近日“耿同学举报多所高校学者及其导师涉嫌学术造假”事件在网络上持续发酵。举报内容涉及部分国家杰出青年科学基金获得者等科研人员引发公众对论文图片、实验数据和科研成果真实性的广泛讨论。需要说明的是截至本文撰写时网络举报中的具体指控仍有待相关高校、科研机构和主管部门调查核实举报并不等同于事实认定。但这场争议提出了一个无法回避的问题当一项科研成果受到质疑时我们有没有完整、原始、可追溯的实验数据能够还原研究究竟是怎样完成的科研诚信不能只靠当事人的声明也不能只靠公众“看图找茬”。真正有说服力的证据应当来自实验发生时留下的原始记录、仪器文件、样品信息、操作时间、修改痕迹和审核过程。一条实验曲线、一个显微图像、一组表征结果可能决定一篇论文能否发表、一个项目能否验收、一项新药或新材料能否继续投入。如果数据是假的受影响的只是某篇论文、某个课题组吗答案显然不是。错误数据会误导同行、消耗经费、制造无效重复甚至进入数据库和AI模型变成下一轮科研决策的依据。一次造假污染的可能不只是一个结果而是一条不断扩散的知识链。实验数据造假表面上是科研诚信问题深层次看也是科研数据基础设施问题。一、实验数据造假正在从“改一个数字”变成“制造一套证据”提到实验数据造假很多人首先想到的是篡改数字、删除异常值、拼接图片或者只挑选“好看”的结果。事实上实验数据失真还有更隐蔽的形态实验已经结束很久才补写实验记录原始数据散落在个人电脑、U盘和聊天软件中失败实验没有记录样品、仪器、条件与结果无法对应数据被反复复制、转录却找不到最初来源。这里面既可能存在主观故意也可能来自长期不规范的记录习惯。结果却十分相似别人无法判断数据何时产生、由谁产生、是否修改过也无法根据记录重复实验。过去制造一套看似完整的假数据还需要较高成本。今天生成式AI可以快速生成文字说明、表格、图像乃至貌似合理的实验趋势。AI本身不会决定造假但在缺少原始数据、时间戳和审计追踪的环境中它会显著降低“把假数据包装得像真数据”的门槛。二、为什么实验数据容易失真问题常常始于日常记录1. 平时记录不规范事后就容易变成“写回忆录”实验现场很忙先做实验、以后再补记录是不少实验室的真实状态。可一旦离开现场人就会遗忘某个参数是否临时调整过某份数据对应哪一批样品异常现象发生在加料前还是加料后当记录依赖记忆补全科研人员即使没有造假的主观意图也可能出现遗漏、错写和选择性记忆。纸质本、Excel、仪器电脑和个人文件夹彼此分散更会让原始数据与结论逐渐脱节。2. 监管无法实时发生发现问题时往往已经太晚在传统纸质记录模式下导师、项目负责人或QA通常只能定期抽查。管理者看到的往往是已经整理好的最终版本而不是实验发生的过程。如果一条记录何时创建、何时修改、修改了什么、谁批准过都没有痕迹监管就容易停留在“看格式、看签字”。真正重要的数据来源、逻辑关系和异常处理反而难以及时检查。AI出现后这个问题更加突出。面对一份结构完整、语言流畅、图表漂亮的报告人眼更容易产生“它看起来很专业所以应该可信”的错觉。但对科研而言可信从来不能靠“看起来像真的”而要靠完整证据链。三、电子实验记录本不是把纸搬到电脑而是重建数据证据链治理实验数据失真当然需要科研诚信教育和制度约束但只靠“要求大家认真记录”并不够。高校和企业研发实验室还需要一种能够嵌入日常工作的技术工具——电子实验记录本ELN。真正的ELN不是简单的电子文档也不是把纸质实验本扫描存档而是从实验发生的那一刻起对人员、时间、样品、物料、仪器、方法、过程和结果进行关联管理。它至少应当解决四件事第一让记录及时、规范。通过实验模板、结构化字段和自动保存引导科研人员在实验过程中完成记录减少事后补写。第二让修改可追溯。通过时间戳、电子签名、版本管理和审计追踪保留创建、修改、审核的全过程让数据“改得了但赖不掉”。第三让监管从事后抽查变成过程管理。导师、项目负责人和QA可以按权限远程查看实验进展、批注和审核尽早发现异常而不是等项目结束后再“考古”。第四让数据真正可用。实验记录能够全文搜索、按项目和字段检索并与化学结构、生物序列、样品、库存、仪器数据等关联。只有能被找到、被理解、被复用的数据才称得上数据资产。以鹰谷电子实验记录本InELN为例系统支持模板自定义、结构化数据、电子签名、审计追踪、精细权限、多人合著、文件全文搜索、化学结构式与反应式搜索以及仪器数据导入和天平、HPLC等设备对接通过自动保存和修改留痕尽量把实验过程中的“人、事、时、物、数”连接起来。对于高校实验室它可以帮助PI远程了解实验进展减少学生毕业或人员流动造成的数据断层对于企业研发实验室它可以帮助项目负责人和质量人员实时管理数据保护知识产权并为合规核查提供可追溯的记录。四、决定AI科研能力的不只是“成功数据”科技的竞争越来越表现为AI能力的竞争AI的竞争归根结底又离不开数据的竞争。公开论文和专利大家都可以获取。真正拉开差距的往往是高校、科研院所和企业在长期实验中积累的内部数据使用了什么原料调整了哪些参数哪些路线有效哪些路线失败异常为什么发生下一次如何改进。尤其值得重视的是失败数据。论文通常报道成功结果但实验室的大量时间实际上花在失败、偏差和迭代上。对科研AI而言只有成功数据它只能模仿“正确答案”同时拥有成功与失败数据它才有机会理解边界、识别风险、缩小搜索空间。一个失败实验如果记录完整可以帮助团队避免重复踩坑成百上千个结构化的失败实验则可能帮助AI判断哪些条件组合不值得再尝试。失败数据不是废料而是被传统管理方式长期忽视的科研资产。五、实验数据造假为什么会影响国家科技竞争力因为国家科技竞争力并不是由几篇论文、几个奖项拼起来的而是建立在庞大的科研数据和知识积累之上。如果数据真实、完整、可追溯科研投入就能沉淀为可复用的知识后来的研究者和AI可以站在前人的经验上继续向前。反之如果数据不真实、记录不完整、失败经验不断丢失科研系统就会陷入重复验证、重复试错和重复投入。更严重的是错误数据一旦被AI学习会被规模化放大。过去一条错误结论可能只影响少数阅读者未来它可能在几秒钟内参与生成大量实验方案、研究报告和决策建议。数据底座不可靠AI越强错误传播得可能越快。谁拥有更多真实、完整、结构化的成功与失败数据谁就更有可能训练出更懂自身研发场景的科研AI。结语治理造假要从每一次真实记录开始实验数据造假当然不能仅靠一套软件解决。但一套好的科研数据管理系统可以让规范记录更容易让违规修改更困难让监管更及时让每一次成功和失败都有机会被保留下来。从纸质记录走向电子实验记录本不只是实验室办公方式的变化也不只是为了少写几页纸、少找几次文件。它是在为高校、企业乃至整个国家建设可靠的科研数据基础设施。未来的科研竞争算法会越来越普及算力也可能逐渐趋同。真正稀缺的将是长期积累、来源清晰、真实可信、能够被AI理解和利用的高质量实验数据。保护每一条真实数据记录每一次失败经验就是在保护下一次创新的起点。