楔子：一封早于耿同学十个月的匿名 PubPeer 帖子

故事的真正起点，不是一位短视频博主。

2025 年 6 月，一个名叫 PubPeer 的英文学术网站上，两位匿名研究者贴出了同济大学生命科学与技术学院院长王平团队那篇登上《Nature》的论文——《Human HDAC6 senses valine abundancy to regulate DNA damage》。

帖子很短，几张电泳图的局部对比，附一句冷静的话："图像存在不可解释的局部重复。"

PubPeer 是学术圈一种特殊的存在：任何人可以匿名指出已发表论文里的疑点，作者和期刊都收得到通知。它是这十年最重要的"后出版同行评审"基础设施之一。

但 PubPeer 上的批评是英文的，藏在专业角落，圈外几乎无人知晓。

整整十个月，没有人接力。

直到 2026 年 4 月。

一位叫"耿同学讲故事"的科普博主，把那篇 PubPeer 帖子翻成了中文，并加上自己的逐帧拆解视频，同步发到 B 站、抖音、微信视频号等多个平台（截至 2026 年 5 月，B 站约 188 万粉丝、抖音约 154 万粉丝）。他放大图片、对照像素、统计条带形状，复刻了那两位匿名研究者早就指出过的问题：

• 不同实验组的电泳图里，背景噪点呈现完全一致的分布
• "独立重复"出来的数据，标准差异常整齐
• 多张被宣称为不同条件下采集的图像，竟然在像素级别完全重合

他给出了一句让全网会心一笑的评论：

"强烈建议王教授下次造假使用随机数生成器。"

紧接着，首都医科大学校长饶毅——这位以敢言著称的分子生物学家——在公众号"饶议科学"连发三篇长文，公开质疑王平团队两篇顶刊 Nature 论文涉嫌原始数据造假。饶毅的下场是关键的破圈一击：短视频平台上的拆解视频是民间舆论，饶毅文章是学界自身的承认。

5 月 6 日，同济大学通报：免去王平院长职务，降两级；论文第一作者金佳丽解除聘用。

紧接着多米诺骨牌倒下：南开大学陈佺、中山大学康铁邦与邝栋明、上海大学苏佳灿——已被实名公开举报的杰青/长江学者，至此达到 5 例。

5 月 17 日，耿同学再次发布视频，宣布手头还握着同济、华东师范、湖南大学、中山大学4 所高校 5 位"杰青"的新一批造假证据，公开喊话："给你们一次自查整改的机会，拒不整改，下一锤再来。"

杰青是什么概念？国家自然科学基金"杰出青年科学基金"获得者，是中国学术圈青年学者的最高头衔之一，相当于"准院士预备役"。长江学者是教育部的对标头衔。这些被点名的学者，背后都至少挂着这样一顶帽子。

Nature 官方的回应是一句相当谨慎的话："已注意到该论文的批评意见，正在审慎评估。"

更值得玩味的，是耿同学这个人本身。

他本名耿洪伟，吉林大学生物学本硕，北京航空航天大学生物医学工程学院博士在读——读到第五年，2025 年，他从北航退学。坊间流传的版本是"被导师为难、退学、反手开始打假"。

这是一条非典型的人生路径：他不是体制外的"草根"，他是体制内出走者。一个被这个系统打磨过五年又主动放弃博士学位的人，再用他在体制内学到的所有眼力，回头审视这个系统。

故事到这里，最容易被讲成的版本是"草根扳倒大佬"。但事实从来更复杂：

真相是一支合力部队——
   匿名同行（PubPeer 上的英文质疑）
 + 体制内退学者（耿洪伟的中文转译与放大）
 + 学界清醒派（饶毅的公开下场）
 + 公众舆论（B 站、抖音、视频号、微博、知乎的同步发酵）
 + 高校公关压力下的纪律部门
四股力量同时补位，系统的自净机制才勉强转动了一次。

图 1 · PubPeer 匿名同行（早 10 个月）+ 体制内退学者耿洪伟 + 学界清醒派饶毅 + 公众舆论同步发酵，四股力量合流，才把一篇被肉眼可见的赝品挂出十个月之久的论文送上同济通报台。

