AI写论文“翻车”之后：学术不端与学术不规范，究竟差在哪一步？

2026年9月，安徽财经大学的一则通报，把法学院教师蒋某某和学生万某某推上了舆论前台。二人合著发表于《南方金融》的论文被指学术不端，媒体质疑的焦点具体而刺眼：多处民事判决书的注释编号呈连续数字排列，看起来不像真实存在的案件，更像“编造”出来的证据链。

学校调查后给出的结论是：论文存在学术不规范问题，部分案例系作者对AI检索结果的误信，对AI生成内容缺乏警惕与严谨，存在AI使用不当行为。处理结果包括诫勉谈话、通报批评、暂停评优晋升和科研奖励申报资格两年。

这份通报值得逐字细读。它没有使用“学术不端”四个字，而是用了“学术不规范”。这个用词差异，恰恰是公众最容易忽略、也最值得普法的地方。

一、学术不端与学术不规范：一字之差，法律后果截然不同

我看到不少网友的第一反应是：这不就是造假吗？为什么只说是“不规范”？是不是学校在“大事化小”？

这里需要先澄清一个关键认知：在现行制度框架下，“学术不端”是一个有严格界定的法律概念，而不是一个可以随意使用的道德标签。

教育部《高等学校预防与处理学术不端行为办法》对学术不端行为的认定范围有明确列举，主要包括剽窃、抄袭、侵占他人学术成果，篡改他人研究成果，伪造科研数据、资料、文献、注释，或者捏造事实、编造虚假研究成果，未参加研究或创作而在成果上署名，不当使用他人署名，以及买卖论文、由他人代写或代他人写论文等。

对照来看，如果蒋某某和万某某确实“编造”了不存在的判决书作为论文注释，那应当属于“伪造注释”或“捏造事实”，构成学术不端。但学校的调查结论是：部分案例系作者“误信AI检索结果”。也就是说，调查组倾向于认定作者并非主观故意造假，而是被AI生成的内容误导，属于过失性的“使用不当”。

“故意”与“过失”的区分，在法律上从来都是关键。同样是把别人的东西写进自己的论文，明知故犯叫剽窃，疏于核查叫引用不规范。前者是学术不端，后者是学术不规范。两者在定性、处理力度、记录影响上都有本质区别。

这不是替谁开脱，而是在说明一个基本事实：定性需要证据，需要区分主观状态，不能仅凭“看起来像”就下结论。学校调查组由五名校内外专家组成，他们做出的结论是基于对论文生成过程、AI使用记录、当事人陈述等材料的综合判断。公众可以不认同，但应当理解这个判断的逻辑起点。

二、AI时代的学术陷阱：工具无罪，使用有责

这个事件真正值得深思的，不是某一个人有没有“倒霉”，而是AI工具进入学术写作之后，整个学术规范体系正在面临一场静默的冲击。

过去，一个研究者要“编造”一条判决书注释，需要自己去虚构案号、当事人、裁判日期、判决内容——这几乎必然留下明显破绽，而且需要明确的造假意图。但今天，你只需要向AI提问：“请帮我检索几起与XX问题相关的民事判决书”，AI可能会在几秒钟内生成一份格式规范、案号连续、内容貌似合理的“检索结果”。如果你不加核实直接引用，错误就发生了。你没有“故意编造”，但你确实“没有尽到核实义务”。

这就是安徽财大通报中“误信AI检索结果”的含义。作者可能真的没有意识到AI给出的案例是虚构的——但这恰恰是问题的严重性所在： 当AI能够以极高的效率生成“看起来完全可信”的虚假信息时，研究者如果仍然沿用过去“看到即引用”的习惯，学术质量防线就会在不知不觉中崩塌。

科技部2023年发布的《负责任研究行为规范指引》已经明确，使用生成式人工智能生成的内容，研究者应当对其真实性、准确性负责，不得使用AI生成的内容作为核心创新成果，使用AI工具应当在论文中作出说明。这些要求背后的逻辑很简单： AI是辅助工具，不是责任主体。无论AI给出了什么，最终署名的是人，负责的也必须是人。

