蘭大頂刊論文插圖驚現「豆包」浮水印：當生成式 AI 悄悄走進實驗室，學術誠信的底線在哪裡

一張帶浮水印的插圖，為何引爆全網質疑

一篇由蘭州大學研究團隊發表於國際頂尖期刊的論文，近日在學術社羣與知乎等平臺引發激烈討論。爭議焦點並非研究結論本身，而是論文正文插圖中赫然出現字節跳動旗下 AI 工具「豆包」的浮水印；與此同時，同一組插圖也被質疑存在圖片重複使用的疑點。兩件事疊加，外界開始追問一個更根本的問題：這是否已涉及學術不端。

一句話結論：論文插圖殘留商用 AI 工具浮水印、並被質疑圖片重複使用，是否構成學術不端，需由期刊與所在機構依規定調查認定；但事件本身已把「生成式 AI 進入實驗室」這道長期被低估的風險，赤裸地擺上檯面。

事件的核心事實（依公開討論整理）

• 涉事主體：蘭州大學某研究團隊，論文發表於國際頂級學術期刊。
• 觸發爭議的證據：論文插圖中出現「豆包」浮水印，豆包為字節跳動推出的生成式 AI 工具，常用於 AI 繪圖、AI 編輯等場景。
• 並發質疑：同一論文被指存在圖片重複使用的情況，即不同圖片看似呈現不同實驗結果，實際卻可能是同一張圖被複製、翻轉或微調後重複使用。
• 爭議性質：浮水印的存在意味著插圖很可能經過 AI 工具處理或生成；若未在論文中誠實揭露，可能違反多數期刊對圖像原始性與工具使用透明度的要求。
• 待認定事項：是否構成正式意義上的學術不端，須由期刊編輯部與蘭州大學依既定學術倫理程序調查後認定，目前尚屬「被質疑」階段。

為什麼一個浮水印，會變成學術誠信事件

要理解事件的嚴重性，必須先拆解兩件事的技術與倫理意涵。

第一，浮水印是怎麼來的。當研究人員使用豆包等生成式 AI 工具來輔助繪圖、修圖、生成示意圖或排版時，工具可能會在輸出檔案中嵌入預設浮水印或後設資訊。若作者在投稿前未仔細檢查、未移除這些痕跡，浮水印就會一路跟著插圖進入正式發表的論文。換言之，浮水印本身未必代表「造假」，但它幾乎可以確定地暴露了一個事實：這張圖經過了某個商用 AI 工具的處理。

第二，圖片重複使用為何敏感。在實驗科學中，圖片（如顯微鏡影像、電泳圖、資料視覺化）是支持結論的關鍵證據。若同一張圖被用來代表不同的實驗條件或不同的樣本，等同於用一份證據偽裝成多份證據，這正是國際學術界長期重點稽查的典型圖像不當行為。當「浮水印」與「圖片重複使用」同時出現在一篇論文中，外界的質疑自然會升級為對整篇研究誠信的全面懷疑。

生成式 AI 正在重塑學術圈的誠信邊界

這起事件的真正意義，不在於單一論文的對錯，而在於它揭示了一個結構性變化：生成式 AI 已經全面滲透到科研工作流的每一個環節，而學術界的誠信規範與稽查工具，明顯還沒跟上。

過去，圖像不當行為的稽查主要依賴同行審查與事後的人工比對。但生成式 AI 出現後，問題的複雜度呈指數上升。一方面，AI 工具讓生成、修飾、合成圖像變得異常容易，門檻大幅降低；另一方面，AI 也能抹去許多傳統的偽造痕跡，使得事後比對更加困難。兩股力量疊加，等於同時放大了「犯錯的便利」與「查緝的困難」。

更值得關注的是，這不只是技術問題，而是整個科研供應鏈的治理問題。從作者、實驗室、通訊作者、所在機構、期刊編輯部，到資助單位，每一環節都對論文品質負有不同程度的把關責任。當一張帶有 AI 浮水印的插圖能順利通過層層審查進入頂刊，代表這條供應鏈上的某一個或多個環節，對生成式 AI 的存在與風險缺乏足夠的警覺與流程設計。這與近期 「豆包」系列工具因低價策略而大規模普及 的背景相互呼應：當一個 AI 工具因為極低的取得門檻而被廣泛使用，它進入嚴肅專業場景（如科研、醫療、法律）的機率也會同步上升，連帶放大治理真空帶來的風險。

