科学开始自我重复了吗？

科学文献在不断增长——根据论文中引用的数据，每年约增长4%，大约每17年翻一番。更庞大的文献可能意味着更广阔的思想前沿，也可能意味着更多论文在重复已经写过的内容。麻省理工学院的数学家伊兰·多龙-阿拉德（Ilan Doron-Arad）和埃尔恰南·莫塞尔（Elchanan Mossel）着手测量这个问题的一个侧面。

原创性有许多维度，也没有公认的衡量标准。但其中一个维度如今已可以大规模测量：文本独特性，即一篇论文有多少内容读起来像近期的研究。现代语言模型可以把一个段落转换成一串捕捉其含义的数字，这样，两个用不同措辞表达同一内容的段落，最终会彼此靠近。

作者对这种方法能捕捉什么、不能捕捉什么十分谨慎。一项真正新颖的发现，可以用熟悉的句子写出来；一个不寻常的措辞，也不等于一个新想法。

固定比较基准

简单的比较会产生误导：随着文献增长，任何段落与某些内容相似的机会都会增加。因此，作者保持比较池的规模不变。在八个领域——天体物理学、生物信息学、化学、气候变化、机器学习、医学、心理学和量子计算——中，对2015年至2025年的每一年，他们从开放获取数据库CORE中选取300篇论文，与此前五年的3000篇论文进行比较。总计约2.6万篇全文。

每篇论文被切分成相互重叠的160词段落。一个匹配须满足：语义高度相似，至少共享六个专门术语，没有连续五个相同的词——从而排除直接复制——没有共同作者，且不是同一篇论文的两个版本。在一个专门构建的测试集上，该检测器几乎没有误判（精确率99.6%），但漏掉了一些真实匹配。

先稳定，后急升

2020年以前，论文中与近期研究相匹配的文本比例徘徊在0.43%左右。从2021年起，这一比例开始攀升，到2025年达到1.34%——是此前水平的3.1倍。一项统计检验将增长的起点定在2021年。

左：每篇论文中与近期研究相似的文本平均比例。右：至少含有一个此类段落的论文比例。——图1a–b，Doron-Arad和Mossel（2026），arXiv:2609.32963。

这一增长并非来自少数“大量借用者”。2025年，至少含有一个呼应段落的论文比例达到25%。八个领域都在增长，只是速度不同。

没有引用的呼应

作者们是否只是引用了他们所呼应的研究？很少。只有6.4%的匹配论文对能找到引用关系，对176对论文的人工核查得出的比例为7%。2015年至2025年间，匹配论文对从449对增至1831对——但其中有引用关系的，两年都只有59对。

按引用状态划分的每年匹配论文对数量：几乎所有增长都来自未检测到引用的论文对。——图3a，Doron-Arad和Mossel（2026），arXiv:2609.32963。

团队还考察了重复的是否不只是措辞，还有观点。Anthropic公司的AI模型用几个词概括每个段落，然后在看不到原文的情况下，判断两条概括是否表达了本质上相同的科学论断。按照严格的定义，这类论文对从2015—2020年平均每年约26对，增加到2025年的139对。

这一规律经受住了许多检验——不同的阈值、段落长度，去除方法部分和被复制最多的来源——并在第二个独立数据库Europe PMC中得到复现，在那里，呼应文本的比例翻了一番。

是嫌疑，不是判决

最大幅度的增长与AI工具在科学写作中的迅速普及同时发生，作者认为它们可能是原因之一，因为这些工具倾向于传播最常见的表述。但研究并未确定原因。学科内共享的语言，以及注意力日益集中于同一批少数论文，也可能起作用；按照这种观点，AI只是一场早已开始的趋同过程的最新加速器。作者还强调，语义相似并不意味着学术不端。

他们建议开发能让作者、审稿人、编辑和资助者看到原创性的工具——但提出一个警告：永远不要把独特性分数当作目标，因为那样会奖励不寻常的措辞而非真正的洞见，而且很容易被操纵。