「谁该得到署名？」：AI 时代的归属争议，与一个更该追问的判断标准

整理说明：本文整理自 Nature 新闻《Who gets credit in the AI era? OpenAI maths bombshell sparks debate》（2026-09-17，作者 Davide Castelvecchi），引文保留原文表述（中译为本站所加）。文首配图为原文配图（Credit: Hill Street Studios/Getty）；两张示意图为本站自制。文末「本站观点」一节，是站长提出的判断，并在此基础上作了展开。

引子：争议的第二幕

OpenAI 于 9 月 8 日宣布，它用一个人工智能模型解决了流体力学中的一大难题——纳维–斯托克斯问题。Nature 的这篇报道说，这很可能永远改变数学的研究方式；但它同时点燃了另一场争议：OpenAI 的工具，是否从那些同样在用 AI 攻克这个问题的人类数学家那里学到了东西？

注意这里的重心已经不是「AI 能不能做数学」，而是**「功劳算谁的」**。

一、为什么这件事会波及整个学术界的「署名」概念

报道给出的判断是：AI 模型在绝大多数研究领域被广泛使用，而训练数据的来源极难追溯，这可能让「学术署名」这一概念本身陷入困境。

伦敦政治经济学院研究知识产权法的 Luke McDonagh 说：

「学术研究者很可能还没有完全意识到，把数据与知识上传到个人 AI 模型账号意味着什么。」

而在一封批评 AI 公司介入数学问题求解的公开信中，25 位菲尔兹奖得主写道，AI 工具让适当署名变得模糊：

「与所有创造性职业一样，这带来了严重的署名与抄袭问题。」

二、两方说法：一位数学家的质疑与公司的回应

数学家质疑与 OpenAI 回应两方说法对照 — 报道中两方说法与一个更典型的案例（据 Nature 该文整理，本站自制示意）

纽约大学的 Tristan Buckmaster 与哈佛大学的 Levent Alpöge 一直在用 OpenAI 与 Anthropic 的工具研究该问题的一个方面。在 OpenAI 正式确认之前，他们已被告知公司准备宣布解决了这个问题。Buckmaster 在社交媒体上写道：公司是在听到他与 Alpöge 的工作之后才扑向这个问题的，而 OpenAI 的模型可能从他们与 ChatGPT 的交互中学习。

OpenAI 方面对 Nature 的回应是：

「经调查，我们可以确信，7 月 3 日之后的任何用户输入都不可能以任何方式影响这个系统。」

公司称自己在 9 月 1 日开始处理这个问题，并且在两人公开发布之前「没有通过任何途径看到他们的工作」。Buckmaster 则说，他用 OpenAI 工具研究该问题已有一年；他有三个 ChatGPT 账号，其中只有两个关闭了「允许用对话训练模型」的设置。

⚠️ 两方说法均未经独立核验。这条提醒很重要：报道呈现的是争议结构，而不是已经查清的结论。

三、一个更典型的案例：群论里的一次「办公室谈话」

德累斯顿工业大学的数学家 Andreas Thom 提供了更贴近日常研究的例子。过去一年多，他持续与 ChatGPT 讨论群论，并尝试用某种策略构造 non-sofic 群——许多数学家长期认为这不可能。2026 年 8 月，OpenAI 发布预印本，报告了首个此类例子，所用策略与他的相似。

Thom 说，OpenAI 的论文正确引用了他与合作者的早期工作；但他直到 6 月底才关闭训练开关，因此无法知道自己的会话是否也被用于训练。他的类比很朴素：

「如果一个人坐在我的办公室里，后来写出了那篇论文，而他没有给我们的讨论与解释署名，我会很生气。」

（报道说明：目前并未确认 OpenAI 的模型确实使用了 Thom 的对话。）OpenAI 未就此直接回应，但一位发言人称，是否让对话帮助改进模型由用户自己决定；用户选择关闭后，公司不会用这些数据改进模型。

四、奖金与验证：一个程序问题

假设 OpenAI 的解法被独立确认，接下来的问题是：数学界如何分配功劳，以及谁能拿到克雷数学研究所为千禧年难题设立的 100 万美元奖金。

OpenAI 表示，它已用 Lean 这种编程语言验证了自己的证明；
克雷数学研究所（科学总部在牛津）表示，只有当结果在同行评议的出版物上发表、并经学界进一步检验之后，它才会考虑该解法是否成立；
报道提到，研究纳维–斯托克斯方程的研究者认为，很大一部分功劳应当归于 Buckmaster 与 Alpöge，以及马德里数学科学研究所的 Diego Córdoba 与 CUNEF 大学的 Luis Martínez Zoroa。

五、本站观点：判断标准该换一换了

以上是文章的整理。下面这一段是站长提出的判断，我把它展开一下。

核心主张：研究也好、论文也罢，不必再以「是不是 AI 写的」来判断它有没有价值。只要真正能解决现实问题、造福人类，无论 AI 写还是人写，都有价值。学术领域的评价方式——尤其是学术论文的写作与评审——该改进这一点：不要纠结是否由 AI 写成，因为所谓「AI 写的」背后，人同样在参与：提出问题、给出方向、引导 AI 做研究与分析、判断取舍，最后形成论文。

把判断从「谁写的」移到「值不值得」：三个更该被问实的问题（本站观点，本站自制示意）

我认为可以落成三条可操作的口径：

评价对象换一栏：从「作者身份」转向「主张 + 证据 + 可复现性 + 实际效用」。一篇论文值不值得读，取决于它解决了什么问题、结论站不站得住，而不是它的字句由谁敲出来。
过程必须披露：哪些环节用了 AI、人做了哪些判断与取舍、AI 的产出如何被核验。这恰恰是上面那篇 Nature 报道的核心痛点——归属之所以说不清，正是因为过程与数据流向不透明。
用可核验的产物替代「AI 痕迹检测」：数据与代码、可执行的形式化证明（如报道中提到的 Lean）、以及必要时可提交的交互记录。能被复现与检验的东西，比任何「AI 检测分数」都更接近学术判断的本意。

**这三条同时解决两件事。**文章问的是「功劳算谁的」；而如果过程不披露、产物不可核验，归属永远说不清。反过来，把过程与产物做实，归属有了依据，评价也有了依据——两个问题其实是一枚硬币的两面。

但「不纠结是不是 AI 写的」不等于「不必说明」。 有几点边界必须保留，否则这条主张会被误用：

披露仍是义务：不判断「谁写的」，不等于可以不说明「怎么做的」。Nature 在同一时期还有一篇社论，标题就是《AI 公司必须与研究界合作保护归属》——方向一致。
责任主体必须是人：谁提交、谁署名，谁就要对内容负责。AI 不能署名，也承担不了责任。
要区分两类场景：研究成果是否有价值，与学生是否掌握了写作与研究能力，是两个问题。前者看主张与证据；后者的教学目标里，「自己动手写」本身就是目的——把这两件事混为一谈，这条主张就会误伤教学。

结语

归属争议不会因为技术改进而自动消失。但把评价标准从「谁写的」移到「值不值得」，至少能让讨论回到可以用证据回答的地方：它解决了什么真实问题，证据在哪里，过程能不能被复现。

这比花力气鉴定「这段文字像不像 AI 写的」，要有用得多。

来源：Nature · Who gets credit in the AI era? OpenAI maths bombshell sparks debate（News，2026-09-17，Davide Castelvecchi）｜相关社论：AI companies must work with the research community to protect attribution（Editorial，2026-09-16）