嗯哼…首先咳嗽一聲，以表事態(tài)嚴(yán)峻。

昨天，國(guó)內(nèi)人工智能學(xué)術(shù)圈曝出了一起重大的論文抄襲事故，登上知乎熱搜：

谷歌大腦研究員于4月8日在個(gè)人博客發(fā)文，指出北京智源人工智能研究院、清華大學(xué)等等單位新近合作發(fā)表的綜述論文“A Roadmap for Big Model”（大模型路線圖）抄襲了他們的論文“Deduplicating Training Data Makes Languages Models Better”與其他論文，共計(jì)十余處。

消息一出，立刻在國(guó)內(nèi)外的社交媒體上引起了眾多AI研究者的關(guān)注與討論。

由于該論文篇幅長(zhǎng)達(dá)200頁(yè)，涉及的學(xué)者眾多（一百位），因此，自抄襲消息從北京時(shí)間4月13日早晨登上知乎熱搜開(kāi)始，AI科技評(píng)論編輯組就一直在盡可能與多位涉事學(xué)者核實(shí)情況，以求盡可能做到真實(shí)、客觀、嚴(yán)謹(jǐn)?shù)挠懻摗?/p>

毫無(wú)疑問(wèn)，該論文在arXiv上發(fā)表，作為單單由就職于中國(guó)研究機(jī)構(gòu)與高校的學(xué)者所合作撰寫(xiě)的研究綜述，論文被曝抄襲，必然會(huì)使中國(guó)的AI學(xué)術(shù)圈蒙羞。

多位學(xué)者向AI科技評(píng)論表示，這一抄襲事件對(duì)華人學(xué)者的名聲造成了極大的負(fù)面影響。

這再次警示我們的學(xué)者：學(xué)術(shù)誠(chéng)信原則神圣不可侵犯，應(yīng)將論文寫(xiě)作規(guī)范時(shí)時(shí)銘記在心，不要突破科研的基本底線。

與此同時(shí)，我們也需要做到理性分析。論文抄襲被國(guó)際友人討論與抨擊，不是藤斷瓜落，而是雪山崩塌。作為圈內(nèi)的一份子，我們不應(yīng)抱著「吃瓜」的看客態(tài)度將此事潦草帶過(guò)，也不應(yīng)一桿子打翻一船人。廉潔建設(shè)，人人有責(zé)。

追索真理，本就是科研的態(tài)度。

1、論文詳情

首先讓我們來(lái)回顧一下事件的經(jīng)過(guò)：

今年3月底，一篇由19家機(jī)構(gòu)、100位中國(guó)學(xué)者聯(lián)合署名發(fā)表在 arXiv 上的200頁(yè)論文引起了國(guó)內(nèi)外人工智能領(lǐng)域的廣泛關(guān)注。

這篇論文是一篇研究綜述，題為“A Roadmap for Big Model”（大模型路線圖），主要圍繞近年來(lái)人工智能領(lǐng)域興起的大規(guī)模語(yǔ)言/視覺(jué)模型（如GPT-3）研究進(jìn)行了深入歸納與討論。

此外，該論文在首頁(yè)即表明：大模型的路線圖由清華大學(xué)的唐杰教授設(shè)計(jì)，分為十八節(jié)，包含16篇章節(jié)，16篇章節(jié)中的每一節(jié)由一位（部分為兩位）通訊作者組織。

論文地址：https://arxiv.org/pdf/2203.14101.pdf

從文章的出發(fā)點(diǎn)（促進(jìn)大規(guī)模人工智能模型的研究）、合作作者數(shù)量與署名機(jī)構(gòu)的權(quán)威性來(lái)看，這篇研究綜述對(duì)AI研究者均有極大的閱讀吸引力。Google Brain的研究員Nicholas Carlini就是其中一員。

但隨即，4月8日，Nicholas在他的個(gè)人博文發(fā)文，稱(chēng)“A Roadmap for Big Model”一文抄襲了他參與的論文“Deduplicating Training Data Makes Language Models Better”，而且，他還指出，這篇論文至少還抄襲了十余篇其他論文。

