如果未来我们看到一篇论文，编辑系统可以告诉我们：“这段文字很可能由Claude生成。”这听起来似乎是一件非常有意义的事情。
毕竟，生成式AI正在以前所未有的速度进入科研领域。从语言润色、摘要撰写，到文献综述、代码编写，再到研究设计和数据分析，AI参与科研的边界正在不断扩大。与此同时，科研出版界也开始面对一个越来越现实的问题：如果生成一篇看起来“像论文”的文章已经变得非常廉价，那么我们会不会迎来更多低质量甚至虚假的论文？
最近，Anthropic宣布未来的Claude模型将对生成的文本加入一种不可见、机器可检测的水印（watermark）。Nature随后专门提出了一个非常值得关注的问题：这种水印究竟能不能遏制所谓的“AI slop”，也就是大量、低成本、低价值的AI生成内容？
对于科研界而言，这个问题甚至比普通网络内容更加重要。因为一篇垃圾文章最多浪费读者几分钟时间，而一篇垃圾论文可能进入数据库、被引用、进入系统综述，甚至影响后续实验和临床决策。
所以，我更关心的并不是“Claude以后能不能被检测出来”，而是：AI水印究竟能不能成为遏制垃圾论文、论文工厂和AI批量生成论文的一道新防线？
我的判断是：它会有作用，但不要高估它。
AI水印能够解决的是“来源识别”的一部分问题，而科研诚信真正需要解决的，是“研究是否真实、方法是否可靠、结论是否成立”。
AI水印为什么在这个时候出现？
Anthropic的动作其实并不是孤立事件。从2026年8月2日起，欧盟《人工智能法案》（EU AI Act）中的部分透明度要求开始适用。欧盟委员会明确要求，在适用范围内，生成或操纵的AI内容需要采用机器可读的标记（machine-readable marks），以便后续系统能够识别其是否由AI生成或操纵。
欧盟委员会在官方指南中进一步说明，相关义务并不是要求所有AI输出都在页面上显示一个醒目的“AI生成”标签，而是要求相关AI系统能够对合成内容进行可检测的机器可读标记。对于某些仅承担普通辅助编辑功能、没有实质改变输入内容或语义的AI使用场景，则存在相应例外。
Anthropic公布的Claude方案采用的是一种统计意义上的文本水印。它并不是在文章里偷偷插入某个隐藏字符，也不是在文档属性里写上“Generated by Claude”，而是在模型生成文本时，对某些词语的选择施加非常微小的统计偏向，从而形成机器可以检测的模式。
截图为：Anthropic官方解释水印技术
Anthropic表示，这种水印不会向文本中增加隐藏字符，也不会携带能够识别具体用户、机构或聊天记录的信息；公司计划进一步提供相应的检测能力。这其实代表了AI产业的一个重要变化。过去，我们主要依靠作者主动披露：“我使用了AI，所以我告诉你。”
未来，技术路线可能逐渐变成：“即使作者没有主动告诉你，系统也能够提供关于AI参与的额外证据。”
这就是AI水印真正值得关注的地方。
为什么科研界特别需要这种“来源证据”？
因为AI正在改变论文生产的经济学。过去，一篇论文至少需要投入相当多的时间完成英文写作、文献综述、结构组织和格式修改。即使有人试图批量制造论文，语言生产本身也是一个成本。现在，这个成本正在迅速下降。
一个大型语言模型可以在很短时间内生成摘要、引言、讨论甚至完整论文草稿。如果再进一步与自动文献检索、代码生成、数据分析和科研Agent结合，AI参与科研生产的范围就会从“写论文”扩展到“生产论文”。
这并不是科幻。
2026年发表在Nature上的研究已经展示了一个能够自动完成研究构思、代码编写、实验运行、结果分析、论文撰写以及自动同行评审的系统“The AI Scientist”。研究团队称，这一系统可以实现从研究想法到论文的端到端自动化，并且生成的论文曾通过一个顶级机器学习会议workshop的第一轮同行评审。
