材料科学也需要"数据伦理"吗？

一场没有结论的组会对话

组会结束时，小李突然抛出一个问题，会议室安静了几秒。

小李："我们用 AI 生成了一组晶体结构数据，但没有公开训练集。这算学术不端吗？"

王老师："算不算不端，得看你承诺了什么。如果你投稿时说数据是实验测的，那就是造假。如果你明确说数据是生成的，并且披露了生成方式，那就是方法选择问题。"

小李："那训练集不公开呢？模型不是我们的。"

王老师："这就更复杂了。如果你用的是第三方模型，至少要把版本和参数写清楚。科学结论的可重复性不依赖于你拥有模型，而依赖于别人能复现你的输入和流程。"

数据伦理不只是"不要造假"

材料科学的数据伦理讨论往往停留在"不要伪造数据"，但 AI 时代的问题是更深层的：生成数据、增强数据、合成数据越来越多地进入研究流程，它们的边界在哪里？

• 用生成模型扩充训练集，算不算"数据造假"？
• 公开数据时只放结果不放原始谱图，是否足够？
• 一个模型在材料 A 上训练，用来预测材料 B，是否应该在论文中明确标注？

这些问题没有统一答案，但不讨论本身就是问题。

"伦理不是束缚研究，而是让研究在可被审视的前提下前进。"

如果你正在用 AI 生成或处理材料数据，建议先用 DeepCode 把代码和生成流程整理成可追溯的文档，再考虑投稿。