这才是值得认真讨论的事实。它带出的不是"系统全坏了"这种廉价结论，而是更尖锐的判断——

这个系统的常规自净机制（同行评审、学术委员会、行政纠错）已经失灵到，必须靠 PubPeer 的匿名同行、退学的博士、敢言的校长、热搜的舆论这些"非常规力量"共同发力，才能勉强抓住一个肉眼可见的赝品。

那么真正值得追问的是这样三个问题：

第一，为什么这篇论文能通过 Nature 的同行评审、国家百万经费评审、院校学术委员会的层层把关，一路畅通无阻？

第二，为什么 PubPeer 上的匿名英文质疑挂了十个月，国内学界没有任何制度性反应——非要等到一位短视频博主用中文喊出来、一位老牌学者下场背书，才能引发处理？

第三，如果这种烈度的造假能藏在最顶级期刊里这么多年，那今天我们读到的所有"研究表明"，到底有多少是真的？

要回答这三个问题，得把镜头拉远，看清整个学术论文体系是怎么搭起来的、它从哪里来、又病在哪里。

这篇文章就是这样一份说明书。

上篇讲它的骨架与血脉——从本科论文到院士论文，从亚里士多德到 RCT，论文如何成为人类知识的中央货币。

下篇讲它的病灶与未来——统计学革命留下的暴君 p<0.05、Publish or Perish 催生的水化海啸、论文如何反噬正在训练的 AI 大模型、以及一场尚未完成的全球改革。

耿同学只是揭开了一角。我们要看的，是冰山下面那座两百年的工厂。

上篇：论文的尺度

——从本科到院士的认识阶梯

一、交差与擂台：本科毕业论文，与讲师评职称，根本不是一回事

很多人误以为"论文"是一个统一的东西。其实它是两种完全不同的活动，目的、受众、判官、生死都不一样。

本科毕业论文，本质是"交作业"。

目的不在于产出新知识，而在于证明你完成了一次完整的学术训练：会查文献、会用方法、能把话说清楚。评判者是导师和本校答辩委员会，发表与否无所谓，过得了答辩就行。它的水分空间天然就很大——大量本科论文实际上是高级版的读书笔记加资料汇编。

讲师评职称发表的核心期刊论文，本质是"打擂台"。

它要在全球同领域同行的目光下接受匿名评审，要在 SCI / SSCI / CSSCI 这些被严格分级的期刊上活下来。评判者你不认识，他们也不知道你是谁。它不是写给老师看的，而是写给整个学科看的。理论上，它必须给学科带来原创性增量，必须方法严谨、数据可重复。

一个是练兵场，一个是公共战场。前者的逻辑是"老师我尽力了"，后者的逻辑是"全行业请验货"。

混淆这两件事，就是中国本科生最大的认识误区——以为自己写过的那篇查重 30% 通过答辩的东西，跟教授桌上摞着的那些 SCI 是同一物种。

二、从执器到立题：学术阶梯上五个段位的真实门槛

把学术生涯切片来看，每一段对论文的要求，本质上是对"你和知识的关系"的要求在升级：

爬阶梯的本质：从"用别人造好的尺子量东西"，到"造出别人都拿来用的新尺子"。

图 2 · 本科到院士的六级递进。每一段的真实门槛，是你与"学科尺度"之间距离的缩小——从照着抄方法，到能开宗立派。

三、两种知识的根脉：文科与理科，不只是题材之别，而是认识论分歧

很多人以为文理之分，只是研究对象不同。其实差别要深得多——它们对"什么算是知识"这件事，本来就持有不同立场。

理科 / 自然科学的范式：假设-验证型。

观察现象 → 提出假设 → 实验设计 → 数据采集
→ 统计分析 → 支持或证伪 → 发表可重复结论

它的核心律法是两个词：可重复和可证伪。

格式高度统一（IMRAD：导言-方法-结果-讨论），数学化、量化、客观化。

知识是累积的，后人站在前人肩上，旧理论可以被推翻。

文科 / 人文学科的范式：诠释-建构型。

提出研究问题 → 选择理论框架 → 文本 / 田野 / 案例分析
→ 阐释意义 → 建立论证 → 得出有限度的结论

它的核心律法是论证严密与解释力。

量化不是必需，质性方法（民族志、深度访谈、文本细读）占主流。

知识不是单向累积的——经典可以被反复重新诠释，《论语》今天还能产出新论文。

社会科学夹在中间。 经济学、心理学、社会学是两种范式的角力场。近 20 年因果推断革命大行其道，主流向量化倾斜，但质性研究始终没死，"混合方法（Mixed Methods）"反成显学。

