「港大論文引入 AI 虛構文獻、社科院副院長葉兆輝卸任」這宗事件，表面上是一篇研究文章的參考文獻出錯，最終撤稿與問責；但更深一層，它是一面照妖鏡，照出學術制度在 AI 時代最脆弱的三個地方：信任的設計、責任的分配，以及能力的培養。
如果我們把它當成「個別學生疏忽」就結案，那麼下一次同類事件只會更頻密、更隱蔽、更難抓；反過來，若我們把它視為「AI 正式入侵學術流程」的一次示警，就能從中讀到一個更重要的訊號：學術界正在由“文本時代”進入“生成時代”——而制度仍停留在上一個版本。
一、事件不只是「引用錯誤」：它是一種新型風險形態
過去的學術不端，通常有明確的道德框架：抄襲就是偷竊；造假就是欺騙。它們的共同點是：不端行為往往需要主觀意圖。
而「AI 虛構文獻」所帶來的麻煩，在於它可能並不依賴惡意——它是一種更像「系統性滑坡」的風險：
你原本只是想「快啲整理文獻」「快啲寫初稿」「快啲交進度」，AI 就在你看不見的地方，替你把空格填滿，甚至把不存在的資料包裝成極像真的引用。你不一定覺得自己在造假，但你已經把一個不可核實的結構，放進一篇必須可被核實的學術文本。
這就是為什麼它比傳統學術不端更難防：
- 它不一定靠「偷」，而是靠「似」
- 它不一定靠「瞞」，而是靠「快」
- 它不一定靠「壞人」，而是靠「舊流程遇上新工具」
生成式 AI 最大的誘惑，是把“完成感”快速提供給你；但學術研究的核心，不是完成，而是可驗證。當完成感先於可驗證，學術就會開始崩。
二、真正的灰犀牛：驗證成本被轉嫁，導致全體「默契性失守」
事件帶來一個非常刺耳但關鍵的現實：
AI 令產出成本下降，但令驗證成本上升。
在 AI 普及之前，寫一個像樣的 reference list，需要你真的閱讀、搜索、比對；這個成本本身就是一種「自然防火牆」。但 AI 把這道牆拆掉：你可以在極短時間內生成一份看起來完全專業的引用列表——甚至格式比真人做得更漂亮。
問題在於：核對每一條引用的真實性，是非常痛苦的工作。它既不「有成就感」，又不「容易被量化」，更不會在 KPI 上直接加分。於是學術共同體便形成了一個危險默契：
- 學生相信 AI 的整理
- 導師相信學生的整理
- 同行評審相信作者的引用
- 期刊流程相信同行評審
- 最後大家一起相信「應該無事」
直到有人逐條去查，信任才瞬間破裂。
這就是灰犀牛：它明明站在那裡，所有人都知道「遲早會出事」，但因為驗證成本太高、誘因不足、責任不清，大家寧願把它當作背景噪音。
三、通訊作者爭議的核心，不是「誰背鍋」，而是「責任鏈斷裂」
事件一出，最容易引發公眾情緒的，是「通訊作者責任」。有人會問：你署名做通訊作者，就代表你要負最終責任，點解會放過咁多條有問題的引用？
但若我們只停留在「究竟係咪逐字逐句睇過」，其實會錯過更深的問題：學術署名制度是否已經由“責任制”變成“績效制”？
在不少研究環境裡，署名有時是一種學術資本的配置方式：
- 導師掛名，提高文章的可信度與通過率
- 團隊互相署名，換取產出量
- 大型研究群組中，通訊作者未必能逐條核對所有細節
當制度獎勵的是「產出數量」與「版面曝光」，而不是「驗證品質」，那麼“責任”就會慢慢變成形式。
因此，通訊作者危機真正提醒我們的不是「某人有冇睇reference」，而是：
在 AI 時代，責任鏈必須重新設計，不能再依靠“大家應該會睇過”這個假設。
這也解釋了為何公眾會感到震撼：因為這不是一個人失誤，而是整條責任鏈都出現了「默契性放過」。
四、同行評審與出版制度的破口：我們一直用「信任」換「效率」
同行評審的設計，本質上是一種成本管理：
它不是要做到「逐字逐句驗證每個細節」，而是用有限時間，對研究方法、理論、結論做合理評估。
但 AI 把「細節造假」變得太便宜了，導致同行評審的成本模型失效。以往 references 出錯，多數是零星錯字、年份顛倒、頁碼不全；現在則可能出現「批量幽靈文獻」，而且外觀完美、語感專業。
於是學術出版遇到一個兩難：
- 若要加強核查（逐條驗證引用），成本會大幅上升，出版流程變慢
