"帮我画一张这个信号通路的示意图。"
这句话丢给 AI 绘图工具，十秒钟能出一张看起来很专业的图：配色协调、排版整齐、箭头流畅。然后你会发现三件事：箭头方向错了一个、有个蛋白名拼错了、还有一个分子凭空多出来。
改一改能用吗？改完之后能投稿吗？投稿要不要声明？
这三个问题的答案分别是：看情况、看图的类型、看期刊，而且有一条你可能不知道的硬红线。
这篇讲清楚：AI 绘图在科研场景下实际能做什么、三类图分别允许到什么程度、四条版权红线、该用什么工具替代、以及它和图片检测是什么关系。
先给结论：AI 可以帮你表达想法，不能帮你制造证据。 这条线画在哪，第二节说得很具体。
一、先说能力：它现在到底画得了什么
抛开合规不谈，纯从能力上看，AI 绘图在科研场景下的表现是两极分化的。
1.1 做得还不错的三类
第一，版式与配色。 你已经有内容和结构，让它帮你做视觉呈现，这是它最擅长的。矢量风格的示意图、配色方案、图元对齐，产出质量确实高。
第二，从描述生成流程框架。 你说清楚"A 导致 B，B 分成 C 和 D 两条路径"，它能给你一个结构正确的框图。注意是"结构"正确，不是"内容"正确。
第三，把手绘草图转成矢量图。 你自己画好逻辑，让它描成规整的矢量图形。这一类的可控性最高，因为内容完全由你决定。
1.2 做不好的四类（而且失败方式很危险）
第一，专业符号和命名。 蛋白名的大小写斜体规则、基因名的物种前缀、化学结构式的键角与立体化学、电路符号、力学示意里的受力方向。这些它会"画得像"，但经不起同行看。
第二，逻辑关系的准确性。 箭头方向、抑制与激活的区分（这两个符号完全不同，画反了意思相反）、层级从属关系。它优化的是视觉平衡，不是逻辑正确。
第三，它会"补全"你没要求的东西。 这是最危险的一条：你让它画三个环节，它可能给你画四个，因为在它见过的图里通常有四个。多出来的那个你不一定会注意到。
第四，无法保证一致性。 同一篇论文里画三张图，配色、字号、符号约定可能三张都不一样。改起来比自己画还费劲。
把这两组放在一起，结论就出来了：AI 绘图适合做"形式"，不适合做"内容"。 内容必须由你确定并逐项核对。
二、合规红线：三类图，三种待遇
这一节是本文最硬的部分。Elsevier 在 2026 年 6 月更新的生成式 AI 政策里，把论文里的图分成了三大类，每一类的规则完全不同。
底层逻辑很清楚：图离"原始实验数据"越近，限制越严。
| 图片类别 | 具体指什么 | 能不能用 AI | 关键约束 |
|---|---|---|---|
| ① 示意类图 | 流程图、决策树、时间线、概念示意图、实验流程图 | 可以 | 要在每张图的图注里披露工具、版本、使用方式，并进正文总声明 |
| ② 数据图 | plot、chart、graph、heatmap 等由数据集经分析计算得出的图 | 有条件 | 输出必须直接源自底层数据，方法可复现并写进 Methods |
| ③ 原始研究图像 | 显微、组织切片、Western blot、影像扫描、患者图像 | 完全不行 | 连亮度、对比度、色彩平衡的调整都只能用成熟图像处理软件 |
2.1 示意类图：可以用，但披露要求比正文严
这是绝大多数人真正想问的那一类，也是唯一比较宽松的一类。
允许范围明确： 流程图（flow chart）、决策树（decision tree）、时间线（timeline）、概念示意图（schematic conceptual illustration）、实验流程图（experimental workflow diagram）。
披露要求有个细节很多人不知道： 不是"在文末总声明里提一句"就够了。官方要求是在每一张图的图注里披露，内容包括用了哪个具体工具、什么版本、怎么用的。同时还要进正文的总 AI 声明。两处都要写。
为什么图注也要写？ 因为图注跟着图走。读者看到这张图，就该立刻知道它是怎么来的，不用翻到文末找声明。这个思路和"数据可得性声明"是一样的。
图注怎么写不用发明格式，参照三要素即可：
Fig. 1 was created with the assistance of [工具名] ([版本号]) to generate the schematic layout; all content, labels and logical relationships were determined and verified by the authors.