AI 內容溯源：學術圈遲早要面對的功課

浮水印之所以成為線索，是因為它是一種「非自願的標記」。多數生成式 AI 工具為了合規、免責或品牌露出，會在輸出內容中嵌入可見或不可見的標記。對作者而言這是麻煩，但對稽查者與讀者而言，這反而是珍貴的溯源線索。

這其實是更大議題的縮影：在一個 AI 生成內容與人類創作內容日益混淆的環境裡，「這份內容是怎麼來的」將成為所有資訊場域的核心問題。學術論文只是其中要求最嚴格的一環。當連知乎熱榜上的爭議話題都可能夾雜 AI 生成的觀點與證據，讀者要建立判斷，需要的已經不只是事實查核，而是一套對資訊來源的系統性警覺。這跟 當 AI 給出「完美答案」卻建立在錯誤過程之上 所揭示的困境如出一轍：問題往往不在於結果看起來對不對，而在於產生結果的過程能不能被信任、能不能被追溯。

對讀者意味什麼：三個可用的判斷

對一般讀者而言，這起事件不必停留在「看熱鬧」的層次，它能提煉出三個可遷移的判斷框架。

第一，看到帶有外部工具浮水印的正式文件，應提高警覺。浮水印代表內容曾經過第三方工具處理，無論場合是學術論文、企業報告或政府文件，都意味著原始性可能受損，值得進一步追問來源與處理過程。

第二，對「單一來源、單一證據」的結論保持距離。圖片重複使用的本質，是用一份證據偽裝成多份。在日常生活裡，這對應的判斷是：當一個重要結論只由單一圖表、單一實驗或單一消息來源支撐時，應保留更多懷疑空間。

第三，關注過程而非只看結論。學術誠信的核心從來不是「結論對不對」，而是「過程能不能被信任」。這個原則同樣適用於讀者面對任何 AI 生成或人類撰寫的內容：可追溯的過程，比漂亮的結果更值得信賴。

常見問題 FAQ

論文插圖有 AI 工具浮水印，就一定算學術不端嗎？ 不一定。浮水印代表插圖曾經 AI 工具處理，是否構成學術不端，取決於作者是否誠實揭露工具使用、是否違反期刊的圖像原始性要求，以及是否涉及造假或誤導，需由期刊與機構依程序調查認定。

為什麼圖片重複使用會被嚴肅看待？ 因為在實驗科學中，圖片是支持結論的關鍵證據。用同一張圖代表不同實驗條件或樣本，等於用一份證據偽裝成多份，會誤導讀者對研究結論可靠性的判斷，是典型的圖像不當行為。

生成式 AI 可以用於學術論文嗎？ 多數期刊目前允許將 AI 用於語言潤飾、輔助寫作等非核心環節，但普遍要求作者誠實揭露使用情況，並禁止將 AI 列為作者或用 AI 生成關鍵實驗數據與圖像。具體規範因期刊而異，作者須查閱所投期刊的政策。

一般讀者如何辨識這類風險？ 留意文件中是否有外部工具的浮水印、後設資訊或不一致的視覺痕跡；對只由單一圖表或單一來源支撐的結論保留懷疑；並培養關注產出過程、而不只看最終結論的閱讀習慣。

結語

蘭州大學這篇論文的浮水印風波，最終會被認定為無心之過、流程瑕疵，還是實質的學術不端，尚待期刊與機構的正式調查。但無論結果如何，事件已清楚地傳遞一個訊號：生成式 AI 不再只是科技圈的話題，它已經實質進入科研、教育、出版等高門檻場域，而相對應的誠信規範、稽查工具與從業者的數位素養，都還處在明顯落後的狀態。對每一個在數位環境裡產出與消費資訊的人而言，學會追問「這份內容是怎麼來的」，將是未來最基本的素養之一。