"这些问题，答案始终是人。这就是本周顶刊雷达想留给你的一句话。
数据来源 · 访问层级说明 Plagiarism of ideas in the age of generative artificial intelligence，Nature Machine Intelligence Comment · 8 卷 860-861 页（Published online 2026-05-18）· DOI 10.1038/s42256-026-01247-3 ｜） |
💬 评论区聊聊 如果一个 AI agent 抄了你的方法却没注明出处，你能证明吗、又能找谁负责？你支持把剽窃当"严格责任"来罚（取消"无心之失"这个辩护）吗？还是觉得那样会误伤一大批诚实用 AI 的人？作者说"想法归谁、最终靠人负责"，但当写作、查重、评审都在用 AI 时，这条底线还守得住吗？如果你是导师或评审，你会怎么处理"用 AI 却疑似抄了想法"这种灰色地带？ 📤 发给身边做科研 / 学术伦理 / 期刊编辑 / 研究生培养的人 把这一篇发给他。"AI 时代的想法剽窃"是每一个用 AI 写论文、审稿、带学生的人迟早会撞上的问题。NSF 已经改了定义，其他机构大概率会跟进。早想清楚，比事后被指控好。 |
📂 顶刊雷达 · 本周 7 篇收官 今天是本周收官日。这一周从"AI 让出版更差"开局，经过 AI 数学、材料力场、动物实验、健康使用、AI 安全格局，收在"AI 时代的想法剽窃"。七篇的共同底色是：AI 跑得快，但验证、负责、划边界，最终都要靠人。 |
科研 AGENT 实验室 · 顶刊雷达 · Nature MI 生成式 AI 时代的想法剽窃
2026-07-26