一个未尽的道理是：文理之争的本质，是"世界是不是可以被一把尺子量完"。理科默认是，人文默认不是。这场争论不会有终点，因为它问的本来就是人类自身的边界。

四、两千年的接力：方法论从何而来

学术论文这套方法论，看似冰冷的格式手册，其实背后是一条延续两千年的思想接力。

第一棒——古希腊的逻辑根基（公元前 4 世纪）。

亚里士多德写下《工具论》，奠定演绎逻辑：三段论。大前提、小前提、结论。这是一切学术论证的底层语法。今天人文论文里最常见的"理论框架+案例论证"结构，骨子里就是亚里士多德。

第二棒——科学革命的实验范式（17 世纪）。

培根强调归纳：观察先于理论。

伽利略把自然数学化，让实验可重复。

牛顿用一本《自然哲学的数学原理》同时演示了归纳和演绎的极致结合——这本书事实上是后世所有"科学论文"的母型。

从这一棒起，"假设—实验—验证"成为科学的心跳。

第三棒——统计学革命（19-20 世纪）。

这是现代论文体系真正成型的关键一棒，下篇专门展开讲。高尔顿、皮尔逊、费舍尔、内曼-皮尔逊四个人接力造出了一整套量化判断的工业流水线。

第四棒——社会科学方法论的建立（19-20 世纪）。

孔德推动实证主义，让社会学也想模仿物理学。

韦伯反对，提出诠释社会学，强调"理解（Verstehen）"。

涂尔干把社会事实量化。

格尔茨在人类学里搞"厚描述"。

这一棒里的方法论战争——实证 vs 诠释——至今没有结论。

第五棒——科学哲学的范式论（20 世纪）。

波普尔提出"可证伪性"，给科学画了边界：不可证伪的命题不是科学。

库恩在《科学革命的结构》里说，科学不是线性积累的，而是周期性的范式转移——旧范式崩塌、新范式建立。

拉卡托斯提出"研究纲领"概念。

今天博士生写"研究范式"那一章时，用的就是这套话语。

第六棒——因果推断革命（21 世纪至今）。

安格里斯特等人用工具变量、断点回归、双重差分这些计量利器，让经济学和政策科学第一次能严肃讨论"因果"而非"相关"。

朱迪亚·珀尔（Judea Pearl）用因果图论，从数学层面证明：相关与因果是两种东西，可以严格区分。

RCT（随机对照实验）成为医学、经济、政策评估的金本位。

机器学习与因果推断的融合，是当下最前沿的方向。

图 3 · 从亚里士多德的三段论，到 21 世纪的因果推断革命，方法论历经六次接力——每一棒都既继承前棒，也彻底改写"什么算知识"的标准。

两千年接力下来，论文已经不只是一种文体，而是一台驯化人类好奇心的精密机器。

下篇：论文的危机

——水化、AI 与一场未完成的革命

五、四子开炉：统计学革命的隐秘奠基者

如果说论文是现代知识的中央货币，那么 19 到 20 世纪的统计学革命就是这种货币的造币厂。四个人——高尔顿、皮尔逊、费舍尔、内曼-皮尔逊——师承相续、彼此仇视，又共同完成了奠基。

高尔顿（Francis Galton，1822-1911）：第一块砖

达尔文的表弟。受进化论刺激，他要测量"遗传"。

他记录了 928 名成年子女与 205 对父母的身高数据（为简化叙述，下文以"父子身高"为例；他在原始数据里把女儿身高乘以 1.08 来"换算"，并把父母合并成一个"中点父母"指标——这个操作本身后来在统计学史上一直有争议）。

他画散点图，问：父亲极高，儿子一定极高吗？

发现并不是。父极高，子倾向于略矮一点；父极矮，子倾向于略高一点。两者都在向平均值靠拢。

他把这种现象叫做"回归到均值（Regression to the Mean）"。

——这就是"回归"这个词的来源。今天机器学习教科书第一章的"线性回归"，名字源头就是这里。

他同时直觉地提出了相关系数的概念：两个变量"一起动"的程度。但他数学功底不够，没法严格写下来。

他是开局的观察者，等着学生来给他打磨工具。

（一笔附注：高尔顿和他的学生皮尔逊都是优生学的狂热推手——这是统计学史里一段被反复检讨的黑历史，UCL 在 2020 年代正式公开道歉，至今仍在反省。统计学的诞生与种族主义意识形态深度纠缠，本身就值得另写一篇。）

