顶会论文泛滥：AI代写正在侵蚀学术信任

一位研究者在 Reddit 上发帖，呼吁顶会（top tier conferences）采取更严格的措施拒收 AI 生成的论文。帖子迅速引发共鸣，因为它戳中了一个正在蔓延的焦虑：当 AI 能轻松生成看似完整的论文时，学术会议的质量防线还守得住吗？

现场观察：连作者自己都不懂自己的论文

发帖人描述了自己在近期参加的两场 AI 顶会（A 和 A*）上的见闻。一位演讲者在被问及论文中如何表示知识图谱时，思考了五分钟才回答“用向量”。另一位则毫无顾忌地当场打开 ChatGPT，输入问题后照着答案念。更令人震惊的是，有人将同一篇论文同时投中两个 AI 会议，两边都被接收，而且在 GitHub 仓库里连与大模型对话的提示词都没清理，全部数据都是伪造的。

这些不是孤例。发帖人表示，仅一个月内，他和朋友就积累了几十个类似的故事。

勤奋研究者的困境与科学的信任危机

发帖人将矛头指向了系统性后果：辛苦熬夜写论文的诚实研究者，可能因为“骗子审稿人”而功亏一篑。当他为新想法检索相关文献时，发现“读到的所有论文都是垃圾”。这种感受并不孤单——当 AI 生成内容大量涌入，审稿人需要花费更多精力才能甄别，而劣质论文的通过又进一步污染了文献池。

最核心的担忧在于信任崩塌。“我现在无法相信任何一篇论文，”发帖人写道，他不得不以极其审慎的心态逐字阅读。这种从“默认可信”到“默认可疑”的转变，正是学术交流生态受到侵蚀的信号。

为什么现有的同行评审难以应对？

同行评审依赖审稿人的专业判断，但 AI 生成的论文在形式上往往完整、逻辑自洽，甚至能引用真实文献。问题在于，审稿人通常没有时间或手段去验证数据真实性、代码可复现性以及作者对内容的实际理解深度。当作者本人无法解释基本概念时，评审环节本应成为过滤器，但现实是这些论文已经通过了评审。

发帖人呼吁顶会制定明确的规则，拒收 AI 生成的论文。这并非反对 AI 辅助写作，而是要求作者对论文内容具备实质性的掌握。如果连知识图谱的表示方式都答不上来，论文的原创性和真实性就值得怀疑。

同行评审（Peer Review） 是学术出版的核心质量保障机制：作者投稿后，由同领域专家（通常2-4人）匿名或公开评审，评估论文的创新性、方法严谨性与表述清晰度，给出接收、修改或拒稿建议。它依赖的是评审人的专业判断与学术共同体信誉，而非形式化检查。正因如此，它对“形式完整但实质空洞”的内容缺乏免疫力——AI生成的论文往往结构规范、术语堆砌合理，恰好能通过初筛。加之评审多为无偿劳动、时间有限，评审人难以逐一复核数据与代码，这套机制在投稿量激增时更显脆弱。

可能的出路：从规则到文化

单纯依靠检测工具并不可靠，AI 生成文本的检测本身存在高误判率。更可行的方向包括：加强答辩环节的深度提问、要求代码与数据公开可复现、对同一论文多投进行严格查重、以及在评审中增加对作者理解程度的考察。

但技术手段只能解决一部分问题。发帖人的愤怒背后，是对学术诚信文化被稀释的担忧。当“发表”成为目标而非“贡献知识”时，AI 只是加速了这种异化。顶会需要的不只是一条拒稿规则，而是重申学术共同体的基本契约：作者必须对自己写下的每一个字负责。

对于研究者个体而言，这个帖子也是一个提醒：在 AI 工具唾手可得的时代，真正的竞争力仍然是对问题的深刻理解与诚实工作。那些靠 ChatGPT 念答案的人，终将在某个提问面前露出破绽。

AI生成文本检测 目前主要依赖统计特征（如词频分布、困惑度）或水印技术，但面对经过改写、润色或人机协作产出的文本，误判率与漏判率都较高。更根本的问题是，检测工具只能判断“是否像AI写的”，无法判断“作者是否理解内容”，而后者才是学术诚信的实质。因此业界逐渐转向过程性验证：要求代码与数据公开、设置可复现性检查、在答辩中追问方法细节。这些手段不依赖检测器的准确性，而是通过可验证的证据链来约束作者，这也是发帖人呼吁的规则方向更可行的原因。