- 若不加強核查，可信度會被侵蝕，撤稿率、爭議與公眾不信任會上升
換句話說：AI 把“效率與信任”這筆交易的代價抬高了。
以前我們用信任換效率，代價可控；現在代價開始失控。
這就是制度版本不匹配：舊制度以為「引用真實」是低風險假設，但 AI 令它變成高風險假設。
五、教育制度最深的問題：我們教了「工具」，卻沒教「懷疑」
事件後，最常見的補救措施是「加強 AI 培訓」。但要小心：如果培訓只是教“點樣用 AI 更快”，那其實是在加速問題。
真正需要被制度化的，是三種能力的回歸：
1) 驗證能力：把「查證」重新變成研究者的核心技能
研究訓練不只是學會用資料庫搜尋，更要學會核對來源、確認出版資訊、理解 DOI 與出版社頁面、辨識假期刊與假論文格式。
AI 時代的文獻整理，應當以「可追溯」為第一原則，而不是以「看起來完整」為第一原則。
2) 批判性閱讀：把 AI 輸出視為「草稿」，而不是「答案」
AI 不會為真實性負責，它只會為「像真」負責。
學生若沒有被訓練出一種本能：看到引用就想去驗證，那麼 AI 的“專業外觀”就會成為新的權威幻覺。
3) 慢科學：把「嚴謹」從情懷變成制度誘因
當「Publish or Perish」成為唯一遊戲規則，AI 只會成為更強的加速器。
教育制度要做的是：把嚴謹核證納入可見的評價體系，例如研究計劃書要求列明查證流程、引用核查抽查機制、AI 使用披露要求，甚至把「核證紀錄」作為評分的一部分。
我們要教的不只是“用 AI 做得更快”，而是“用 AI 之後如何更準”。
六、學術自主與人機協作：真正的邊界不是「用唔用」，而是「可唔可追溯」
很多人會把問題簡化成：「學術寫作應否禁用 AI？」
這種問法其實不太準確，因為 AI 在語言潤色、程式輔助、資料清洗、統計分析等方面，確實提升效率，也可能提升品質。
真正的分界線應是三個原則：
1) 透明披露：用咗就要講
就像你用咗統計軟件、用咗某個資料集，你都會在方法學披露；AI 也應如此。
披露不是羞恥，而是學術可重複性的一部分。
2) 最終核實權：AI 不能取代責任人
AI 可以建議、整理、草擬，但每一個被放進論文的事實、引用、數據、推論，最終要有「人」簽名負責。
3) 可追溯紀錄：把過程留痕
未來的研究可能需要像「版本控制」一樣：
哪些段落由 AI 草擬、哪些由人修改、引用從哪個資料庫匯出、核對由誰完成。
當出事時，不再靠口供，而靠流程證據。
這三點，才是 AI 時代學術自主的底線：不是禁用，而是可追溯；不是怕 AI，而是防止責任真空。
結語：學者的價值正在轉移——從「生產知識」到「守護真實」
這宗事件最具啟發性的地方，在於它迫使我們承認：
當 AI 能以幾秒速度生成「像真的學術文本」，學者的稀缺價值就不再是“寫得出”，而是“判得準”。
未來學術界最重要的角色，可能不再是「最快寫到的人」，而是「最能驗證的人」：
- 驗證資料
- 驗證引用
- 驗證推論是否站得住
- 驗證 AI 生成內容的可靠性邊界
修復的從來不只是一篇撤稿的論文，而是整個社會對知識制度的信任。
而要修復信任，就不能只靠道德呼籲；我們必須重新設計制度：把查證能力制度化，把責任鏈清晰化，把 AI 使用透明化。
當科技越來越擅長「生成」，人類更要擅長「鑑別」。
這才是這宗事件最深層的意義——也是 AI 時代每一所大學、每一位研究者、甚至每一個使用 AI 的普通人，都必須面對的共同課題。
追蹤以下平台，獲得最新AI資訊：
Facebook: https://www.facebook.com/drjackeiwong/
Instagram: https://www.instagram.com/drjackeiwong/
Threads: https://www.threads.net/@drjackeiwong/
YouTube: https://www.youtube.com/@drjackeiwong/
Website: https://drjackeiwong.com/