"我用 AI 画了张流程图，能用吗？"
这个问题现在每天都有人问，而网上的答案两极分化：一派说"图都不能用 AI，会被查"，一派说"随便用，谁看得出来"。
两派都不对。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。 有的可以放心用，有的用了要写图注，有的一个像素都不许碰。
这篇按这个分类讲透：三类图分别怎么定义、各自能做什么不能做什么、图文摘要和封面图为什么单独立规、版权上有哪四条红线、以及图片检测到底能查出什么。
先给一句总结，方便你先对号入座：画"意思"的图可以用 AI，画"数据"的图有条件，拍"实验"的图完全不行。
一、先分清你要画的是哪一类图
这一步搞错，后面全错。三类的定义和待遇如下。
| 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 a 数据图 | plot、chart、graph、heatmap 等由数据集经分析计算得出的图 | 有条件可以 | 输出必须直接源自底层数据，方法可复现并写进 Methods |
| ② b 原始研究图像 | 显微、组织、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 |
| ③ 图文摘要 | graphical abstract，视觉化总结全文 | 禁用通用 AI 绘图工具 | 建议用专门的科研绘图工具 |
| ③ 封面图 | 期刊 cover art | 特定情况下可以 | 必须事先获得编辑和出版社许可 |
这个分类的底层逻辑其实很清楚：图离"原始实验数据"越近，限制越严。
示意图表达的是你脑子里的逻辑，AI 帮你画得好看点，不影响科学事实。原始研究图像本身就是数据，动它等于动数据。中间的数据图取决于它是不是忠实地从数据里长出来的。
搞清这条逻辑，遇到政策没写到的图你也能自己判断。
二、示意类图：可以用，但要在图注里写清楚
这是最宽松的一类，也是绝大多数人真正想问的那一类。
允许的范围： 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）。
披露要求比正文严格。 这一点很多人不知道：示意图不是"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（how the tool was used）。
同时还要进正文的那份总的 AI 声明。也就是两处都要写。
为什么图注也要写？ 因为图注是跟着图走的。读者看到这张图，就该立刻知道它是怎么来的，不用翻到文末去找声明。这个设计思路和"数据可得性声明"是一样的。
一个实操建议： 图注怎么写不用发明格式，参照正文声明的三要素就行，比如：
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。
三、数据图：只有一个条件，但这个条件很硬
数据图指的是从底层数据集经过分析、计算或统计流程得出的图：plot、chart、graph、heatmap 这些。
先说三条绝对禁止的： AI 工具不得用于编造结果、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。
这三条是同一件事的三种说法，核心就一个词：faithfully derived（忠实地源自）。
允许的情况只有一种： 视觉输出直接源自底层数据，并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，而这些方法要在 Methods 里清楚报告。
披露要求写在 Methods 里（不是图注，注意和示意图不同），内容包括：模型或工具的名称、使用的版本、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。
也就是说，"我用 AI 帮我画了这张热图"这件事，前提是你拿得出数据、拿得出代码或流程、拿得出原图。拿不出，这张图就没有立足之地。
说个实际的判断标准： 如果你让 AI 做的是"帮我把这个 CSV 画成配色好看的热图，代码给我"，这属于可复现的可视化，问题不大（把工具和版本写进 Methods）。如果你让 AI 做的是"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，而在于图里的数字是不是真的来自你的实验。
四、原始研究图像：连调亮度都不允许
这是全篇最严的一条，也是最容易踩的一条，因为很多人根本没意识到自己在违规。
原始研究图像指的是： 呈现原始观测或实验数据的图，比如显微图像、组织切片、Western blot、影像扫描、患者图像。
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，把对比度拉高一点，弱信号可能就"消失"了；把亮度压一点，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"。
配套要求（来自期刊实践）： 顶刊现在普遍要求提供实验原始图。以 Western blot 为例，常见的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。这个要求的目的很直接：让人能看出你有没有拼接。
一个提醒： 这一条不只针对"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。
五、图文摘要、封面图和四条版权红线
这几项单独立规，因为它们不属于"科学内容"，但麻烦不比科学内容少。
5.1 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。
理由官方也说了：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。
那该用什么？ 官方鼓励使用专门的科研插图工具，给的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。
这句话是关键。禁用通用 AI 绘图工具的真正顾虑不是"画得不科学"，而是授权说不清：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。
实操建议： 图文摘要用专业矢量素材库加自己排版，是最稳的路径。
5.2 封面图：可以用，但要先拿到许可