皮尔逊（Karl Pearson，1857-1936）：造出精密仪器

高尔顿的学生，数学出身，性格刚硬。

他做了三件事：

① 给相关系数写下严格数学定义——今天叫皮尔逊相关系数 r。范围从 -1 到 +1。这条公式从 1900 年用到今天，几乎没变。

② 发明卡方检验——回答一个核心问题：观察到的频率分布，和理论上"本该如此"的分布，差异是不是太大？

χ² = Σ (观测值 - 期望值)² / 期望值

扔硬币 100 次出 60 次正面，这枚硬币有没有问题？卡方告诉你。

③ 1911 年在伦敦大学学院（UCL）创立了世界第一个统计学专业系，初名"应用统计学系（Department of Applied Statistics）"，把统计学从"数学的小妾"扶正为独立学科。

但皮尔逊有个致命盲点：他坚信科学只能讨论"相关"，不能讨论"因果"。在他看来，因果是形而上学的鬼话。

这个盲点束缚了统计学整整 100 年，直到 Judea Pearl 在 2000 年代用因果图论才真正纠正过来。

费舍尔（Ronald Fisher，1890-1962）：统治者登场

皮尔逊的死敌。两人一生互相仇视，但一起奠定了现代统计学。

费舍尔的贡献最深，分三层：

① 方差分析（ANOVA）

三种施肥方案，哪个最好？传统做法是两两 t 检验，做 3 次。费舍尔说不行，这样会累积误差。

他的办法是一次性检验所有组——把总变异拆成"组间变异"和"组内变异"，比值即 F 值，F 越大说明处理效果越显著。

这个方法今天是心理学、医学、农业实验的标配。

② 随机对照实验（RCT）的三原则

他在洛桑农业试验站工作时，发现实验设计混乱——土地有好有坏，没法分清是"施肥效果"还是"土地差异"。

他给出三个原则：随机化、重复、区组。

意思是：随机分配处理，让所有"未知的干扰"在统计意义上自动均匀分布，从而被消除。

这套思想后来直接演化成医学临床试验的 RCT，成为今天循证医学的金本位。

③ p 值——那个统治世界 90 年的数字

1925 年，费舍尔在《研究者的统计方法》里写下这样一段话——

"The value for which P = 0.05, or 1 in 20, is 1.96 or nearly 2; it is convenient to take this point as a limit in judging whether a deviation is to be considered significant or not."

注意他自己用的那个词："convenient（方便起见）"。

p<0.05 这条线在他笔下，本来就是一个"为了方便"的工具阈值，不是终极判决。他自己用过 0.01、用过 0.02，从没说过 0.05 是神圣不可侵犯的。

但后世学者只学了"P=0.05, 1 in 20"那句话。

p < 0.05 → "显著" → 发表 → 写进教科书 → 真理
p ≥ 0.05 → "不显著" → 扔进抽屉 → 永远消失

一个"convenient"的便利阈值，被后人加冕为科学的判决线。费舍尔晚年意识到这是灾难，但 1962 年他死的时候，p<0.05 的独裁已经全面建立。

内曼-皮尔逊框架：把刀磨成框架

内曼（Jerzy Neyman）+ 卡尔·皮尔逊的儿子小皮尔逊（Egon Pearson），1930 年代。

他们补全了费舍尔体系里的一个漏洞：p 值只说"如果零假设成立，看到这组数据的概率"，但没说"我应该做什么决策"。

他们引入了一对术语：

H₀（零假设）：假定没有效果
H₁（备择假设）：假定有效果

两类错误：
  α（I 型错误）= 没效果却判定为有效（假阳性）
  β（II 型错误）= 有效果却判定为无效（假阴性）

统计功效 Power = 1 - β

把"做不做实验"变成了决策理论：你先定好可接受的错误率，再按规则行动。

费舍尔和内曼公开互骂了三十年。费舍尔说内曼把科学变成了"工厂决策"，背离了求真精神；内曼说费舍尔的逻辑根本不严格。

讽刺的是，今天的统计学教科书把两套体系强行缝合在一起，学生背的是一个内部逻辑自相矛盾的混合体。这个矛盾，正是后面统计学危机的隐秘源头之一。

图 4 · 高尔顿 → 皮尔逊（师徒）→ 小皮尔逊（父子）；皮尔逊 ⟷ 费舍尔（30 年互骂）；费舍尔 ⟷ 内曼（公开互骂）。今天教科书里那个看似浑然一体的"统计学"，本质是这张恩怨网被后人强行缝合的产物。