博文地址：https://nicholas.carlini.com/writing/2022/a-case-of-plagarism-in-machine-learning.html

在他的博文中，他用綠色高亮部分對(duì)比了大模型路線圖一文（左）與其他被抄襲論文（右）的重合部分。其中，我們可以看到，Nicholas所標(biāo)亮的內(nèi)容基本是幾句話構(gòu)成的一大段「復(fù)制-粘貼」：

需要注意的是，AI科技評(píng)論對(duì)比了“A Roadmap for Big Model”與“Deduplicating Training Data Makes Language Models Better”等多篇文章，并借助論文查重器，發(fā)現(xiàn) Nocholas 指出的10處重復(fù)來(lái)自于多篇不同文章，而知乎的問(wèn)題讓人感覺(jué)Nicholas在自己的一篇文章里找出了10處重復(fù)。

Nicholas的文章發(fā)表后，立即在Twitter上引起了不少注意。因此，在4月12日（北京時(shí)間4月13日），他又在個(gè)人博客中作了更新說(shuō)明：

沒(méi)想到這篇文章發(fā)出后受到了這么多關(guān)注……我懇請(qǐng)：不要將這件事變成一場(chǎng)蓋帽子的政治迫害。我見(jiàn)過(guò)一些人因?yàn)閷?duì)類(lèi)似事情發(fā)聲而導(dǎo)致相關(guān)人員立即被解雇或被禁止使用arXiv等等。我不會(huì)隨便斷定這篇論文（大模型路線圖）是復(fù)制自多個(gè)來(lái)源。在不了解實(shí)際的情況下，我不想做判斷。也許一些資歷較淺的作者本意是好的，認(rèn)為有了引文就可以直接復(fù)制文本了。這當(dāng)中也許有來(lái)自上層的壓力，讓一些學(xué)生以為要按時(shí)交稿，他們的唯一選擇是偷工減料；而對(duì)于資深作者來(lái)說(shuō)，他們可能閱讀了文本、認(rèn)為它讀起來(lái)很合理，并只是對(duì)文本進(jìn)行了微調(diào)，而不知道文本的來(lái)源。關(guān)鍵是「我們不知道」。這篇論文的合作者有100位，什么情況都是有可能的。

2、核查與聲明

緊跟推特討論，知乎網(wǎng)友也開(kāi)始關(guān)注到此事。4月13日，題為「如何看待智源、清華等單位論文 A Roadmap for Big Model 中大量段落被指涉嫌抄襲？」的話題沖上熱搜，立即引來(lái)了超過(guò)500萬(wàn)的關(guān)注度。4月13日一早，當(dāng)事方智源即在知乎回復(fù)，表示注意到了對(duì)該論文的質(zhì)疑，正在對(duì)相關(guān)情況進(jìn)行核實(shí)，并盡快通報(bào)有關(guān)進(jìn)展。

針對(duì)該事件，AI科技評(píng)論也向該論文涉嫌抄襲章節(jié)的多位作者進(jìn)行了核查。

由于論文的合作作者多達(dá)100位，首先我們需要理智看待的一點(diǎn)是：不能將100位作者相提并論，更不能將一部分作者的抄襲擴(kuò)大為全部作者的抄襲。

從論文的作者名單可以看到，中國(guó)人工智能領(lǐng)域的多位知名權(quán)威學(xué)者均在其列：

參與該論文的19家機(jī)構(gòu)中，中國(guó)高校有6所，中國(guó)高校/政府研究機(jī)構(gòu)有4所，企業(yè)有5家（騰訊、華為、京東、字節(jié)跳動(dòng)、微軟）。其中，分別排名第一與第二的北京人工智能研究院與清華大學(xué)最突出：

AI科技評(píng)論也注意到，Nicholas指出的疑似抄襲部分重復(fù)的嚴(yán)重程度不同，大致可分為三類(lèi)：

較為明顯的大段復(fù)制，較明顯的如第2篇文章3.1節(jié)（報(bào)告P.13-14，對(duì)應(yīng)于Nicolas的第一處質(zhì)疑）；

