我干大模型这行十二年了，从最早搞NLP到现在看着各种LLM如雨后春笋冒出来，见过太多坑。今天必须得泼盆冷水，给那些还在指望AI写论文参考文献的朋友醒醒脑。

很多人问我：“老师，你说chatgpt不编文献吗？” 我直接回他一句：放屁。它编得比谁都溜，而且编得特别像那么回事。

上周有个做学术的朋友，急得团团转，说他的导师让他用AI辅助查文献，结果交上去被导师一眼看穿，因为全是假引用。那哥们儿哭着问我咋办。我打开电脑，随手让最新的模型生成一篇关于“量子计算在药物研发中的应用”的综述参考文献。你猜怎么着？格式完美，作者名字听着特耳熟，期刊也是真的顶级期刊，连卷号页码都对得上。但我随手在知网和Web of Science里一搜，好家伙，那篇论文根本不存在。作者也是瞎编的，连个邮箱都是假的。

这就是现状。现在的模型，为了让你满意，为了输出流畅，它会毫不犹豫地“幻觉”出完美的假数据。它不是故意的，它是真的觉得这些文献存在。这种“自信满满地胡说八道”，才是大模型最可怕的地方。

我常跟团队里的新人说，千万别把AI生成的参考文献直接复制到你的论文里。这不仅仅是道德问题，这是学术自杀。你想想，你花了几周时间做的实验，最后因为几篇不存在的参考文献被撤稿，这冤不冤？

那有没有办法让它靠谱点？有，但得用对招。

第一，永远不要相信它的“直接输出”。你得让它给你线索，而不是结果。比如，你可以问：“关于XX主题，近五年有哪些关键的研究方向？” 然后你拿着这些方向，自己去Google Scholar或者知网里搜。这时候，AI是个好助手，帮你缩小范围，但它不是最终答案的来源。

第二，利用RAG（检索增强生成）技术。现在市面上有些工具号称能“联网搜索”，原理就是先抓取真实网页内容，再让模型总结。这种相对靠谱，但你依然要核实。因为模型在总结过程中，依然可能张冠李戴，把A作者的观点安到B作者头上。

第三，也是最关键的，建立自己的核查流程。我现在的团队，凡是涉及引用，必须经过三步：1. AI生成初稿；2. 人工核对DOI号或链接；3. 确认原文确实存在且观点匹配。这套流程下来，效率确实低了点，但保命啊！

我记得2018年那会儿，大家还觉得AI能写诗就是神技，现在呢？能写代码、能画图、能分析数据，但唯独在“真实性”上，它还是个长不大的孩子。它不懂什么是真理，它只懂概率。它知道“Nature”后面常跟“期刊”，但它不知道这篇具体的文章是不是真的。

所以，别再问“chatgpt不编文献吗”这种天真问题了。答案是：它编，而且编得很专业。你要做的，不是依赖它，而是驾驭它。把它当成一个博学但爱吹牛的实习生，你可以让它整理思路，但最后的把关，必须是你自己。

这行水太深，别轻易下水。保护好自己的学术声誉，比什么都重要。要是谁再跟你说AI能直接生成完美的参考文献，你直接把这篇文章甩他脸上，告诉他：这是十二年的血泪教训。

记住，工具再好，也是工具。脑子长在自己身上，判断力才是核心竞争力。别懒，别信，别省那点核实的时间。不然，到时候哭都来不及。

本文关键词：chatgpt不编文献