六、p<0.05：一个被神化的"方便起见"

把这件事单独拎出来讲，是因为它牵动着整个现代科学的命脉。

图 5 · 同样的实验、同样的人、同样的方法，跨过 0.05 那条线就进入"真理"流水线，没跨过去就进入"file drawer"消失。这条线是费舍尔随手写下的"convenient（方便起见）"，被后人神化为科学判决。

p<0.05 的现实后果是什么？

第一，发表偏差。期刊只爱"显著"结果，不显著的从来不发。结果是抽屉里堆满了"真相"，公开发表的只是其中"看上去显著"的那一部分。

第二，p-hacking（p 值操纵）。研究者反复切样本、加变量、试模型，直到 p 值跨过 0.05。这不是欺骗，常常是无意识的——人脑天然会自我合理化。

第三，HARKing（先看结果再立假设）。明明是数据挖掘碰巧发现的规律，写论文时却说"我们假设……"。一篇彻头彻尾的探索性研究，被包装成验证性研究。

第四，统计显著 ≠ 实际显著。样本足够大，几乎任何细微差异都能 p<0.05，但这种差异在现实里可能毫无意义。

2016 年，美国统计协会（ASA）罕见地发布官方声明，正式承认 p 值被严重滥用，建议不要把 p<0.05 作为科学结论的判定标准。

2019 年，800 多位科学家在《自然》联署，呼吁废除"统计显著性"这个概念本身。

但九十年的惯性，不会一夜之间消失。

七、发表即生存：全球水化的结构性病灶

学术圈有句黑话：Publish or Perish——发表，或者出局。

这是从美国 1960 年代开始、中国 2000 年代大规模引入的考核哲学：把论文数量直接绑定职称、薪资、项目、户口、子女入学。结果是把"发表"从手段变成目的本身。

水化由此变得不可避免，且是结构性的：

期刊数量爆炸。 1987 年全球学术期刊约 7 万种（Meadows 估算），到 2020 年活跃的同行评审期刊约 4–5 万种；若把掠夺性期刊和半学术性出版物一并计入，则远超此数。其中掠夺性期刊（Predatory Journals）估计已占学术出版体量的 10–30%——它们只要交版面费就发，不做同行评审。期刊总量在二战后呈指数级增长，是水化最直接的供给侧土壤。

最小发表单元文化（LPU）。 一个研究本可写成一篇好论文，被切成五篇"够发表的小论文"，每一篇都不痛不痒，但数量好看。

引用圈与互引网络。 期刊编辑要求作者引用本刊文章；研究团队之间签订"互引协议"；某些学者的引用数被人为推高到惊人的水准。

统计学危机（Replication Crisis）。 2011 年起，心理学界开始大规模重复经典实验。开放科学合作组织（OSC）2015 年发表在 Science 上的标志性研究指出：100 项经典心理学实验中，能在原方向上获得统计显著的复现，仅约 36%（更宽松口径下可达 47%）。经济学、医学、神经科学相继爆发类似危机。

中国的特殊曲线：

2000-2015：数量狂飙，质量参差
2015-2020：高引用论文快速增长，部分领域跻身全球前列
                （AI、材料、化学、量子信息）
2020-今：  教育部"破五唯"政策开始纠偏
           （破除唯论文、唯帽子、唯职称、唯学历、唯奖项）
           但实际执行参差不齐

整个系统已经形成了一种自我强化的灌水激励——发表越多，资源越多，资源越多发得越多。少数清醒者退出游戏，留下的人继续加速。

回到楔子里的同济王平案——它扳倒的不是几个人，而是这个系统的一个截面：当造假被肉眼看穿、被 PubPeer 挂了十个月，仍然能在 Nature 上发出来、领走百万经费、戴上院长帽子。这证明这套筛选机制已经病到自己识别不出最基本的赝品，必须靠系统外（PubPeer 匿名同行）、系统边缘（短视频平台博主）、系统内的少数清醒者（饶毅）合力补位，才能勉强抓住一个例外。