圖注：報(bào)告P13-14的大段Copy

未給出論文索引的復(fù)制，如第8篇文章3.1節(jié)（報(bào)告P.69，對(duì)應(yīng)于Nicolas的第三處質(zhì)疑）復(fù)制自《LXMERT: Learning Cross-Modality Encoder Representations from Transformers》、第14篇文章第2節(jié)（報(bào)告P.107，對(duì)應(yīng)Nicolas第七處質(zhì)疑）復(fù)制自《Multilingual Denoising Pre-training for Neural Machine Translation》，但在此前版本中的引用文章列表內(nèi)并未包含這兩篇論文。

圖注：報(bào)告P69和P107，復(fù)制內(nèi)容前的引用均不是包含復(fù)制文字的論文，也沒(méi)有給出論文的相關(guān)信息，容易讓人誤解為作者的原創(chuàng)。

作者缺乏經(jīng)驗(yàn)導(dǎo)致的復(fù)制，如第2篇文章4.3節(jié)（報(bào)告P.16，對(duì)應(yīng)于Nicolas的第二處質(zhì)疑）以及第10篇文章第二節(jié)（報(bào)告P.80，對(duì)應(yīng)于Nicolas的第四處質(zhì)疑），均為在復(fù)制內(nèi)容前有類(lèi)似“在XXX作者的XXX文章中提出...”的字樣，隨后直接復(fù)制原作者論文中的總結(jié)部分，這也與Nicolas文章更新中提到的“也許一些資歷較淺的作者本意是好的，認(rèn)為有了引文就可以直接復(fù)制文本了”相吻合。

圖注：報(bào)告P16和P80，復(fù)制內(nèi)容前給出了論文的相關(guān)信息，但沒(méi)有用自己的話總結(jié)而是直接Copy。

在AI科技評(píng)論與作者的溝通中，多位學(xué)者也與AI科技評(píng)論表示，被指出涉嫌抄襲的部分不是自己提供的內(nèi)容。所以這件事情出來(lái)后，有的老師表示“我自己都是懵的”；而對(duì)于AI科技評(píng)論針對(duì)Nicolas文章所提出的發(fā)現(xiàn)，我們所聯(lián)系的老師也均做出了積極的補(bǔ)救措施。

4月13日晚，作為第一責(zé)任單位的北京智源人工智能研究院（BAAI）智源在官方網(wǎng)站、知乎、Twitter等國(guó)內(nèi)外平臺(tái)上公布了內(nèi)部調(diào)查的初步結(jié)果。

官網(wǎng)聲明地址：https://www.baai.ac.cn/portal/article/index/cid/4/id/404.html

智源對(duì)這次論文抄襲事故作了調(diào)查，公布的初步內(nèi)部調(diào)查顯示有5個(gè)章節(jié)“應(yīng)屬抄襲”：

1. 該報(bào)告是一篇大模型領(lǐng)域的綜述，希望盡可能涵蓋國(guó)內(nèi)外該領(lǐng)域的所有重要文獻(xiàn)，由智源研究院牽頭，負(fù)責(zé)框架設(shè)計(jì)和稿件匯總，并邀請(qǐng)國(guó)內(nèi)外100位科研人員分別撰寫(xiě)了16篇獨(dú)立的專(zhuān)題文章，每篇文章分別邀請(qǐng)了一組作者撰寫(xiě)并單獨(dú)署名，共200頁(yè)。報(bào)告發(fā)布后，根據(jù)反饋持續(xù)進(jìn)行修改完善，到4月2日在arXiv網(wǎng)站上已經(jīng)更新到第三版。

2. 4月13日，我們獲悉谷歌研究員Nicholas Carlini在個(gè)人博客上指出該報(bào)告抄襲了他們論文的數(shù)個(gè)段落，同時(shí)還有其他段落和語(yǔ)句抄襲其他論文。我們對(duì)此進(jìn)行了逐項(xiàng)核查，經(jīng)查重確認(rèn)第2篇文章的第3.1節(jié)179個(gè)詞，第8篇文章的第3.1節(jié)74個(gè)詞、第12篇文章的第2.3節(jié)55個(gè)詞、第14篇文章的第2節(jié)159個(gè)詞、第16篇文章的第1節(jié)146個(gè)詞與其他論文重復(fù)，應(yīng)屬抄襲。我們決定立即從報(bào)告中刪除相應(yīng)內(nèi)容，報(bào)告修訂版今天將提交arXiv進(jìn)行更新。目前已通知所有文章的作者對(duì)所有內(nèi)容進(jìn)行全面審查，后續(xù)經(jīng)嚴(yán)格審核后再發(fā)布新版本。