关键是把"AI 做了什么、你做了什么"分开写清楚。AI 负责排布和美化，你负责内容和逻辑。 这个分工写明白了，就没有争议空间。
2.2 数据图：只有一个条件，但这个条件很硬
三条绝对禁止： AI 不得用于编造结果、发明或篡改底层数据、生成并非忠实源自研究所用数据与方法的图。
三句话说的是同一件事，核心词是 faithfully derived（忠实地源自）。
允许的唯一情况： 视觉输出直接源自底层数据，且这些可视化是通过可复现的分析、计算或统计方法做出来的，方法要在 Methods 里清楚报告。
披露写在 Methods 里（注意和示意图不同，不是图注），内容包括模型或工具名称、使用版本、开发方或制造商。
还有一条要有心理准备： 官方明确写了，作者可能被要求提供 AI 使用的文档记录，以及原始、未经处理的图像，供编辑评估。
一条实际的判断标准：
- 你说"帮我把这个 CSV 画成配色好看的热图，代码给我" → 这是可复现的可视化，问题不大（把工具和版本写进 Methods）；
- 你说"帮我生成一张显示 A 组显著高于 B 组的柱状图" → 这已经是编造数据了，性质完全不同。
差别不在于用了 AI，在于图里的数字是不是真的来自你的实验。
2.3 原始研究图像：连调亮度都不允许
这是全篇最严的一条，也是最容易无意踩到的一条。
规则是： AI 工具不得用于创建或修改这类图像，包括那些并非在研究中直接获得的图像。然后是那句让很多人意外的补充：这也包括对亮度、对比度、色彩平衡的调整，这些只能用成熟的（established）图像处理软件来做。
为什么连调亮度都要管？
因为亮度和对比度不是"美化"，它们直接影响读者能看到什么。一个 Western blot 条带，对比度拉高一点，弱信号可能就"消失"了；亮度压一点，背景噪声就"干净"了。这两个操作在造假案例里出现的频率极高，属于典型手法。
而 AI 工具做这类调整的问题更大：它不是均匀地调整整张图，它会"理解"图像内容然后重绘。 你以为你在调亮度，它可能顺手把一个模糊的条带补成了清晰的条带。这就从"处理"变成了"生成"。
配套的期刊实践： 顶刊现在普遍要求提供实验原始图。以 Western blot 为例，常见要求是显示完整的膜边界和分子量标记，不允许只交裁切好的条带。目的很直接：让人能看出你有没有拼接。
一个提醒： 这条不只针对"用 AI"。就算你用的是正规图像软件，过度处理同样是问题。 区别在于用 AI 是明确禁止，用正规软件是允许但必须在合理范围内并如实说明。
三、图文摘要和封面图，另有规矩
这两项不属于"科学内容"，但麻烦不比科学内容少。
3.1 图文摘要：明确禁用通用 AI 绘图工具
原文的表述很硬：通用生成式 AI 图像工具不得用于制作图文摘要（graphical abstract）。
官方给的理由是：图文摘要往往是复杂的视觉总结，要把多个图形元素、图标和设计组件组合在一起。
但真正的顾虑在下一句： 官方鼓励使用专门的科研插图工具，理由是这类工具有明确界定的授权条款，能支持对受版权保护内容和知识产权的负责任使用。
也就是说，禁用的真正原因不是"画得不科学"，是"授权说不清"。 你用通用图像模型生成的图，训练数据来自哪、有没有侵权、你有没有权利把它用于商业出版，这些问题没有答案。而专业科研绘图工具的素材库授权是写在条款里的。
3.2 封面图：可以用，但要先拿许可
期刊封面图（cover art）用 AI 在某些情况下允许，但有前置条件：
- 必须在投稿前获得期刊编辑和出版社的许可；
- 必须证明所用的任何第三方素材都已取得必要授权；
- 必须提供恰当的内容归属说明。
顺序很重要：先问，再做。 做完了再问，被拒就是白干。
3.3 四条版权红线（适用于所有 AI 生成的图）
官方列了几类绝对不能生成的内容：
- 重复或指向已有受版权保护图像的图；
- 真实人物的形象；
- 他人可识别的产品或品牌；
- 任何个人声音的仿制。
第 2 和第 3 条在实践中最容易无意踩到。 你让 AI 画一张"实验室场景"的示意图，它可能画出一台带着某品牌 logo 的仪器，或者一个长得很像某位真实科学家的人。生成完要看一遍，别只看构图。
还有一条通用责任原则： 作者要为提交的所有图像的准确性和原创性负责，包括确认概念表述准确、图像反映的是作者自己的工作与想法。基于已有作品或图形改的，要给出恰当归属并在投稿前取得权利人许可。
四、那该用什么：三条替代路径
讲完不能做什么，讲能做什么。
路径一：专业科研绘图工具（首选，尤其是图文摘要）。
这类工具的核心优势不是画得好看，是授权条款清楚：素材库里每个图标、每个细胞、每个器官示意图的使用范围都写在协议里，你用了不会有版权问题。而且它们的素材本身就是按学科规范画的，蛋白就是蛋白的样子，不会画错。