八、回流的污染：论文如何反噬 AI

这是当下最前沿、也最少被公开讨论的话题。

大模型预训练数据的构成大致是这样（基于 GPT-3、Llama 等少数公开披露过训练配方的模型推算；各家实际配方为商业机密，仅供参考）：

Common Crawl（网页爬取）   ~60-70%
GitHub 代码               ~10-15%
学术论文（arXiv 等）       ~5-15%
书籍                      ~10%
Wikipedia                  ~3%
其他高质量来源             ~5%

数字看起来论文占比不高，但权重远高于比例——训练时往往对论文做上采样（upsampling），因为它包含了人类最密集的显式推理链。

结论：论文质量直接影响模型的推理质量，而不只是知识广度。

那么水论文是怎么污染 AI 的？

第一，错误事实的污染。 p 值操纵得出的虚假结论、小样本过度泛化的"心理学常识"、无法重复的"经典实验"——AI 学到后，会以学术权威的语气复读出来。比如早期 GPT 描述斯坦福监狱实验时高度自信，但这个实验在 2018 年 Le Texier 等人公布解密录音和访谈材料后，已被学界严重质疑——津巴多对狱警的指令远比官方叙述明确，参与者亦有表演成分；它今天的学术地位已经从"经典结论"退到"研究伦理失格、结论被严重高估"的位置。

第二，写作风格的污染。 那种"本研究旨在探讨 X 对 Y 的影响，结果表明……具有重要的理论和实践意义"的空洞八股句式，被大量摄入后，模型自己也开始这么写——用复杂词汇掩盖空洞内容。

第三，幻觉的深层来源。 AI 的幻觉常被归咎于"模型本身的问题"，但其中相当一部分源于训练数据里论文之间相互引用形成的错误传播链。某篇论文写错了一个事实，被五十篇论文引用，最后变成"五十一个来源都这样说"，AI 看到的就是"高置信度的共识"。

这是一个隐秘但深刻的反馈环——学术界生产的水分，正在变成 AI 推理能力上的隐形赤字。

九、知其不知的难题：AI 能识别水论文吗？

部分能，但远未解决，而且存在根本性困难。

AI 目前能做到的：

• 检测写作规范性：格式错误、引用不规范、逻辑跳跃
• 识别掠夺性期刊特征：期刊名模糊、无同行评审说明
• 发现数据异常：数字过于"整齐"，是统计造假的常见特征
• 比对已知撤稿论文：Retraction Watch 数据库已被广泛接入
• 检测 AI 生成文本：但目前所有工具的准确率都很有限

AI 目前做不到的：

"这篇论文的贡献增量到底有多大？"
→ 需要领域专家判断，AI 没有真正的理解。

"实验是否真实进行？"
→ AI 看不到实验室，无法验证原始数据。

"这个结论在领域内是不是重要突破？"
→ 需要知道"领域当前边界在哪里"——AI 的知识有截止日期。

最根本的难点在于：判断论文质量的核心能力是"知道自己不知道什么"。

这正好是 AI 当下最薄弱的环节。

讽刺的是，目前最有效的"造假检测器"，仍然是 PubPeer 匿名同行 + 耿洪伟那种有耐心、有领域知识、且不在系统利益链里的人 + 饶毅那种敢于公开下场的学界清醒派。技术可以辅助，但取代不了。

十、未竟的革命：改革地图

学术界并非无所作为。过去十五年，针对水化危机已经形成了五条清晰的改革路径：

① 预注册（Pre-registration）

改革前：做实验 → 看结果 → 写论文 → 选"显著"发表
改革后：先公开宣布"我要做什么实验、什么假设"
       → 做实验 → 无论结果如何都要发表

直接斩断 p-hacking 和 HARKing 的根。开放科学框架（OSF）至今已有超过 10 万项预注册研究，心理学和医学推进最快。

② 注册报告（Registered Reports）

更激进——期刊在实验完成前就决定是否接收：

研究者提交：研究问题 + 方法设计（无结果）
期刊评审：方法好不好？值不值得做？
期刊承诺：无论结果正面负面，都发表
研究者做实验
发表（结果写进去）

Nature Human Behaviour、PLOS ONE 已经引入。但推广缓慢，因为期刊从中得不到"独家爆款"的好处。

③ 开放数据与可重复性标准

论文提交时，必须附带原始数据集和分析代码。任何人都能在自己的电脑上跑一遍验证结果。arXiv + GitHub 已成为物理、数学、计算机的标配。生物医学领域的 FAIR 原则（可查找、可获取、可互操作、可重用）正在推进。

