| AI当“科研搭子”，科研搭子你真的当真的放放心吗？ |
近日，安徽财经大学通报了一起引发学界关注的心新学网学术不端事件：一篇论文注释中判决书序号被质疑编造，校方调查后认定，闻科作者“误信”了AI的科研搭子检索结果，属于AI使用不当行为，当真的放黄冈网站免费推广平台官网相关责任人受到相应处罚。心新学网
个案的闻科处理有了结论，但它抛出的科研搭子问题远未结束——当AI深度嵌入选题构思、数据分析，当真的放乃至论文成稿的心新学网科研全流程，效率跃升的闻科另一面，是科研搭子原创性归属模糊、黑箱责任难辨、当真的放代笔界限不清等深层困惑。心新学网
“AI科研搭子”成日常，一线科研人员如何在借力与守住学术底线之间找到平衡？记者采访了多位不同学科的研究者，听他们讲述真实的使用体验与边界思考。
借助AI输出科研思路，好点子算谁的？
“过去招研究助理时，我会比较看重编程能力和执行效率。现在AI把这部分能力的门槛大幅降低了。”中国农业大学经济管理学院教授朱晨说。今年春节前后，她搭建了自己的科研智能体系统，将经济学实证研究的流程拆解为7个环节，交由不同的AI代理分别执行。
变化是显著的。朱晨发现，智能体可以基于本地数据库自动生成候选研究问题。含羞草软件下载在她记录的14次运行中，系统共生成79个候选问题，87%符合变量存在、研究设计与数据结构匹配、计量方法可行这三个基本条件。“从形式上来说过关了。”她评价道。
但“过关”离“出色”还有多远？
一位长期关注中国宏观经济政策与微观基础领域的研究者，几乎浏览了苏黎世大学Yanagizawa-Drott团队公开的全部200余篇AI生成论文。他的评价相当克制：“只有极少数选题具备继续推进的价值，大多数只是刚入门的研究生水平。如果送到我手里，我会直接拒掉。”
问题在于分析深度。以经济学常用的双重差分方法为例，这位研究者指出，一篇成熟的实证论文不仅要完成基准回归，还需进行平行趋势检验、敏感性分析和异质性处理效应分析。但在目前公开的AI生成论文中，这些关键步骤“往往缺失，或者只是形式性地出现”。
这指向了一个更深层的问题：当选题本身都可以由算法生成时，科研的原创性到底从哪里来？
华大集团首席研究员徐讯将生命科学领域的AI能力分为五个级别。他判断，当前AI处于L3阶段——“它能完成发现，却不能自主提出原始问题，而提问仍是人类不可替代的核心价值。”在他看来，禁漫天堂jm下载AI可以基于现有知识做组合与推理，但真正的科学问题，那些需要跳出已知框架、指向未知的追问，仍必须由人来完成。
西安交通大学网络空间安全学院教授栾浩认为，大模型本质上是一个知识搜索器。与传统关键词搜索不一样的地方在于，它能理解搜索词的意思，然后在已有的知识库里进行精准语义检索。这意味着，AI能做的是“精准全面地检索人类现有的知识库”，而“怎么去获取人类未掌握的新知识，大模型无法代劳”。在他看来，有时AI给出的思路看似很新，“其实并非创造，是有其他人提供过相关的思路，被它录入到自己的知识库了”。
清华大学化学系副教授马冬昕的实践感受印证了这一点。她把AI称为“一个拥有大量跨学科知识，会聆听、爱分享、随叫随到的好朋友”，但坚持认为课题选择不能完全交给AI。“AI会给出一系列参考文献，旁征博引地给出分析。但限于现有技术水平，难免出现谬误。91看片在线下载必须追溯原始文献，独立自主且具有批判性地思考。”马冬昕说。
她特别提到，和AI探讨科学问题本身就有价值——当AI“文不对题”时，恰恰促使她更清晰地提炼问题，“这个思考的过程，本身就可以帮助我理清思路”。
借助AI开展实验分析，若出错谁担责？
构想落地，进入实验与分析。这是科研最“硬核”的环节，也是AI介入最深入、风险最隐蔽的环节。
中国科学院自动化研究所研究员李林静观察到，科研智能体已经能够完成“文献研读、实验规划、参数迭代、结果分析的闭环自主科研流程”。在北京大学干细胞研究中心，一套占地6平方米的智能平台能独立完成从指尖采血到干细胞培育的120多个步骤，实验误差从最高10%降至1%以下。