智源表示，“已通知所有文章的作者對(duì)所有內(nèi)容進(jìn)行全面審查，后續(xù)經(jīng)嚴(yán)格審核后再發(fā)布新版本”。此外，智源還稱(chēng)：他們將邀請(qǐng)第三方專(zhuān)家對(duì)報(bào)告進(jìn)行獨(dú)立審查，根據(jù)正式調(diào)查結(jié)果對(duì)相關(guān)責(zé)任人作出問(wèn)責(zé)處理。

需要特別一提的是，《道歉信》中所列舉的抄襲并未完全對(duì)應(yīng)Nicolas文章中的10處質(zhì)疑（如對(duì)第10篇文章就并未提到）。在AI科技評(píng)論與智源的事后溝通中得知，道歉信中僅為智源內(nèi)部參照IEEE抄襲的五級(jí)標(biāo)準(zhǔn)進(jìn)行自查的部分初步結(jié)論列舉，正式的認(rèn)定以第三方正式調(diào)查結(jié)果為準(zhǔn)，“不排除還有其他部分被認(rèn)定為抄襲”。

3、各方反應(yīng)及后續(xù)需要關(guān)注的問(wèn)題

《道歉信》發(fā)出之后，在Twitter、微博等平臺(tái)上也有不同觀點(diǎn)。

一種聲音是來(lái)自國(guó)外網(wǎng)友的質(zhì)疑。如在Twitter上，網(wǎng)友@allonsy 表示對(duì)聲明的不認(rèn)同：“看起來(lái)你們并沒(méi)有對(duì)抄襲進(jìn)行懲罰的打算。你們給世界留下了不好的印象，我以與你們?yōu)槲楦械叫邜u。”

對(duì)此，智源副院長(zhǎng)劉江回復(fù)：“請(qǐng)等待后續(xù)消息?！?/p>

另一種聲音是以馬毅為代表的華人學(xué)者的支持：

在AI科技評(píng)論看來(lái)，智源勇于承擔(dān)的精神十分可嘉。

但仍要指出的是：盡管智源發(fā)表了致歉聲明，但由于這只是一個(gè)初步的內(nèi)部調(diào)查，對(duì)于造成這次事故的原因幾乎沒(méi)有提及，暫時(shí)沒(méi)有人被追責(zé)，這或許也是國(guó)外網(wǎng)友認(rèn)為道歉聲明“避重就輕”的原因。

而根據(jù)AI科技評(píng)論事后與智源的溝通，智源表示會(huì)啟動(dòng)第三方專(zhuān)家調(diào)查，以消除這一事件的不利影響。第三方專(zhuān)家的邀請(qǐng)將遵循國(guó)際通用的回避原則（如師生、合作者等），并且也考慮邀請(qǐng)部分國(guó)外專(zhuān)家如Nicolas參與調(diào)查。但在正式調(diào)查結(jié)果公布之前，對(duì)抄襲發(fā)生的原因、規(guī)模、涉及的作者進(jìn)行猜測(cè)是不合適的，這也是劉江回復(fù)“請(qǐng)等待后續(xù)回復(fù)”的原因。

而根據(jù)智源的總結(jié)，他們?cè)趫?bào)告編寫(xiě)過(guò)程中犯了一個(gè)錯(cuò)誤是沒(méi)有對(duì)所有作者提交的信息按照論文的標(biāo)準(zhǔn)進(jìn)行查重。在報(bào)告的編寫(xiě)過(guò)程中更多的是參照雜志大專(zhuān)題的方式，將報(bào)告分解為多篇文章進(jìn)行匯總，在互聯(lián)網(wǎng)上發(fā)布并根據(jù)反饋進(jìn)行修改和快速迭代。而由于協(xié)作單位眾多，各單位的執(zhí)行標(biāo)準(zhǔn)不一以及時(shí)間問(wèn)題都是最終導(dǎo)致這一事件的客觀因素。