三、联合署名意味着什么：学生和导师，谁在“带”谁？

这起事件中另一个值得关注但讨论不多的面向是：论文由教师和学生联合署名。按照学术惯例，通讯作者或资深作者对论文的整体质量承担主要责任。一个法学院教师，面对带有判决书注释的论文，是否有能力、有义务核实那些注释的真实性？

答案是显而易见的。法学院教师的基本学术训练之一，就是查阅和核实裁判文书。如果连连续编号的判决书注释都没有引起警觉，这暴露的已经不仅仅是“AI使用不当”，而是更深层的学术审慎意识缺失。

但事情还有另一面。现实中，不少导师与学生合著论文时，导师的实际参与度并不高。学生负责初稿、导师挂名指导，这种模式在部分学科中并不罕见。问题在于： 署名就意味着责任，而不是荣誉。 《高等学校预防与处理学术不端行为办法》明确规定，未参加研究或创作而在成果上署名属于学术不端行为。反过来推演，参加署名就意味着对成果的实质性贡献和相应责任。

所以，无论是导师“放手”让学生用AI生成内容后未加核实，还是师生共同“误信”了AI，责任都不应以“我不知道AI会这样”来消解。学校对师生作出同等程度的处理，传递的信号是明确的：署名即负责，不因身份而有所区别。

四、撤稿为什么“快不了”：一个被忽略的制度盲区

通报中提到，《南方金融》编辑部已联系作者，但完成知网等数据库撤稿需履行内部流程，进度取决于作者提交材料。不少网友对此感到不解：既然学校已经认定论文有问题，为什么撤稿不能马上完成？

这涉及学术出版的运作机制。期刊撤稿通常需要作者提出申请、编辑部审核、编委会或主编确认，再通知数据库执行。如果作者不配合提交材料，撤稿程序可能被拉长。这暴露了一个制度层面的尴尬： 学术期刊对“问题论文”的处置效率，高度依赖当事人的配合意愿，缺乏更强制的退出机制。

但这并不意味着撤稿可以无限期拖延。在学术规范日趋严格的背景下，期刊如果对已经公开认定存在问题的论文不采取行动，自身的学术公信力也会受损。后续进展值得持续关注。

五、比惩罚更重要的：建立AI时代的学术“刹车系统”

安徽财大对当事人的处理，力度不算最重，但信号是清晰的：AI可以进入学术写作，但不能替代学术判断。通报中“举一反三”四个字，不是套话，而是指向一个真实的问题—— 当AI工具在高校师生中的渗透率快速攀升，有多少人真正接受过“如何正确使用AI做学术”的训练？

我看到一个令人不安的空白：大多数高校的学术规范教育，仍然围绕“不要抄袭”“不要造假”的传统框架展开，对AI使用的边界、风险、核实义务几乎没有系统性的教学安排。学生们在“会用AI”和“用对AI”之间，存在巨大的认知鸿沟。这次安徽财大的事件，不过是这道鸿沟的一次显影。

从这个意义上说，这个事件的价值不在于“抓了一个典型”，而在于它让一个此前模糊的问题变得具体： 当AI生成的内容足以以假乱真，学术诚信的防线必须从“事后追责”前移到“事前辨识”。 研究者需要被训练出一种新的“AI素养”——对AI输出内容保持系统性怀疑，将“核实”视为使用AI的默认前置动作，而不是事后补救。

惩罚的目的从来不是惩罚本身。如果这起事件能够让更多高校把“AI学术使用规范”纳入必修的学术训练，让更多师生意识到“署名即责任”不只是纸面规则，那么它就有了超越个案的公共价值。

安徽财大的通报给出的是一个结论，但更大的问题悬而未决：在AI越来越“能写”的时代，我们靠什么守住“人”的学术底线？答案不在某一所学校的通报里，而在每一个拿起AI工具的人，是否愿意在点击“生成”之后，再做一次“人”的核实。

我愿意相信，这件事的最终意义不是让谁“社死”，而是让更多人明白：工具可以替我们跑得更快，但刹车必须踩在自己脚下。