也有免费的开放素材库（比如学界常用的一些科研图形素材资源），可以下载矢量图元自己组装。注意每一个素材都要看清它的许可协议，尤其是能不能商用（期刊出版属于商用）。
路径二：AI 排版 ＋ 你定内容（折中方案）。
流程是：你自己确定所有内容和逻辑 → 手绘或用简单工具画出草图 → 让 AI 做矢量化和美化 → 逐项核对 → 按要求在图注里披露。
这条路径的关键在"逐项核对"。核对清单：
- 每个标签的文字是否正确（尤其是专业术语和缩写）；
- 每个箭头的方向；
- 激活与抑制符号有没有混用；
- 有没有多出来你没要求的元素；
- 与正文的表述是否一致；
- 与本文其他图的配色、字号、符号约定是否统一。
路径三：数据图用代码画。
matplotlib、ggplot 这类确定性绘图库不是生成式 AI，图是从你的数据算出来的，天然满足"忠实源自底层数据"的要求。
如果你让大模型帮你写了绘图代码，代码本身没有问题（图仍然来自你的数据），按数据图的口径把工具写进 Methods 更稳妥。
五、和图片检测是什么关系
很多人会问：AI 画的图能不能被检测出来？
先说图片检测目前能有效发现的：
- 图像重复：同一张图在同一篇或不同篇论文里重复出现（含旋转、翻转、缩放、局部裁切后的复用）；
- 拼接痕迹：一张 blot 图由多张图拼成，接缝处背景纹理对不上；
- 克隆与复制粘贴：图内某个区域被复制到另一个位置；
- AI 生成图像的特征：部分工具已具备识别能力。
查不出或查不准的：
- 数据库覆盖不如文本。文本查重比的是数亿级文献库，图像库规模小得多，且各家口径差异很大（厂商自述数字从 7500 万到 1.6 亿都有，引用时务必标来源）；
- 物理、化学类的谱图和示意图，很多不在可识别范围内；
- "这张图是不是这次实验拍的"，工具无法判断，只有原始数据能证明；
- 过度处理的边界在哪，工具给不出结论，最终仍是人的判断。
所以真正的护城河不是"检测查不出来"，是原始数据。
我们写过的两个案例最能说明：一篇 2011 年的 Neuron 论文，2018 年被质疑图片剪切与重复，最后靠作者找出原始数据、提交勘误才落定，前后 14 年；一篇 2005 年发表在 Cancer Research 的 PTEN 论文，二十年后被人用图片检测工具发现"比预期相似得多"，直接撤稿。
两篇都是图片问题、都是十几二十年后被翻出来，一篇勘误一篇撤稿，差别就在有没有原始数据。
还有一条你必须自己承担的风险： ICMJE 2026 年 1 月版第五章里写着，作者应能够声明论文中不存在抄袭，包括 AI 产出的文字和图片。 AI 生成的图可能与训练数据里的某张图高度相似，而你无法知道。你签的那句"我对内容负全责"，兜的就是这个风险。
所以用了 AI 辅助做图之后，过一遍图片检测反而更必要，不是因为怕被抓，是因为你需要知道自己现在的位置。
六、投稿前的图片自查清单
所有图都要过的三条：
- 每张图我能说清它是怎么来的（自己画的 / 数据生成的 / 实验拍的 / AI 辅助的）；
- 用了 AI 辅助的，工具名、版本、用途都记下来了；
- 图里没有品牌 logo、没有真实人物、没有取自网络的现成图。
示意类图：
- 图注里写了工具、版本、使用方式；
- 正文总声明里也提了；
- 标签、箭头方向、激活抑制符号、层级关系全部我自己核过。
数据图：
- 图里每个数字都能追到原始数据；
- 生成方法写进了 Methods，包括工具名称、版本、开发方；
- 原始未处理的图和数据文件我留着，编辑要就能给。
原始研究图像：
- 没有用过任何 AI 工具处理，一个环节都没有；
- 亮度、对比度、色彩只用常规图像软件调过，幅度合理且能说明；
- Western blot 保留了完整膜边界和分子量标记；
- 原图文件按图编号归档，能一一对应。
图文摘要与封面图：
- 图文摘要没用通用 AI 绘图工具；
- 封面图（如果用了 AI）已获编辑和出版社事先许可。
最后一步：过一遍图片检测。 很多问题不是造假，是无意的复用（对照组的图两篇都用了、同批实验取错编号）。自己查出来改掉成本几乎为零，被编辑查出来性质就变了。
七、常见问题
问：不同出版社的规定一样吗？ 方向一致，细节不同。禁止用 AI 生成或修改原始研究图像，这一条各家共识度最高。 但披露位置、示意图的宽松程度、图文摘要的口径各家有差异。投哪家看哪家的作者指南和图稿说明（artwork instructions）。
问：我只是用 AI 调了一下示意图的配色，也要声明吗？ 按 Elsevier 的框架，示意图用 AI 辅助就该披露，写在图注里。披露成本是一句话，不披露的风险是被认定不端。 这个账很好算。
问：AI 把我的手绘草图描成矢量图，算生成吗？ 算辅助生成，按示意图处理并披露。要特别注意这类工具经常会"顺手改"内容，描完一定逐个标注核对。