效率令人振奋，但隐患同样真实。
谷歌旗下DeepMind曾用AI预测出220万种新的晶体结构，其中38万种被判定为“稳定”。然而，得到实验验证的不到0.2%。中国工程院院士李国杰将这一现象概括为：AI产生了海量“看似合理”的麻豆传媒视频在线假说，绝大多数无法被验证，导致科研资源被浪费在低优先级选项上。
“看似合理”四个字，精准击中了许多一线研究者的焦虑。
中国科学院空天信息创新研究院国家对地观测科学数据中心常务副主任张连翀的观察很直接：“通用AI系统缺乏主动拒答的能力——即便面对超出其知识范围的问题，它仍会尽力生成一个看似合理的回答，而该回答的准确性并无保障。”
栾浩从技术原理上解释了这种“一本正经胡说”的根源：当问题超出大模型的知识库，或者大模型对于问题的理解有偏差时，它会“强行搜索”，给出不相关甚至错误的答案。
南京航空航天大学副研究员伍群芳在电路设计中也反复遇到类似情形。他举例，AI生成的电路方案从框架上看“基本原理确实可以这样去工作”，但一旦涉及效率、纹波、动态响应等具体工程指标，“它不可能所有东西都兼顾得到”。学生拿AI给的滤波电路或信号调理电路去仿真，往往发现实际结果与纸面方案相去甚远，“给个思路可以，最后实际用的东西还是要改变很多，要自己去仿真、优化、调整”。
朱晨的应对之道，是强制复现，同时保留人在关键节点的判断权。在她的系统里，每次研究完成后，都会生成完整的R代码，研究者可以基于原始数据重新运行分析流程，确认回归结果与报告一致。“这一步复现是整个流程中不可或缺的环节，也是确保研究可靠、避免AI幻觉的关键。”
张连翀和团队有个类似的解决办法——探索一条“可信语料库+数据治理+检索增强生成”的解决路径。他们在后台搭建了经过严格审核的可信语料库，智能客服的所有回答均被限定在这一可控数据源内。
这种“人机协同但人最终负责”的模式，正在成为越来越多实验室的操作方式。但问题在于：当AI的输出是一个“黑箱”，研究者既无法完全理解算法内部逻辑，又被要求为结果承担全部责任，这个责任边界的划分合理吗？
“当下大模型在企业实际部署中推进缓慢，核心障碍正在于此。”在栾浩看来，大模型给出答案的准确性在理论上无法精准量化，是其在工业界大规模落地的根本瓶颈。科研场景与工业控制同理：AI可以辅助，但决策权必须留在人手里。
中国人民大学物理学院副研究员高泽峰划出的边界更具体。他鼓励学生用AI辅助写代码，但到了结果分析环节，要求学生独立完成。“必须对自己学术成果中涉及的所有数据负责，绝不能外包，自己当‘甩手掌柜’。”高泽峰说。
借助AI写论文，边界该划在哪里？
实验结束，进入成文阶段。这是AI介入最普遍、争议最集中的环节。某高校化学方向博士生向记者坦言，课题组使用AI的频率“近乎100%”，从选题、初稿到润色都已渗入。
“100%”的高频使用也放大了两个问题：代笔界限模糊，虚假参考文献泛滥。
“学生发来英文论文，句子语法规范、用词地道，却与学术表达不适配。”马冬昕遇到的情况颇为微妙，“我请AI译回中文，发现译文通畅。叫来学生一问，果然是先写好中文再翻译成英文。”
批评教育之余，马冬昕也在思考边界到底在哪里：“AI可以辅助搭建逻辑框架、梳理论文思路、修改语法、润色语言，但绝不能代笔。”而高泽峰则进一步要求学生，在论文撰写阶段同样必须独立自主完成，不能使用AI工具进行辅助。
作为学术期刊的审稿人，伍群芳从审稿人角度印证了这一点：“审稿的核心还是看创新点——相比现有技术提高了多少？怎么提高的？技术方案是什么？最后验证的是什么？这些恰恰是AI无法替代专业判断的地方。”