④ 后出版同行评审

传统评审在发表前，效率低且不透明。新模型把评审挪到发表后：

• PubPeer：任何人可以在论文发表后公开评论、质疑——就是楔子里那个早于耿同学 10 个月挂出王平团队论文疑点的平台
• eLife：2023 年改革，不再做接收/拒稿决定，只做评审报告，读者自判
• Overlay Journals：基于预印本做评审，与"发表"解耦

王平案是这条改革路径最戏剧性的现实演示：当传统评审已无能力发现造假时，PubPeer + 中文舆论 + 学界清醒派的组合，事实上构成了系统性的"后出版同行评审"机制。它不优雅、不正式、依赖个人英雄主义补位——但它确实在工作。

⑤ 计量学改革——超越影响因子

期刊影响因子（Impact Factor）这把陈旧的尺子正在被丢弃：

• 转向论文级别的指标而非期刊级别
• 引入 Altmetrics（社交媒体引用、政策引用、媒体引用）
• 开放引用数据，打破 Web of Science 的垄断
• 引入引用多样性指数，避免学术圈内卷化

DORA 宣言（2013）至今已有 22000+ 机构和个人签署，公开承诺不再用影响因子评价个人研究。

图 6 · 五条路径都在试图回答同一个问题——如何让"发表"重新对齐"求真"。其中"后出版同行评审"（PubPeer / eLife）正是楔子里王平案的现实演示场。

这场改革有方向，无尽头。最大的阻力不是技术，而是激励——没人愿意第一个放弃"发表数量"这个游戏规则。

十一、硬骨头与软骨头：含金量排行

讲完危机和改革，回到一个更朴素的问题：今天还有哪些论文，依然让人由衷敬佩？

朴素的答案是：工程界和硬科学。

这不是偏见，而是有结构性原因。

第一，标准更硬。

• 物理：实验数据加误差分析，同行能在自己实验室重复
• 材料：新材料性能必须有多机构验证
• 化学：合成路线加谱图，造假几乎不可能
• 计算机：代码开源加基准测试，社区秒杀水货

第二，失败成本极高。

工程论文背后是产品、专利、工厂。造假会直接导致工程失败，代价具体到一个产品砸了、一笔投资烂了、一座桥塌了。

含金量地图（依据可重复性与社区共识）：

极高含金量（工程 + 硬科学）：
  · 计算机系统 / ML 顶会（NeurIPS、ICML、CVPR）
     代码开源、结果可重复、社区快速验证
  · 材料科学（Nature Materials 等）
     新材料性能硬核，造假等于送命
  · 物理（PRL、Nature Physics）
     粒子物理动辄上千作者联署，数据全体把关
  · 化学合成（JACS、Angewandte Chemie）
     合成路线和谱图无法伪造
  · 天文 / 宇宙学
     数据来自望远镜，全球共享，全球交叉验证

高含金量（应用 + 临床）：
  · 医学 RCT（NEJM、Lancet）
     大样本多中心，可信度高
  · 结构生物学
     蛋白结构等可由第三方独立验证

中等含金量（行为社科）：
  · 经济学（带 RCT 或自然实验的）
  · 神经科学（重复危机存在，正在改善）

含金量存疑：
  · 小样本心理学（WEIRD 样本问题）
  · 部分文科核心期刊
  · 掠夺性期刊泛滥的边缘领域

需要补一句不太好听但必要的话：生命科学是个例外。它顶着"硬科学"的招牌，但实际属于水化高发区——细胞图、电泳图、显微图都极易 P 图，重复一次实验动辄几十万经费，可重复性远低于物理化学等硬科学。2025 年 Nature 统计指出，全球撤稿量前十的机构里，七家来自中国的医院或医学院。耿同学集中火力的领域恰恰就是生命科学——这不是巧合，而是体制结构性漏洞的对外开口。