期刊封面图（cover art）用 AI 在某些情况下是允许的，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，被拒了就是白干。
5.3 四条版权红线（这一条适用于所有 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。
一条通用的责任原则： 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。
六、图片检测能查出什么，查不出什么
讲完规则，讲工具边界。这一节是为了让你判断"我的图会不会被查出来"。
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 图是由多张图拼起来的，接缝处的背景纹理往往对不上；
- 克隆/复制粘贴：图内某个区域被复制到另一个位置（比如复制一个细胞团充数）；
- 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。这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。 我们之前写过两个案例：一篇 2011 年的 Neuron 论文，2018 年被质疑图片剪切重复，最后靠作者找出原始数据、提交勘误才落定，从发表到解决前后 14 年；另一篇 2005 年的 Cancer Research 论文，二十年后被图片检测工具发现"比预期相似得多"，直接撤稿。
差别就在有没有原始数据。 这也是最实在的建议：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。
七、投稿前的图片自查清单
按图片类型分开走，别一刀切。
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、用途我都记下来了；
- 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；
- 逻辑和标注全部我自己核过（AI 排版常出现箭头方向、层级关系的错误）。
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，调整幅度合理且能说明；
- 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。
图文摘要和封面图：
- 图文摘要没用通用 AI 绘图工具；
- 封面图（如果用了 AI）已获得编辑和出版社事先许可。
最后一步： 投稿前把图过一遍图片检测，看有没有意料之外的重复。很多问题不是造假，是无意的复用，比如对照组的图在两篇论文里都用了，或者同一批实验的图取错了编号。这类问题自己查出来改掉，成本几乎为零；被编辑查出来，性质就变了。
八、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），别拿这一篇当通用标准。
问：我用 AI 帮我"美化"了一下示意图的配色，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。披露的成本是一句话，不披露的风险是被认定不端。 这个账很好算。
问：我用 Python/R 画的图，算 AI 吗？ 不算。matplotlib、ggplot 这些是确定性的绘图库，不是生成式 AI。但如果你让大模型帮你写了绘图代码，代码本身没有问题（图仍是从你的数据算出来的），按数据图的口径把工具写进 Methods 更稳妥。
问：AI 帮我把手绘草图"描"成矢量图，算生成吗？ 算辅助生成，按示意图处理并披露。要注意的是，这类工具经常会"顺手改"你的内容，描完一定逐个标注核对。
问：那我用 AI 画的图，还需要过图片检测吗？ 需要，而且更需要。原因是 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"，兜的是这个风险。 ICMJE 那句"作者要能声明论文中不存在抄袭，包括 AI 产出的文字和图片"，说的就是这件事。
问：我把已发表论文里的图改一改再用，算什么？ 算两个问题：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：图片检测会不会误报？ 会。最常见的两类：同一批实验的相似图像被判重复（本来就该像），以及领域内标准化的示意图（比如标准通路图）被判重合。误报的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。
最后
把这一整套规则压缩成一句话：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。
这个分界线其实很合逻辑，也不难记。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。投稿前一次性做完，比来回补材料省事得多。
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（政策更新于 2026 年 6 月，含 Images and artwork 三类分法、图文摘要与封面图规定、版权红线）：https://www.elsevier.com/about/policies-and-standards/generative-ai-policies-for-journals
- Elsevier, Artwork and media instructions（图稿要求）：https://www.elsevier.com/about/policies-and-standards/author/artwork-and-media-instructions
- ICMJE Recommendations, Section V.A Use of AI by Authors（作者要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
- 案例：2011 年 Neuron 论文图片质疑至 2025 年 4 月勘误、2005 年 Cancer Research 论文二十年后撤稿，详见本号《图片查重到底能查什么》与《AI 扒出 25 万篇疑似造假论文》两篇。
- 图像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。
