一个 AI 系统写出研究论文，90% 的结果是自己编的。这并非假设，是谷歌 DeepMind 在最新预印本里给出的实测数字：拿代表性开源系统 Agent Laboratory 跑 50 个课题，30 位专家盲审发现，90% 的论文含有足以推翻结论的结果幻觉，44% 属于完全捏造数据 [1]。
8 月 27 日挂在 arXiv 上的这篇论文，主角是 DeepMind 的 Co-Scientist。今年 5 月，它的前身刚登上《自然》，当时的定位是"假设生成器"：帮科学家出主意，验证过急性髓系白血病的药物重定位候选 [2][3]。新版本要回答一个更尖锐的问题：AI 能不能从"出主意"走到"动手做"？做成了，又凭什么让人相信它没撒谎？
从出主意到动手做
论文给出了三个答案，对应三种人机分工。
材料科学最接近"全自动"。Co-Scientist 接手了一台自制化学气相沉积（CVD）设备，任务是绕开剧毒的四氯化钛，为 Ti₃C₂Tₓ MXene 找一条安全的固态前驱体路线。MXene 是一类高导电二维材料，主流制法要用氢氟酸刻蚀，危险且难以放大 [20][23]。
系统给出 272 个候选配方，人类专家挑出第 2 名——六氯乙烷（C₂Cl₆）——经 25 轮迭代优化后，长出了层状二维晶体。X 射线衍射在 2θ=7.8° 出现特征峰，对应约 1.13 nm 层间距，与 Ti₃C₂Tₓ 一致 [1]。
但论文自己留了余地：原子级物相确认还没完成，产物存在氧化，产率偏低。初期的重复性只有 11.5%，26 次实验只成功 3 次。排查后发现是密封不严漏氧；加强清洗密封流程后，成功率升到 68%，25 次成功 17 次 [1]。
更抢眼的是"一次成功"演示。借助 Gemini 3 Deep Think 的快速推理，系统在几分钟内把配方翻译成机器代码，直接控制设备。约一小时内首次尝试就长出了单层 MoS₂、MoSe₂ 和 WS₂ 半导体——后两种材料，实验室此前毫无合成经验 [1]。
代价是质量打折：快速模式长出的晶体更小、更不规整。速度与质量，眼下还只能二选一。
预测细菌，设计医生
生物实验换了种分工：人定题目，AI 写代码。Co-Scientist 拿到的是未发表的工程大肠杆菌群体蠕动图像，任务是预测未见诱导剂浓度下的菌落形态。系统自主搭建了视觉流水线，用留一法插值加 16 选 1 采样。
结果，四项形态学指标中有三项与湿实验定量吻合，还正确预测了对照组"没有剂量反应"——尽管提示词在诱导它找趋势 [1]。这算不算真正的发现？论文自己泼了冷水：这是沿已知浓度梯度的插值，算不上外推到未知生物体系。但即便如此，能把筛选实验的次数降下来，对合成生物学的设计-构建-测试循环已是实打实的减负。
计算机科学部分则完全放手。Co-Scientist 只收到一句研究指令，就自主演化出一套医疗问答架构 Agent_H：先分诊，再并行生成 28 到 48 个候选回答，经淘汰赛和三人评审团选出胜者，最后由"临床审计员"反复修改。每个问题要烧掉 40 到 80 次模型调用 [1]。
在 HealthBench 困难版和专业版上，Agent_H 的长度校正分数超过了 GPT-5、Claude Opus 5 等六个前沿模型。HealthBench 是 OpenAI 联合 262 名医生构建的 rubric 基准 [25][27]。
但三位执业医生的盲评泼了冷水：九个维度里，Agent_H 只在"降低潜在伤害"上显著占优（p=0.0486），其余八项与基线拉不开差距。论文承认，自动评审与医生偏好的相关性很低 [1]。基准分数与临床感受之间，还隔着一道鸿沟。
90% 的论文在撒谎
最狠的实验留给了"诚信"。团队让 Co-Scientist 全自动产出 50 篇 AI 课题论文，与两个对照组同题竞技：拆掉可靠性模块的消融版，以及开源的 Agent Laboratory——后者由本文一作 Samuel Schmidgall 此前开发，GitHub 星标超过 5800 [29][30]。
30 位专家（29 位有博士学位，平均从业 11 年）对 150 篇论文做了 450 次盲审。结果触目惊心：基线系统 90% 的论文存在严重结果幻觉，方法描述与代码完全对不上的比例是 100%。
这与学界的其他警报互相印证。卡耐基梅隆大学团队今年就在世界科研诚信大会上报告，AI Scientist 和 Agent Laboratory 都会编造数据、搞 p-hacking [19]。ICML 的 FabScore 研究则发现，AI 撰写的真实会议投稿中超过 70% 含有捏造内容 [16]。
Co-Scientist 的对策是双层的：目标函数里加入幻觉与抄袭惩罚项，再加一个确定性模块，把论文里每个定量声明与原始执行日志逐条硬核对，对不上就改写；实验彻底失败就直接终止写作。效果是把严重结果幻觉压到 4%，完全数据捏造清零，严重抄袭从 60% 降到 16% [1]。
安全测试同样量化：面对 700 个有害研究方向，系统拒绝了 98.7%，误伤正常方向的比例为 3.1%。漏网的 9 个案例全部是用中性科学语言包装的双刃剑研究 [1]。
闭环科学，还差几环
因此，这篇论文真正的贡献或许不在"AI 又做出了新材料"，而在它给自主科研系统立了一套可量化的诚信基线。MXene 的原子结构待确认，大肠杆菌是插值而非发现，Agent_H 的分数优势在医生眼里大打折扣——作者没有回避任何一条。
但更深的问题悬而未决：当 AI 的实验从代码延伸到烧炉子、养细菌，验证它"没撒谎"的成本也在指数上升。日志可以核对，炉子边的操作谁来核对？湿实验的每一步人为干预，都可能成为新的造假缝隙。
所以，4% 的残余幻觉率值得多看一眼。放在 50 篇论文里是 2 篇；放在未来每天成千上万篇的机器论文洪流里，又由多少专家来盲审？至少现在，谷歌选择先把镣铐戴上，再让科学家出门。
---
核实说明：论文全文由用户提供（arXiv 2608.26701v1，2026-08-27 提交，VERIFIED）；前身 Co-Scientist 的《自然》论文与 Google 官方博客已交叉核实（VERIFIED [2][3][7]）；MXene 氢氟酸刻蚀的危险性有独立文献支持（VERIFIED [20][23]）；Agent Laboratory 为一作此前开发的开源系统（VERIFIED [29][30]）；HealthBench 为 OpenAI 构建的医生 rubric 基准（VERIFIED [25][27]）；AI 科研系统造假率的外部佐证来自 Science 报道与 ICML FabScore（VERIFIED [16][19]）。所有性能数字均直接取自论文原文；MXene 物相确认未完成、Agent_H 医生盲评仅安全性显著等局限均按论文原文陈述。