顶刊主编亲自”面试”作者：10 篇论文 7 个人答不上来自己的论文写了什么

顶刊主编亲自”面试”作者：10 篇论文 7 个人答不上来自己的论文写了什么

你写了一篇论文。现在问你三个问题：

问题设定是什么？这个符号代表什么？摘要里说的结论，在正文哪一部分得到了支撑？

如果论文是你写的，这些问题简单到不用准备。

但在机器学习期刊 TMLR（Transactions on Machine Learning Research）最近的一次试验里，7 篇论文中有 3 篇的作者，连这些基础问题都答不上来。

而且这 3 篇，全是单作者论文。

一次”英勇的实验”

2026 年 9 月 16 日，TMLR 在官方博客发了一篇文章，标题很朴素：《向作者询问他们自己的论文》。

作者是该刊联合主编之一、卡内基梅隆大学的 Nihar B. Shah。

事情发生在 2026 年 8 月 14 日至 28 日他轮值主编期间。他从”待直接拒稿（desk rejection）”的论文里，非正式地抽了 10 篇，通过审稿平台 OpenReview 给作者发消息：

“一位主编希望在送审之前和您聊聊，以便更好地理解这篇论文。如果方便，请发邮件告知可约时间。”

消息发出后，事情迅速分化：

– 1 篇论文的作者直接撤稿； – 1 位作者回复说手头事太多，没空通话； – 剩下 8 篇约上了会，其中 1 位到点没出现； – 最终 Shah 见上了 7 篇论文的作者。

他们的身份各异：本科生、硕士生、博士生、高校教师、独立研究者。

Shah 的提问分两类：一类是关于问题设定、符号和论文所声称结果的基础问题；另一类是关于具体技术表达式、理论结果和实验设计选择的细节问题。

结果：

– 只有 1 篇的作者答上了全部问题； – 3 篇的作者能讲清高层思路，一被追问技术细节就卡壳； – 最糟糕的 3 篇，作者连基础问题都答不上来——而且全是单作者论文。

这 10 篇，最后还是全部被拒了。但拒稿理由变了——不再是”稿子不行”，而是”你不知道自己写了什么”。

TMLR 的另一位主编 Gautam Kamath 在 X 上转发时称这是”一次英勇的实验”，并说它证实了很多人心里早有的猜测：一部分投稿者其实并不知道自己的论文里写了什么。

为什么这事重要

表面上看，这只是”低质量投稿被拒”的又一个案例。10 篇样本小、是主编”非正式”抽取的、全部来自原本就要被直接拒稿的论文——Shah 自己也承认这些局限。

但我要说，这次试验真正的价值不在结论，而在方法。

过去几年，学术圈面对 AI 代写，能做的只有两件事：买检测工具、赌概率。Turnitin 报告、GPTZero 分数、AI 检测率——全都是一堆误报率和漏报率纠缠不休的概率游戏。你抓不到,是因为你只能看文本;而 AI 生成的文本,和人写的之间那条线,越来越模糊。

Shah 换了个问法：不看文本，看人。

文本可以外包，理解不能外包。一个能背出自己论文里每个符号定义、每个实验设计取舍原因的人，几乎不可能是个纯粹的”代写买家”。反过来，一个连”你这篇论文的问题设定是什么”都答不上来的人，文本是谁写的还用查吗？

这是一次成本极低、几乎无可辩驳的检验。它不需要任何 AI 检测工具,只需要一个愿意花半小时和作者聊聊的主编。

更深的隐忧：审稿体系的循环

Shah 在文章里点出了一个更麻烦的链条。

许多期刊和会议会邀请投稿作者去审别人的论文。这本是学术界运转的根基之一——你懂行，所以你有资格评判同行。

但如果一个人连自己的论文都看不懂，他能胜任审稿吗？

答案显然是否定的。于是一个可怕的循环出现了：

> 不懂自己论文的人投了稿 → 稿子被审 → 他也被邀请去审别人的稿 → 他看别人的稿也看不懂 → 给出随机的审稿意见 → 下一个不懂的人收到随机意见 → 继续投稿。

当 AI 审稿和 AI 写作同时涌入，”同行评审”这四个字里最关键的”同行”二字，正在被掏空。

别急着骂”AI 毁了学术”

但这里我得泼一盆冷水，免得跟着喊口号喊嗨了。

问题不是 AI 代写，问题是”署名”。

AI 帮人起草、润色、整理数学推导、跑代码验证——这些本身没什么错。Shah 的试验其实给出了一个相当宽容的底线：

> 一篇论文可以由 AI 帮忙完成，但署名的人必须能说清楚里面写了什么。

这句话才是这次试验真正想说的。学术诚信的核心从来不是”你有没有用工具”，而是”你是不是真的对这个结果负责”。你用 ChatGPT 把初稿写出来没问题，前提是你读懂了、验证了、能对每一个符号负责。

那些答不上来的人，问题不在于”用了 AI”，而在于他们对署名这件事的意义毫无概念。论文不是作品，是责任声明。

给写论文的人一个实操建议

如果你正在写论文、或者要投论文，Shah 的这 7 场面试其实是一份极好的自测清单。投出去之前，先自己回答：

1. 我的问题设定到底是什么？为什么这个问题值得问？ 2. 论文里每一个符号、每一个变量的定义，我能不看稿子说清楚吗？ 3. 摘要里声称的结论，具体由正文哪一部分支撑？那个实验/推导为什么这么设计？ 4. 如果审稿人问”你为什么不用另一种方法”，我能给出理由吗？ 5. 如果现在让我把这篇论文从零讲给一个同领域的人，我能讲通吗？

这五个问题，任何一个答不上来，都该回去补课再投。不是因为会被主编抓，而是因为——你自己都不知道自己在说什么，这篇论文凭什么代表你？

Shah 这次试验最狠的地方，不是抓出了 3 篇”代写”。

而是它证明了一件事：在这个 AI 随手就能生成一篇像模像样论文的时代，”真人答辩”这种古老的形式，反而成了最锋利的照妖镜。

工具越强，越显真诚的稀缺。