栾浩用“画龙点睛”来概括人的不可替代性。“大模型可能可以帮你完成80%甚至90%的工作，但是画龙点睛的那一笔，往往做不到。”他用做饭来打比方：AI做出来的菜，像食堂里的大锅饭，按照经验和机械化流程完成，“这道菜毕竟没有办法喂到它嘴里，它不知道咸淡”；而人给家人做饭时，有观察、有感知、有反馈闭环，“他知道这道菜做出来是什么感觉”。在栾浩看来，科研中最关键的那一笔，恰恰来自这种只有人才能完成的“点睛之笔”。
依赖AI的代价不止于此。
中国环境科学研究院研究员阳平坚就发现，一些学生有了AI后自己不再认真读英文文献，“这对学生科研能力伤害非常大”。他现在要求学生文献必须自己读，读完后可以用AI翻译和总结。
“我一周至少看5篇跟我学术方向相关的论文，了解最前沿的指标。电力电子领域技术性特别强，效率能做到99%还是99.1%，这些我心里都有数。”在伍群芳看来，这种对领域核心指标的持续敏感，构成了判断AI输出可信度的基准线。
虚假引文是另一个更隐蔽的陷阱。
阳平坚举了一个例子：AI在一次内容梳理中输出“中国的碳市场即将启动”，课题组成员没有发现问题。“中国碳市场2021年就已经启动了。AI调取的资料库版本比较旧，没有收录最新的数据。”在他看来，如果研究者对自己领域的常识和前沿缺乏专业敏感，AI输出的错误就会悄无声息地进入正式文本。
前不久，学术预印本平台arXiv发布了一项对250万篇论文、1.11亿条参考文献的系统性审核，结果显示：仅2025年，arXiv、bioRxiv、SSRN和PubMed Central四大平台中就存在近15万条由AI编造的虚假参考文献。
专家分析，其根源在于生成式AI的运作方式——它倾向于生成“看起来像文献”的内容，而非检索真实存在的数据。
“很多专业领域的数据库不对通用式AI开放，DeepSeek或者豆包查不到最新的前沿文献。而且它生成的参考文献，有些实际上根本就不存在。”阳平坚忍不住叹息，“这类利用AI写成的文献综述能有什么意义呢？”
伍群芳以自身领域为例佐证了阳平坚的观点：“电力电子学科高度依赖IEEE、IET等专业数据库，但这些数据库‘有权限、要版权’，很多内容没有接入通用大模型。好的东西AI够不着，所以生成的内容也流于大众，没有真正创新可言。”
这也提示，解决AI虚假输出的关键或许不在模型本身，而在数据源的可控性——如果科研人员能够将经过审核的专业文献和自有数据“喂”给AI，而非任由它从开放网络随意抓取，虚假引文的风险将大为降低。
北京大学副校长初晓波的一段话，或许是对这场讨论最恰当的收束：“人类使用AI辅助论文写作，绝非让渡主体性，而是探索一种全新的科研分工——让AI去处理数据的广度，让人类来守住思想的深度与价值的温度。”
（本报记者崔兴毅）
特别声明：本文转载仅仅是出于传播信息的需要，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，须保留本网站注明的“来源”，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，请与我们接洽。英特尔推出至强6+处理器、网络及AI解决方案 推动智能体AI落地
英特尔推出英特尔至强6+能效核处理器，为各类数据中心工作负载提供业界领先的机架密度。还扩展了面向中小企业的至强产品组合，推出全新12核英特尔至强6300系列处理器，为入门级服务器带来更高性能。
【PChome 2026年6月1日消息】英特尔宣布数据中心领域最新进展，推出全新英特尔至强6+处理器，发布以太网800系列新成员—英特尔以太网E835控制器及网络适配器，以及AI加速器路线图的最新进展，包括Crescent Island的更多信息。这些进展共同凸显了一个清晰的行业趋势：当AI迈向智能体时代，CPU正重返现代AI基础设施的中心。英特尔以至强作为控制平面，采取系统级方法，实现大规模部署的高性能与高能效，交付为日益普及的智能体AI工作负载而设计的平台。而在这些工作负载中，无论是在数据中心还是在网络环境，编排、数据流动以及持续推理都至关重要。
