每隔一阵子，"学术造假"四个字就会冲上热搜。每一次，舆论的剧本都差不多：愤怒、声讨、要求"严惩"，然后呼吁"用制度一劳永逸地解决"。

可在科研圈里摸爬滚打过的人都明白一个朴素的道理——只要有人参与，没有任何一套制度能把造假彻底清零。 这不是悲观，而是常识。今天我想换一个角度，把两件事掰开揉碎讲清楚：第一，造假为什么是世界性难题；第二，高校里那么多怪象的真正"病根"，到底藏在哪里。

一、造假从来不是"中国特色"

很多人有个误解，觉得学术不端是国内独有的毛病。事实恰恰相反。

举两个曾经动摇整个学科地基的例子。

其一，是阿尔茨海默症的"淀粉样蛋白假说"。2006 年，一篇发表在《自然》(Nature) 上的奠基性论文，宣称找到了一种叫 Aβ*56 的致病物质，这篇论文被引用了 2300 多次，是本世纪被引最多的阿尔茨海默病研究之一。可到了 2022 年，《科学》(Science) 经过长达半年的调查发现，相关系列论文中疑似存在大量图片造假。讽刺的是，美国国立卫生研究院当年在淀粉样蛋白相关项目上的投入约 16 亿美元，几乎占了该病全部经费的一半。一位诺奖得主直言：最直接的损害，是整个领域的钱和思路都被带偏了。

其二，是心肌干细胞。哈佛医学院一位曾被誉为"心脏干细胞疗法开创者"的顶尖教授，2018 年被认定 31 篇论文涉嫌伪造、篡改数据，遭建议全部撤稿，相关机构还为此向联邦政府赔付了 1000 万美元。一个曾经热火朝天的研究方向，地基被抽掉了。

你看，欧美一流学府、顶级期刊、巨额经费，照样翻车。所以问题的本质从来不是国籍，而是——科研工作者首先是人，而造假，在很多时候是"有利可图"的。

二、造假的本质，是一道风险评估题

为什么明知不该，还有人铤而走险？因为人会算账。

一个研究者要不要造假，本质上是在做风险评估：当被发现的概率是 50% 时，敢动手的人寥寥无几；可一旦这个概率降到 1%，故事就完全不一样了。

而决定"被发现概率"的，恰恰是实验本身的可复现难度。

这里要纠正另一个流行的偏见：不是某个学科特别爱造假，而是那些"造假成本低、复现成本高"的实验，天然更难被揪出来。 比如某些生态环境研究，记录的是特定地点、特定条件下的一次性变化，旁人想复现几乎不可能，真假难辨；又比如材料领域的产率数据，因为难以证伪而成了"重灾区"。这不是领域的原罪，而是实验方法决定的。

更扎心的是，真正用心做实验的人，常常反而最狼狈。我听过不少这样的故事：年轻人照着顶刊论文重复关键实验，同样的试剂、同样的步骤，做了快二十次都做不出来，几万块钱打了水漂，三个月组会上交不出一张像样的图，发邮件问通讯作者，石沉大海。而隔壁那位"产出惊人、获奖无数"的同门，原始数据、操作记录、科研笔记一应俱全——你根本查不出他的问题。

这就是残酷的现实：一套滴水不漏的造假，靠"严查"是查不出来的。

三、真正的病根：被异化的"评估"

讲到这里，更深一层的问题浮出水面。

为什么这么多人愿意去算那道"风险账"？因为整个系统都在逼着人产出"指标"。

象牙塔早已悄悄流俗，师生员工一个个鲜活的生命，渐渐被异化成考核表上的指标、节点和符号。从校级到省级再到国家级，从申报、评审、评优到排名、评奖——大学里几乎人人都在围着"KPI"内卷，忙碌无比、却又始终缺乏归属感。

更荒诞的是一种"角色错位"：从基层院校、普通教师，到在读研究生，张口闭口都是"要构建一套关于 XX 的评估体系"。可仔细一想——首先是立场不对，其次是诉求不清，最后往往毫无意义。

于是就有了那句一针见血的话：高校发展中暴露出来的许多问题，"其实都是评估惹的祸"。

任何过细、过杂、过多、过于频繁的评估，对教育这个"有机体"都是双刃剑。短期局部也许有促进作用，可放进时间的长河里看，许多评估指标最终都会变成抑制创新的枷锁。更多的人本应专心研究"怎么把事情做好"，而不是去琢磨一套办法来甄别别人做得好不好。

四、出路在哪：少评、整合、简化

那是不是干脆不评？也不是。问题不在"评不评"，而在"怎么评"。我把可行的方向归纳成几条：

第一，整合。 通过重组优化，系统性地清查、合并那些政出多门、纵横交错的"多头评估"，别让一个老师一年到头疲于应付十几张表。

第二，简化。 课程、专业、学科、学术，本是有生命力的活体，永远处在动态演进之中。评估越简单，越能尊重教育系统自我组织、自我生长的内在机制。一句话——"评是为了不再评"。 唯有如此，办学才会有活力，才能持续创新。

第三，换一套激励逻辑。 这是更大胆的设想：科研项目能不能不再以"发了几篇 SCI"来结题，而是以真实的成果和产出为标准？把项目当成一种"贷款"——结题时连本带利偿还，多挣的归自己，还不上的下次不再资助，还得好的下次加大支持。当论文不再是唯一的"硬通货"，造假的诱惑自然会消减大半。

第四，借力 AI for Science。 没有任何方法能彻底杜绝造假，但人工智能或许能在一定程度上压缩造假空间。国内已有企业在尝试"设计—模拟—实验—分析—再设计"的全链条探索，让数据更可追溯、更难伪造。当然，成本能否在短期内降下来，还需要继续观望。

写在最后

我们要警惕一种非黑即白的情绪：一看到"某某造假"，就立刻推导出"技术是假的""一切都完了"。学术论文造假，并不等于科学家没本事、技术就是空中楼阁。 真正能支撑技术发展的硬东西，行不行，时间和市场迟早会替我们检验。

比起一篇造假的论文，更值得警惕的，是扰乱学术生态、是以权谋私、是拍着胸脯保证却最终烂尾的大项目——那才是动摇根基的大问题。

整肃学术圈，方向没错。但若指望靠几条规则就"制度性地"根除造假，恐怕注定要失望。真正的治本之道，是把人从无穷无尽的评估里解放出来，让他们重新有时间、有心力，去做那件最朴素也最难的事——把研究本身做好。