Nature随后发表的社论也提醒科研界，AI正在进入科学研究的多个环节，未来需要重新思考科研制度如何应对这种变化。这意味着我们面对的问题已经不是简单的：“有人用ChatGPT帮忙写英文。”而可能逐渐变成：“一个AI系统能不能低成本地制造大量看起来完整的科研成果？”这才是垃圾论文问题真正危险的地方。
更令人担忧的，其实是虚假引用和论文工厂
如果我们想判断AI会不会加剧垃圾论文问题，不能只看“AI写了多少论文”，而应该看科研文献本身出现了什么变化。这里有一组数据非常值得关注。
更广泛地看，Nature随后报道的另一项分析发现，2025年仅在四个主要研究论文和预印本数据库中，就发现了超过14万条疑似虚假引用。其中，社会科学预印本平台的问题尤其突出。
这说明一个非常重要的问题：真正值得警惕的并不是AI把英文写得太漂亮，而是AI降低了制造错误信息的成本。一篇论文如果只是语言由AI润色，通常不是科研诚信的核心风险。但如果AI生成了不存在的参考文献、虚构实验结果、编造数据分析，或者帮助论文工厂批量制造看似正规的研究，那么问题就完全不同了。
更值得警惕的是，论文工厂产生的文章并不一定会因为质量低而迅速消失。换句话说，垃圾论文并不一定只是“没人看”。它们甚至可能进入引用网络，并反过来污染科研评价体系。
那么，AI水印能解决多少问题？
这里必须把两个问题分开。AI水印可以帮助回答：这段文字是否可能由某个AI系统生成？但它无法回答：这篇论文是不是一篇好论文？这是两个完全不同的问题。
假设一名科研人员自己完成实验、数据分析和论文结论，只是让Claude帮助修改英文表达。那么这篇论文存在AI生成痕迹，并不意味着它是一篇垃圾论文。
反过来，一名研究人员完全可以不用任何AI，亲自写出一篇数据造假、图像篡改或者统计方法错误的论文。
因此：AI生成 ≠ 垃圾论文。同样：人类写作 ≠ 高质量论文。这可能是未来科研机构使用AI水印时最需要避免的误区。国际医学期刊编辑委员会（ICMJE）目前的政策其实已经体现了这种思路。ICMJE并没有简单禁止AI，而是要求作者披露AI的使用方式，并强调作者必须对论文内容的准确性和有效性负责。对于拼写检查、语法修改等辅助用途，其性质与内容生成并不相同。
所以，如果未来某篇论文被检测到Claude水印，更合理的做法应该是：要求进一步核查。而不是：直接判定论文存在学术不端。这是非常重要的制度区别。
AI水印真正可能改变的，是编辑部的“筛查逻辑”
我认为，AI水印真正的价值并不在于“抓住用AI写论文的人”，而在于给出版社和期刊编辑增加一层新的来源证据。未来，一篇论文进入期刊系统之后，编辑部可能同时看到很多不同的风险信号。
例如，论文中的部分文本具有AI生成标记；参考文献数据库发现若干无法验证的引用；图片检测系统发现疑似重复或异常修改；统计分析存在明显问题；论文语言与作者过去发表的文章差异异常；同时，文章还表现出论文工厂常见的结构和引用模式。过去，这些问题可能需要编辑逐项发现。未来，AI可以帮助系统把这些信号整合起来。这时候，AI水印就不再是一个“判定器”，而是一个风险筛查信号。我认为，这才是它在学术出版领域最合理的定位。它和机场安检非常类似。安检仪发现一个异常信号，并不意味着这个人一定有问题。它意味着：“请进一步检查。”科研出版也应该如此。
但水印有一个绕不开的技术问题：它可以被破坏
AI水印并不是一种不可破解的技术。Anthropic宣布Claude水印之后，很快就有开发者开始尝试通过改写、释义和其他模型重写等方式破坏水印信号。Wired报道，相关开源工具甚至在Anthropic公布方案后很快出现。
这其实并不令人意外。因为文本与图片有一个本质区别：文本非常容易被重新表达。
比如Claude生成一句话：
The results demonstrate a significant association between...
经过人工修改或者另一个语言模型重写后，可以变成：
Our findings indicate a statistically significant relationship between...