英特尔公司执行副总裁兼数据中心事业部总经理Kevork Kechichian展示英特尔至强6+处理器
英特尔公司执行副总裁兼数据中心事业部总经理Kevork Kechichian表示：“AI的扩展之道，不在于各部件的叠加，而在于系统的协同运作。随着AI走向智能体时代，编排、并发与数据流动成为了新的限制因素。这再次强化了一个核心事实：CPU依然是现代AI基础设施的控制平面。通过至强6+和以太网E835，我们正紧密耦合计算与网络，以减少现实世界中的智能体工作流瓶颈，并助力其实现高效、安全的扩展。”
英特尔至强6+处理器重磅登场
英特尔至强6+处理器扩展了至强6家族，专为云原生、智能体AI以及网络密集型工作负载提供卓越的性能密度、能效与运营扩展。作为采用Intel 18A制程打造的首款数据中心CPU，至强6+在现实世界的功耗限制下，依然能提供强劲且持续的性能，这精准解决了新兴智能体AI对编排、并发与数据流动的严苛需求。
针对对单机架功耗、单核吞吐量以及延迟可预测性要求极高的业务环境，至强6+进行了优化。它聚焦于横向扩展性能，让企业无需对数据中心进行颠覆性重构，即可承载全新的AI工作负载。
产品亮点包括：
·多达288颗能效核（E-core）：与上一代产品相比，性能提升高达2.5倍；与同类产品相比，每线程每瓦性能提升高达45%，可为云原生、电信和智能体AI驱动的工作负载提供高并发和快速响应能力。
·12通道DDR5内存：具有可扩展带宽，适用于高密度系统。
·96通道PCIe Gen 5和CXL支持：加速跨异构基础设施的数据流动。
·英特尔应用能源遥测技术（AET）：实现实时、工作负载级的CPU能源和活动遥测。从英特尔至强6+处理器开始，该技术可提高工作负载级能耗的可见性。
·高达9:1的服务器整合率：与第二代英特尔至强处理器相比，可大幅减少占地面积，降低TCO。
·内置于芯片的可靠性机制：包括英特尔SGX和英特尔TDX，以支持机密和多租户部署。
英特尔至强6+处理器已在电信网络基础设施中进行测试，并开始配置到数据中心系统中，整个生态系统均有可用平台。其中包括来自华硕、戴尔科技、爱立信、技嘉、慧与（HPE）、联想、超微等厂商所提供，或在其方案中采用的服务器、网络和集成解决方案。
这一不断壮大的产品组合，诠释了英特尔“系统优先”的理念，即易于部署、交付即刻可用的基础设施，从而在x86架构上运行、扩展和编排爆发式增长的智能体AI工作负载。通过将针对高密度吞吐量和单线程性能优化的至强平台进行互补，英特尔的客户和合作伙伴可以在成熟、广泛的硬件和软件生态系统中调度工作负载，从而在出色效率和敏捷响应之间获得平衡。
英特尔至强6+处理器晶圆
英特尔以太网E835：适用于下一代基础设施的高效网络
AI、云和分布式工作负载持续扩展，网络成为决定整体基础设施性能和效率的关键因素。英特尔以太网E835控制器和网络适配器将为现代数据中心、企业、边缘和AI环境提供高性能、高能效的连接。
英特尔以太网E835在保持行业领先的每瓦性能的同时，还提供了下一代基础设施所需的扩展性和效率。E835专为高密度、虚拟化部署而设计，能够在不牺牲吞吐量或可靠性的前提下，降低能耗和运营成本。
产品亮点包括：
·灵活的连接性：通过多种控制器和网络适配器配置，提供200 GbE的吞吐量，支持10GbE到200GbE的数据速率。E835支持广泛的端口配置，包括2x25GbE、4x25GbE、2x100GbE和1x200GbE，并可通过英特尔以太网端口配置工具（EPCT）启用更多配置。
·行业领先的能效：专为更高每瓦性能而设计。英特尔E835-CQDA2网络适配器的每瓦性能比同类产品高出多达1.4-1.9倍，从而降低了现代分布式环境的能耗和运营成本。
·网络优化：采用RDMA (RoCEv2/iWARP)，降低CPU占用率并最大化效率，支持动态设备个性化（DDP）以简化数据包处理流程，并提升应用性能。
