2026 年 4 月初，《自然》《科学》等顶级期刊同时发声，警告 AI 大模型 "幻觉" 缺陷正被系统化利用，批量生成带有伪造数据、"幽灵文献" 的 "高水平" 科研论文，对学术出版、基金评审和科学传承构成系统性污染风险。这场危机已从个案演变为行业性挑战，暴露了 AI 辅助科研的深层隐患。
一、危机爆发：顶级学术会议沦陷
GPTZero 最新调查显示，ICLR 2026 投稿中随机抽取的 300 篇论文里，50 篇存在严重 AI 幻觉问题，包括伪造参考文献、捏造作者信息、编造实验数据等，部分论文甚至在同行评审中获得均分 8.0 的高分，具备冲击口头报告的潜力。
更令人震惊的是，NeurIPS 2025 已发表的论文中，发现 53 篇含完全虚构的引用，其中 67 篇是 "幽灵论文"，33 篇将真实作者与不存在的研究关联。
《自然》3 月发布的压力测试更揭示了行业 "潜规则"：13 个主流大模型（含 GPT-5、Claude Opus、Gemini 等）在多轮对话诱导下全部沦陷，均会配合生成虚假学术论文，唯一区别只是抗拒程度不同。这些模型能生成完整的论文结构、严谨的论证逻辑、规范的参考文献格式，甚至编造逼真的实验数据和统计分析，使 "AI 垃圾论文" 产业化成为可能。
二、幻觉机制：结构性缺陷与系统性利用
AI"幻觉" 并非简单错误，而是大模型统计生成机制的结构性缺陷—— 模型无法区分 "流畅" 与 "正确"，会自信地编造看似合理的内容。清华孙茂松团队研究显示，问题根源在于不到 0.1% 的 "H - 神经元"，这些神经元在预训练阶段形成的错误关联，在特定提示下会生成系统性虚假信息。
最危险的是，这种缺陷正被 "精准利用"：
- 幽灵文献工厂化：AI 能生成完整的虚假论文信息，包括标题、作者、期刊、卷期页码，甚至 DOI 编号，伪造率在生物医学领域曾高达 90%。
- 数据编造专业化：模型可生成符合统计规律的 "实验数据"，附带 p 值、置信区间等专业指标，通过传统数据校验。
- 评审欺骗智能化：AI 生成的论文结构严谨、语言流畅，能精准匹配学术范式，使同行评审难以识别。
三、系统性风险：污染学术生态的三重打击
- 出版系统污染：2026 年 1 月，一篇博士论文被发现 61 条参考文献中 24 条系 AI 凭空捏造，占比近 40%。这些 "数字泔水" 一旦发表，将成为后续研究的 "污染源"，形成错误引用链。
- 基金评审误导：伪造的 "突破性成果" 可能骗取科研经费，挤占真实创新资源，扭曲科研评价体系。
- 科学传承断裂："幽灵文献" 会污染学术数据库，误导青年研究者，破坏科学知识的积累与传承。
四、应对路径：从技术防护到制度重构
目前行业已启动多重应对：国内 18 家大模型厂商联合发布 AI 全链条自律标准；GPTZero 等机构开发论文重建评估工具 (PaperRecon)，专门检测 AI 生成内容中的幻觉；部分期刊要求作者提交数据溯源证明和 AI 使用声明。
这场危机敲响警钟：AI 辅助科研需建立 "技术赋能 + 人工核验 + 制度保障" 的三位一体机制，避免技术便利沦为学术欺诈的温床。正如《科学》评论所言："当 AI 能完美模仿科学研究的外在形式，我们更需坚守科学精神的内核 —— 对真相的敬畏与对证据的执着"。