智源表示，他們要堅(jiān)定地承擔(dān)起組織和審查嚴(yán)謹(jǐn)度責(zé)任，絕不推脫。

類(lèi)似地，也有老師向AI科技評(píng)論稱(chēng)，國(guó)內(nèi)學(xué)術(shù)界很多人有這樣一種觀點(diǎn)，認(rèn)為Arxiv論文“沒(méi)有經(jīng)過(guò)同行評(píng)議，不算正式的論文。”

但該老師也承認(rèn)，這件事給國(guó)內(nèi)學(xué)術(shù)界敲了警鐘，因?yàn)椤肮_(kāi)就要負(fù)責(zé)，一旦做Co-Authors就得給整篇文章把關(guān)”。

正如 Nicholas 指出，100位作者，任何事情都可能發(fā)生。

智源于2018年成立，是政府牽頭支持的科研機(jī)構(gòu)，自成立以來(lái)，逐漸成為國(guó)內(nèi)人工智能研究的領(lǐng)頭羊，推出「悟道」大模型等成果，值得贊許。這次的“A Roadmap for Big Model”對(duì)標(biāo)斯坦福的「Foundation Model」，也體現(xiàn)出緊跟前沿的執(zhí)行力。

圖注：斯坦?！窮oundation Model」的論文作者數(shù)量同樣十分龐大

但在這種多人參與大報(bào)告的具體執(zhí)行上，國(guó)內(nèi)學(xué)者還需要在細(xì)節(jié)上下更多功夫。如一位學(xué)生在知乎該問(wèn)題的回復(fù)，如何以此為契機(jī)加強(qiáng)國(guó)內(nèi)學(xué)術(shù)圈優(yōu)良學(xué)風(fēng)的建設(shè)，對(duì)包括論文、文章、代碼等各種抄襲嚴(yán)格說(shuō)No，才是值得當(dāng)事人思考的地方。

畢竟只有平時(shí)的小事做好了，在做大事的時(shí)候才不會(huì)拉胯。

圖注：知乎相關(guān)問(wèn)題下，一位學(xué)生關(guān)于學(xué)風(fēng)的回答

對(duì)于這一事件的后續(xù)發(fā)展，AI科技評(píng)論一方面會(huì)持續(xù)關(guān)注。對(duì)于該事件的前因后果，以及如何規(guī)避，相信讀者仍有著不少疑問(wèn)。

在與智源的溝通中，我們也列出了一些我們關(guān)注的問(wèn)題。其中部分問(wèn)題智源給出了回答，但有的問(wèn)題仍需要有待第三方調(diào)查結(jié)束后才能得到結(jié)論。具體問(wèn)題如下：

Q：這篇研究綜述涉及到19家機(jī)構(gòu)，分為18分部分綜合而成，智源如何組織？

A：智源在組織這篇研究綜述的時(shí)候是將其當(dāng)做一個(gè)報(bào)告而非正式論文，因此采取的也是類(lèi)似“大專(zhuān)題”的形式分解成多篇文章，每篇文章也有專(zhuān)門(mén)的通訊作者署名負(fù)責(zé)。在平臺(tái)上選擇的也是Arxiv這種互聯(lián)網(wǎng)平臺(tái)，以便于得到反饋后得以修改更新。雷峰網(wǎng)

Q：智源在聲明中稱(chēng)會(huì)轉(zhuǎn)交第三方專(zhuān)家獨(dú)立處理，第三方專(zhuān)家由哪些人組成？回避的原則是？

A：從消除不利影響的角度上來(lái)說(shuō)，我們當(dāng)然希望越快調(diào)查完越好，但在比較短的時(shí)間例如一個(gè)星期完成也是不現(xiàn)實(shí)的。智源目前有一些第三方專(zhuān)家的意向人選，但還沒(méi)有最終定下名單。我們會(huì)按照現(xiàn)成的原則進(jìn)行回避，如師生關(guān)系、合作者關(guān)系都是需要回避的。

