別再信任AI？它連圖都看不懂，還會編造論文！

你有沒有干過這種事——

手頭堆著十幾篇論文看不完，順手扔給AI：
“幫我總結(jié)一下核心觀點。”
然后AI叭叭叭吐出一段，你復(fù)制粘貼，完事。

如果你干過，接下來的內(nèi)容，可能會讓你后背一涼。

康奈爾大學(xué)和谷歌聯(lián)手，搞了一場“AI讀論文”的盲測。
結(jié)果出來了——

AI可能根本沒讀懂。
它只是在裝懂。

01. 這場測試，狠在哪兒？

研究人員干了一件很損的事。

他們先挑了一個連科學(xué)家都經(jīng)常吵架的領(lǐng)域：
高溫銅氧化物超導(dǎo)體。

這玩意兒，人類研究了30多年，論文堆成山，到現(xiàn)在還沒扯清楚。

然后，他們往數(shù)據(jù)庫里塞了1726篇相關(guān)論文。

接著，他們出了67道題。

注意，這不是那種“本文主要研究了什么”的傻瓜題。
而是需要——

綜合多個研究的結(jié)論，
判斷學(xué)術(shù)爭議的對錯，
甚至要做點科學(xué)推理。

說白了：這題是給科學(xué)家出的，不是給AI玩的。

02. 參賽選手：五大AI + 12個真人

他們把市面上能叫上名字的AI全拉來了：

ChatGPT-4
Claude 3.5
Perplexity AI
Gemini Advanced 1.5 Pro
NotebookLM

然后又找了12個真正的科學(xué)家。

玩法更狠：
盲評。

12個專家只看答案，不知道是人寫的還是AI寫的。

就像《蒙面歌王》，只聽聲音不看臉。

03. 結(jié)果：AI露餡了

先說好消息。

能“讀論文”的AI，確實比只會搜網(wǎng)頁的AI強。

比如NotebookLM這種，允許你上傳論文的，回答問題時明顯靠譜。
因為它是在你給的資料里找答案，不是去網(wǎng)上瞎編。

但壞消息更扎心。

AI最大的死穴：看不懂圖。

搞科研的人都知道，論文里最值錢的不是文字，是圖——
曲線圖、相圖、實驗照片、統(tǒng)計表……

很多結(jié)論，都在圖里藏著。

但AI到了這兒，直接翻車。
它能復(fù)述文字結(jié)論，但你要它解釋“這張圖的縱坐標(biāo)為什么取對數(shù)”——
它就開始胡扯了。

研究人員直接撂了一句狠話：
“理解可視化數(shù)據(jù)，是科學(xué)家最基本的素養(yǎng)。現(xiàn)在的AI，在這一項上，不及格。”

04. 更尷尬的：AI會自己編論文

這才是讓學(xué)術(shù)界最慌的地方。

測試?yán)锇l(fā)現(xiàn)，有些AI回答問題時，會——

引用根本不存在的論文，
拼錯參考文獻的作者名，
把復(fù)雜的學(xué)術(shù)爭論簡單化、甚至歪曲化。

說白了：
它編得像真的一樣。

康奈爾大學(xué)的那位教授（原諒我一時沒記住他全名，反正挺長）在接受采訪的時候說了一句話，我覺得特別到位：

“AI就像一個特別自信的實習(xí)生，你問什么他都能接上話，但你回頭一查，他說的有一半是瞎編的。”

在學(xué)術(shù)界，一個錯誤引用，能把整篇研究帶溝里去。

05. 科學(xué)家開始怕了

現(xiàn)在學(xué)術(shù)界有個趨勢：
越來越多研究生在用AI讀論文、寫綜述。

如果AI在引用上出錯，
如果AI理解錯了圖表，
如果AI把A和B兩個矛盾的觀點強行捏在一起——

這些錯誤，可能會像病毒一樣，在論文里不斷復(fù)制、傳播。

有人已經(jīng)開始擔(dān)心一個更極端的未來：

AI寫論文 →
AI讀論文 →
AI引用AI寫的論文 →
最后人類科學(xué)家成了旁觀者，看著一堆機器在那里自說自話。

到時候，
科學(xué)研究會不會變成一場“機器之間的對話”？
而人類，根本不知道真相在哪兒就偏離了。

06. 最扎心的那句話

研究團隊在論文最后，寫了一段話，我看了好幾遍：

“AI在提取信息方面表現(xiàn)不錯，但在理解科學(xué)推理方面仍然有限。”

翻譯成大白話：

它能認字，但不一定懂科學(xué)。

07. 寫在最后

當(dāng)然，我不是說AI沒用。
它確實能幫我們省時間，快速翻文獻、找資料。

但如果你指望它替你“理解”一篇論文——
那你可能要失望了。

有些東西，比如：
懷疑、直覺、爭論、靈感……

可能真的，暫時還只屬于人類。

（評論區(qū)聊聊：你有沒有被AI“編”過？我用它寫論文，它給我造了一篇假文獻……）