实验数据造假，会影响国家科技竞争力吗？

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。