·可靠性与可管理性：集成硬件信任根（Root of Trust）和带签名的 SPDM，支持基于DMTF的可管理性，实现可靠、稳定的运营。
·广泛的兼容性：支持包括Linux、ESXi和Windows在内的多种操作系统。
·10年以上生命周期：为长期可靠性而设计，提供持久的技术支持。
凭借思科、戴尔、慧与（HPE）、联想和超微等行业领军企业的广泛支持，英特尔以太网E835构建了高效、易管理的网络架构。无论是AI训练，还是企业云服务，E835都能提供下一代网络所需的卓越扩展性、出色可靠性与高能效表现。
英特尔以太网E835控制器及网络适配器（插拔式）
提升中小企业入门级服务器性能
英特尔同时宣布，面向入门级服务器的英特尔至强6300处理器系列全新12核版本正式上市。该版本首次将该平台的内核上限提升至8核以上。新增的内核数量可在不改变既有平台的前提下，为中小企业日益增长的工作负载提供更强大的算力支撑与灵活性。
即日起，搭载12核的至强6300处理器将通过各大主流OEM厂商正式发售。该处理器与现有的入门级服务器设计无缝兼容，可助力客户实现快速且具成本效益的系统升级。
Crescent Island：构筑AI推理新势能
为了满足对智能体AI日益增长的需求，除了计算性能之外，内存容量、带宽与能效成为了衡量芯片竞争力的差异化指标。英特尔新一代数据中心 GPU，代号Crescent Island，正是为此量身定制。它基于Xe 3P架构，不仅继承了已被验证的Xe架构优势，还在提供更强效率与能效比的同时，确保了对现代AI负载的软件兼容。
得益于LPDDR5x显存的加持，Crescent Island可提供高达480 GB的超大容量，在大幅降低TCO的同时，高效应对海量、词元密集型的工作负载。它采用的高能效350W风冷PCIe设计，能够以卓越的能效比实现智能体AI的高效扩展。此外，该GPU支持广泛数据类型，涵盖从原生FP4到FP64，为运行各种应用提供了不做妥协的灵活性。
英特尔Crescent Island依托历代Xe架构庞大的装机量积累，专为下一代AI工作负载设计。它支持从原生FP4/MXFP4到FP64的广泛数据类型和微缩放格式，包括对先进AI运营的扩展支持，并提升了内存性能与可扩展性。
同时，英特尔开放式可编程AI软件栈支持异构计算平台，该平台通过“上游优先”策略，带来开箱即用的模型体验，从而减少迁移阻力并加速AI规模化落地。基于相同的Xe架构基础，英特尔锐炫Pro系列提供了一个理想的开发平台，使开发者能在熟悉的硬件上构建、验证和优化工作负载，并通过向前和向后兼容性在Crescent Island上进行无缝部署。
晋江第二季度49个项目集中开竣工 总投资额245亿元
5月20日—21日，晋江49个项目举行集中开竣工活动，总投资额达245亿元，其中开工项目31个、竣工项目18个。
据悉，此次参加集中开竣工的项目总体呈现投资体量大、带动能力强、影响范围广三个特点。
投资体量大，49个项目平均单体投资额超过5亿元，其中投资在5亿元以上的项目达13个。其中，百宏年产33万吨差别化化学纤维生产项目（9期）、百宏年产72万吨功能性聚酯薄膜项目（10—11期）两个项目总投资合计达67亿元，是本土龙头企业在纺织新材料领域实施的增资扩营项目，对晋江纺织制造行业向高质量发展、抢占高端市场具有重大推进作用。
带动能力强，凤竹纺织生产项目不仅新增12亿元产值、1200个就业岗位，还有效降低资源消耗和污染物排放，带动关联行业发展，兼具经济、社会、生态三重效益。
影响范围广，既有产业链强链补链项目，也有重大社会民生补短板项目。其中，晋江新丝路文教园二期项目竣工投用后，其品牌效应和清华附中先进的办学理念、管理经验将辐射周边地区，提升紫帽及周边教育水平。（泉州晚报记者 许雅玲 通讯员 林晓燕）
相关新闻 （共 6 条）