计算机论文值得单独说一句。

近 20 年全球最有影响力的论文，大量出自计算机工程界：

2017《Attention Is All You Need》（Transformer）
     Google Scholar 引用近 20 万，直接引爆 AI 革命

2012《ImageNet Classification with Deep CNNs》（AlexNet）
     深度学习元年

1998《Gradient-Based Learning Applied to Document Recognition》（LeNet）
     卷积神经网络起点

这些论文有一个共同特征：代码可以重复、基准测试公开、工业界在 6-12 个月内就能验证；学术社区在 1-2 年内大规模复现并改进。

它们之所以可信，不是因为评审员盖了章，而是因为整个社区在很短的时间内复现并改进了它们。

这是论文该有的样子——一个公开的、可被验证的、推动文明向前的认知接力棒。

图 7 · 判断含金量的三个朴素维度：数据/代码是否公开？错误代价是否具体？社区能否快速复现？三问皆是 = 极高含金量。生命科学是顶着硬科学招牌的水化高发区，需单独警惕。

结语：清醒者使用论文的几条原则

写到这里，让我留给读者几条朴素的提醒：

一、看到"研究表明"四个字时，先问一句：哪个研究？多大样本？哪本期刊？ 默认警觉，是清醒的起点。

二、看到 p<0.05 时，不要立刻当真。 这个数字背后是费舍尔一句"convenient（方便起见）"的注脚，它没有它想让你相信的那么神圣。

三、看到"显著"二字时，要分清"统计显著"和"实际显著"。 前者是数学，后者才是生活。

四、心理学和社会学的"经典结论"，建议至少打八折。 重复危机告诉我们，过去几十年的"常识"，可能一半都站不住。

五、生命科学的图像类数据，多留一分疑心。 这是同济王平案留给我们最具体的教训。

六、工程和硬科学的论文相对可信，因为造假的代价具体而残酷。 这不是说它们没有错，而是错会被快速暴露。

七、AI 给你的答案，本质上是过去几十年论文池子的平均产物——而且论文权重远高于其体量占比，因为训练时通常被上采样。 池子有多干净，答案就有多干净。

最后，也是最重要的一条：

不要把"已发表"当作"已为真"。 论文体系是人类目前最好的求真工具之一，但它不是真理本身。它是一套工业流水线，会出次品，会被滥用，也会孕育真正的伟大。

王平案让人敬佩的，从来不是某一个英雄。

是 PubPeer 上挂了十个月、没人理会的两条匿名英文质疑；

是一位读到第五年放弃博士学位、转身用中文重新喊出来的耿洪伟；

是一位敢于在公众号实名连发三篇文章的首都医科大学校长饶毅；

是热搜上一夜激增的转发、评论、追问。

四股非常规力量同时补位，系统的常规自净机制才勉强转动了一次。这本身就是这个时代最大的提醒：当一个系统的内置免疫已经失灵到这种程度，每一个清醒的局外人，事实上都是这个系统的最后一道防线。

清醒地用它，不被它定义。这是这个时代对一个有自我认识的现代人，最基本的要求。

参考来源：

• PubPeer 平台上王平团队 Nature 论文的早期匿名评论（2025 年 6 月起）
• 钱江晚报《博主"耿同学讲故事"接连举报 4 所高校 5 位教授团队学术论文涉嫌造假》
• 界面新闻《"学术造假吹哨人"耿同学：打假知名学者非有意为之》
• 观察者网《"4 所高校，5 个杰青"涉嫌严重学术造假？"耿同学"最新发声》
• 虎嗅网《对话耿同学：五连锤杰青、长江学者，还有更多人的更多线索》
• 大纪元《同济大学生命科学院长《自然》论文被指造假》《王平被撤职降级》
• 公众号"饶议科学"对王平团队 Nature 论文的三篇质疑文章
• 美国统计协会（ASA）2016 年关于 p 值的官方声明
• Open Science Collaboration (2015), Science —— 心理学可重复性危机
• Le Texier, T. (2019), American Psychologist —— 斯坦福监狱实验的解密档案
• DORA 旧金山宣言（2013）
• Meadows, A.J. (1998) Communicating Research —— 学术期刊增长史
• 2025 年 Nature 全球撤稿机构排名统计