对于普通读者来说，两句话的意思基本相同。但对于依赖词语选择模式的统计水印而言，这种改写可能破坏原来的信号。因此，AI水印最大的技术挑战之一就是：它需要在“可检测”和“抗改写”之间找到平衡。如果水印太脆弱，论文经过一次人工润色或者机器改写就消失，那么它对论文工厂的价值有限。如果水印太强，又可能影响文本生成质量，或者增加误判风险。这也是为什么目前不应该把AI水印理解成一种“AI测谎仪”。
更值得警惕的是“误伤正常科研人员”
科研界使用AI的情况非常复杂。有人让AI写完整论文，有人让AI翻译中文初稿，有人只用它检查语法，还有人利用AI辅助代码和数据分析。这些行为不能简单地归为同一类。
如果一名科研人员写完一篇英文论文之后，只使用Claude修改语法和表达，那么这篇论文即使存在AI生成标记，也不应该自动被视为“AI论文”。如果未来期刊把“检测到AI水印”直接作为拒稿依据，反而可能伤害大量正常使用AI工具的研究人员。
更合理的方向，是把AI使用方式和AI是否参与区分开。这其实也与目前国际出版规范的发展方向一致。ICMJE强调作者需要披露AI使用情况，并由人类作者对最终论文负责。Nature同样要求作者透明说明LLM在研究和论文中的使用，并强调AI不能作为作者。未来真正成熟的科研出版制度，可能不会问：“你有没有使用AI？”而会进一步问：“AI具体参与了什么？”这两个问题的重要性完全不同。
AI水印会不会真的减少垃圾论文？
如果一定要给出一个判断，我认为答案是：会，但作用有限，而且主要体现在“增加批量制造垃圾论文的风险和成本”上。对于普通科研人员而言，AI水印可能不会产生太大的影响。但对于论文工厂和大规模自动化论文生产而言，情况可能不同。
假设未来Claude、Gemini、ChatGPT等主要模型都采用可靠的来源标记，而期刊又拥有相应的检测接口，那么批量生成论文的人就无法再像过去一样，把AI生成文本完全当作“无来源内容”投入出版体系。这会增加他们被识别的概率。
更重要的是，如果出版社把AI水印与虚假引用检测、图像检测、论文工厂识别、异常统计分析和作者身份核查结合起来，那么AI水印的价值会被明显放大。所以，我更倾向于把它理解成：AI水印不是垃圾论文的“杀手锏”，而是科研出版反作弊体系中的一块新拼图。
真正需要防范的不是“AI写论文”，而是“AI制造科学”
从科研发展的角度看，我认为未来最值得关注的变化甚至不是AI写作，而是AI开始参与完整的科研生产链。如果AI只是：人类提出问题 → AI帮助润色 → 人类完成研究 → 人类承担责任那么这仍然属于比较传统的“工具型AI”。但如果未来变成：AI提出问题 → AI检索文献 → AI设计实验 → AI写代码 → AI运行实验 → AI分析结果 → AI撰写论文 → AI进行同行评审那么问题就完全不同了。
Nature发表的“The AI Scientist”研究已经证明，至少在某些计算密集型研究领域，科研流程的多个环节已经能够被一个自动化系统连接起来。这时候，我们面对的真正问题就不再是：“这篇论文是不是AI写的？”而是：“这项研究是不是由可靠的科学过程产生的？”这是两个完全不同层次的问题。
未来科研诚信真正需要追踪的，可能包括数据来源、实验记录、代码、分析过程、模型使用记录、图像处理过程以及作者的实际贡献。
也就是说，科研出版最终可能从文本检测走向更完整的科研过程溯源。
科研界真正需要的，是“可追溯的AI”，而不是“禁止AI”
我认为，这是这次Anthropic事件给科研界最大的启示。我们没有必要把AI简单地划分为“好”和“坏”。AI完全可以成为科研效率革命的一部分。问题在于：我们必须知道它在哪里参与了研究。
- 如果AI帮助研究人员修改语法，我们应该能够知道。
- 如果AI帮助研究人员分析数据，我们应该能够知道。
- 如果AI参与了研究假设和实验设计，我们应该能够知道。
- 如果AI自动生成了一整篇论文，我们同样应该能够知道。
这也是为什么AI水印值得肯定，但不能被神化。水印能够帮助我们解决的是：“内容从哪里来？”科研诚信最终需要回答的则是：“科学证据从哪里来？”后一个问题显然更加重要。
最后
Anthropic为Claude加入文本水印，我认为最大的意义并不是“以后AI写的论文会被抓住”。它真正代表的是一种新的趋势：AI生成内容正在从过去难以追踪，逐渐进入可以验证来源的阶段。对于科研出版而言，这是一件值得欢迎的事情。但我们也必须保持足够的理性。
一篇论文是否使用AI，与它是不是一篇垃圾论文，并不是同一个问题。AI可以帮助科研人员把论文写得更好，也可以帮助不负责任的人更快地制造低质量论文。
真正值得警惕的，从来不是AI写了多少字，而是：AI是否降低了制造虚假科学的成本。如果未来AI水印能够与虚假引用检测、图像篡改识别、统计学检查、论文工厂识别以及严格的同行评审结合起来，那么它确实有可能提高垃圾论文进入正式文献体系的成本。但如果我们只是简单地把：“检测到AI” = “学术不端”那么我们很可能又走向了另一个极端。
未来科研出版真正需要建立的，不应该是一套单纯的“AI检测体系”，而是一套更加完整的科研来源与责任体系。因为科学真正需要被证明的，从来不是：“这句话是不是人写的。”而是：“这项研究是不是真的，证据是不是可靠，结论是不是经得起验证。”这可能才是AI时代科研诚信最值得讨论的问题。