Q：智源如何判斷是否構(gòu)成抄襲？關(guān)于10處問(wèn)題的的嚴(yán)重程度如何認(rèn)定？是否意味著接受有的知乎網(wǎng)友的說(shuō)法，提到了原論文并摘抄就不算？

A：智源的初步報(bào)告中列舉的只是我們根據(jù)IEEE抄襲的五個(gè)等級(jí)進(jìn)行認(rèn)定、目前可以確認(rèn)的內(nèi)容，這并不是最后結(jié)論。我們也會(huì)借助專(zhuān)業(yè)工具，在后續(xù)的第三方調(diào)查中也有可能會(huì)有新的內(nèi)容被認(rèn)定為抄襲。

Q：在后續(xù)的科研工作開(kāi)展中，你們會(huì)如何規(guī)避類(lèi)似此次的抄襲事故？

A：我們犯的一個(gè)錯(cuò)誤是沒(méi)有按論文的標(biāo)準(zhǔn)在對(duì)這篇報(bào)告進(jìn)行查重。如果我們做了查重，我們就能發(fā)現(xiàn)上述問(wèn)題，并反饋給作者進(jìn)行更改。智源對(duì)學(xué)術(shù)不端持零容忍態(tài)度，以后會(huì)通過(guò)開(kāi)展作者自查、學(xué)風(fēng)教育等方式避免類(lèi)似事故發(fā)生。也歡迎學(xué)術(shù)界、媒體進(jìn)行監(jiān)督。雷峰網(wǎng)

Q：事件調(diào)查完成后，智源是否會(huì)發(fā)布明白的事件經(jīng)過(guò)調(diào)查公告？

A: 會(huì)發(fā)布相關(guān)公告。

Q：關(guān)于論文「引用不當(dāng)」與「抄襲」，智源的理解是怎樣的？是否會(huì)對(duì)科研工作者制定嚴(yán)格的寫(xiě)作規(guī)范指南？

A：我們一定會(huì)制定嚴(yán)格的寫(xiě)作規(guī)范指南。而且這個(gè)指南和國(guó)際標(biāo)準(zhǔn)不會(huì)有太大出入。

而下列問(wèn)題的回答本身屬于調(diào)查的一部分，仍需智源進(jìn)行進(jìn)一步調(diào)查：

該論文的每一位署名作者，是否在論文發(fā)表前對(duì)全文內(nèi)容具有知情權(quán)、并在發(fā)表時(shí)征得每位作者的同意？

是否存在如一個(gè)被刪除的回答所說(shuō)，只給他一個(gè)星期的寫(xiě)作時(shí)間，而且并沒(méi)有最后通閱全文？

為什么是100位作者，是否有湊整數(shù)好看之嫌？為此，是否存在如知乎回答所說(shuō)導(dǎo)師讓學(xué)生干活而只掛自己名（可能是限于名額），然后學(xué)生只保證有東西不保證質(zhì)量的情況？

十年樹(shù)木、百年樹(shù)人。人才永遠(yuǎn)是科研進(jìn)步的根基，若因?qū)W術(shù)不端事件打擊青年人才的科研積極性，對(duì)學(xué)術(shù)失去信心，那中國(guó)的AI未來(lái)發(fā)展便真的是岌岌可危了。雷峰網(wǎng)(公眾號(hào)：雷峰網(wǎng))

時(shí)日維艱，也希望學(xué)者銘記：你們的科研資金來(lái)自于納稅人。做研究，是要有責(zé)任心的。

最后，相信學(xué)者們以后在論文合作上都會(huì)留一個(gè)心眼了。但愿這次事件沒(méi)有阻礙學(xué)術(shù)的交流。

參考鏈接：

https://www.zhihu.com/question/527620020

https://nicholas.carlini.com/writing/2022/a-case-of-plagarism-in-machine-learning.html

https://arxiv.org/pdf/2203.14101.pdf

https://www.baai.ac.cn/portal/article/index/cid/4/id/404.html

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。