问：用 Python 或 R 画的图算 AI 吗？ 不算。matplotlib、ggplot 是确定性绘图库，不是生成式 AI。
问：AI 生成的图会不会侵权？ 存在这个风险，而且你无法自行排除。这正是官方禁止用通用 AI 绘图工具做图文摘要的核心理由（授权条款不明确），也是四条版权红线的由来。用授权条款清楚的专业工具，是规避这个风险最直接的办法。
问：图片检测会不会误报？ 会。最常见两类：同一批实验的相似图像被判重复（本来就该像）、领域内标准化的示意图（比如标准通路图）被判重合。应对方式和文本一样：看清系统标的是哪里，能说明来源和差异的就说明。
问：我把已发表论文里的图改一改再用，算什么？ 两个问题：图片重复（图片检测会发现），以及可能的版权问题（哪怕是你自己的图，版权可能已转给出版社）。用自己的旧图也要规范引用并取得许可，这和自我剽窃是一个道理。
问：中文期刊有类似规定吗？ 知网 2026 年 7 月 15 日的声明确立了 AI 不能署名、作者要对 AI 工具使用的合规性负责这两条原则，但图片方面的具体细则国内各刊还在陆续明确。稳妥做法是参照国际口径执行，具体以目标期刊的投稿说明为准。
最后
回到那条分界线：AI 可以帮你表达想法，不能帮你制造证据。
流程图、示意图属于表达想法，用了写清楚就行。Western blot、显微照片属于证据，AI 一步都不能插手。数据图在中间，判断标准是它有没有忠实地从你的数据里长出来。
这条线其实很合逻辑，不难记。麻烦的是执行细节：图注要单独写、Methods 要写工具版本、图文摘要不能用通用工具、封面图要先拿许可、原图要归档。
这些琐碎的事凑在一起，就是现在投稿的真实成本。一次性做完，比来回补材料省事得多。
还有一句更实在的：每一张进论文的图，留好原始文件、拍摄参数和处理记录。 这不是为了应付检测，是为了万一有人问的时候你答得上来。上面那两个案例，一篇勘误一篇撤稿，差别就在这。
查个重 · chagechong.com
重复率检测 · AI 率检测 · 图片检测
图片检测支持图像重复、拼接、克隆与 AI 生成特征识别，24 小时自助提交，报告在线可查。
查个重，查得准。想你所想，帮你阻挡。
报告仅为图像比对与特征分析结果，是否构成图片不端需结合原始数据与期刊规范判断。
参考来源
- Elsevier, Generative AI policies for journals（2026 年 6 月更新；Images and artwork 一节含三类图分法、图文摘要与封面图规定、版权红线、作者责任）：https://www.elsevier.com/about/policies-and-standards/generative-ai-policies-for-journals
- Elsevier, Artwork and media instructions：https://www.elsevier.com/about/policies-and-standards/author/artwork-and-media-instructions
- ICMJE Recommendations, Section V.A Use of AI by Authors（作者应能声明论文中不存在抄袭，包括 AI 产出的文字和图片）：https://www.icmje.org/recommendations/browse/artificial-intelligence/ai-use-by-authors.html
- Nature Portfolio, Artificial Intelligence (AI) editorial policy：https://www.nature.com/nature-portfolio/editorial-policies/ai
- Springer Nature, Artificial Intelligence (AI) editorial policy：https://www.springer.com/de/editorial-policies/artificial-intelligence--ai-/25428500
- 知网关于人工智能（AI）署名为作者的论文处理声明（2026-07-15），媒体报道：https://finance.sina.com.cn/wm/2026-07-15/doc-inihxaew4676029.shtml
- 案例：2011 年 Neuron 论文图片质疑至 2025 年 4 月勘误、2005 年 Cancer Research PTEN 论文二十年后撤稿，详见本号《AI 扒出 25 万篇疑似造假论文》与《图片查重到底能查什么》两篇。
- 图像比对库规模各厂商自述数据存在出入（7500 万 / 1 亿 / 1.6 亿等口径），引用时须标明来源与时间。
