ISEF 研究能不能用 AI 工具，是这两年备赛家长和学生问得最多的一个问题。结论是分层的：AI 可以做文献检索、数据可视化、代码调试这类辅助，但绝不能伪造数据、代写研究、模糊原创边界。本文把 ISEF 对 AI 工具的使用边界、披露要求与学术诚信红线一次讲清。
先看背景强度：ISEF 共设 22 个学科赛道，覆盖 60 多个国家和地区，每年发出超 700 万美元奖金，约 1000 名评委对每件作品至少做 4 次评审。竞争越激烈，学术诚信这条底线就卡得越严，AI 的使用规范自然成了必须提前搞清的门槛。
ISEF 官方对 AI 工具的态度到底是什么？
2026 ISEF 以 Future Forward 为主题，官方专门设置了未来 AI 对话环节，生成式模型、机器人、量子计算、精准医疗成为获奖项目的主流方向。这传递出一个明确信号：ISEF 拥抱 AI 前沿，但拥抱的是学生用 AI 解决真实问题的能力，而不是用 AI 替代独立研究。
与主题同步收紧的是科研诚信口径。新赛季对项目原创性要求更严，AI 工具的使用必须明确声明，且不能替代学生的主体研究。换句话说，官方给 AI 划了一条清晰的线：可以借力，不可以代工。
三位顶尖科学家在颁奖现场的对话，把这条线讲得更透。诺贝尔化学奖得主 Moerner 承认 AI 能快速检索过往成果，但同时提醒必须验证其结果，因为许多已知陈述本身就存在错误；麦克阿瑟奖得主 Stewart 则强调，AI 是辅助工具，若不加检验、不清楚自己想要的结论就随意使用，就是负面作用。
AI 在哪些环节能帮上忙，哪些环节碰都不能碰？
先把能用和不能用的边界摆成一张表，这是判断具体操作是否合规的速查卡。
| 使用环节 | 是否合规 | 关键把守 |
|---|---|---|
| 文献检索与阅读 | 可用 | 结论须自行验证、改写而非照抄 |
| 数据可视化与图表生成 | 可用 | 数据须本人真实采集 |
| 代码调试与算法实现 | 可用 | 核心逻辑要能独立讲清 |
| 英文语言润色 | 可用（需披露） | 主体内容不得整篇代写 |
| 生成虚假数据或伪造结果 | 禁用 | 触碰即出局 |
| 代写论文、摘要与研究计划 | 禁用 | 主体研究必须自己完成 |
| 未加引用复制已有成果 | 禁用 | 触发查重与诚信审查 |
可用与禁用之间的区别，核心在于两个字：主体。数据是不是本人采集、结论是不是本人理解、方法是不是本人设计，这三点立得住，AI 就只是工具；三点含糊，AI 就成了风险的来源。
一个高频误区是拿 AI 生成原始数据。ISEF 的评委约 1000 名、每件作品至少评审 4 次，反复追问下伪造数据的破绽几乎必现。数据必须真实、可追溯，这是 AI 再怎么强大也替不掉的底线。
ISEF 对 AI 使用披露有什么硬性要求？
披露不是可选项，而是硬性要求。若研究过程中使用了 AI 工具，需要在相应材料里如实说明使用场景与程度，让评委判断 AI 在项目中承担的角色。隐瞒不报，本身就构成了学术诚信问题。
配合这条的是查重门槛：研究论文与摘要的 Turnitin 查重需低于 15%，超出即触发学术诚信审查。AI 生成的内容若照单全收，很容易把查重率和原创性审计同时引爆。
学术诚信与 SRC 伦理审查是 ISEF 报名前绕不开的两个前置关口，AI 使用披露正是嵌在其中的一环。相关红线可以看站内《ISEF 学术诚信与 SRC 审查全拆解》；摘要里怎么交代 AI 辅助、口径如何统一，也需要在写作时就定好，见站内《ISEF研究摘要怎么写？Abstract结构与评审视角全拆解》。
不确定自己用 AI 的方式会不会踩到学术诚信红线？扫码获取科研竞赛匹配度与课题可行性评估，先把使用边界与合规路径理清再动手。
用 AI 会不会被判学术不诚信？红线到底在哪？
会不会被判，取决于你是不是越过了三条红线。第一条是造假：伪造实验数据、事后重造研究日志，评委通过重复实验就能验证，一旦坐实将面临终身禁赛。第二条是抄袭：直接复制他人成果或 AI 输出而不加引用、不改写，查重一测即出。第三条是代写：把主体研究交给 AI 完成，评委对项目深度一问就露。
规避这三条的方法不是不用 AI，而是在文献阅读阶段就养成边读边改写的习惯，直接引用加引号并注明出处，摘录与自己的想法严格区分。这样 AI 即便参与归纳，也不会把雷埋进论文里。文献综述怎么做才不踩线，可以看站内《ISEF文献综述怎么做？检索筛选归纳三步法》。
还有一条容易被忽略的时间线：连续研究不超过 12 个月，实验数据必须落在赛季窗口内。用 AI 拼凑出的数据往往经受不住时间节点与原始日志的交叉核验，评委一旦要求查看研究日志，前后对不上就坐实了不诚信。
参考文献的引用也要提防 AI 时代的新风险：AI 有时会给出看似合理、实则虚构的文献条目。每一条引用都必须回到原始出处逐一核实，宁可少引，也不引一条查无此据的来源。
三个 A 框架：科学界怎么看 AI 时代的科研？
面对 AI 风险，学界给出的不是拒绝，而是一套处置框架。美国国家科学基金会前主任 Panchanathan 提出三个 A：Acknowledge，承认负面影响；Address，与各方协作解决；Advance，再向前迈进。这套框架对备赛同样成立。
Stewart 抛出的那个问题更值得深思：如果 AI 也能做科研，科学家是谁？她的答案回到初心——如果你最热爱的是科研本身，那即使 AI 也在做，你依然会继续。ISEF 要的正是这种无法被替代的热爱与独立思考，而不是工具的堆砌。
把三个 A 落到备赛里同样成立：先承认 AI 可能带来的偏差，再用交叉验证、来源核对一一化解，最后带着更清晰的判断往前走。别把 AI 当敌人，也别把它当救世主——把它当成需要管理、需要验证的工具，这种成熟姿态本身就是评委想看到的科研素养。
备赛四个阶段里，AI 分别该怎么用才合规？
如果把整个备赛当一条流水线，AI 工具在每一站都有该自己做的活和该交给工具的活之分。搞清这条分工线，比背一堆规则更实用。
选题阶段，AI 适合帮你梳理领域脉络、归纳现有研究，但研究问题必须由自己提出；文献阶段，AI 能加速检索和理解，但结论要自己验证、改写要自己动手。
实验与分析阶段，AI 可以辅助数据处理、代码调试和图表生成，前提是数据本人真实采集、统计方法本人选定；写作与答辩阶段，AI 可用于语言润色，但主体论证链必须自己搭建，现场问答更要全程是本人思考。
这四个阶段的共同原则只有一条：AI 参与的是手脚，不能替你做大脑。凡是涉及判断、结论、原创的环节，都必须是自己的产出；凡是机械、重复、可核查的环节，交给 AI 才安全。
一个实用的自检动作，是把 AI 参与的范围写进研究日志。哪一步用了工具、用在什么环节、自己怎么介入复核，逐条记录。这样既满足披露要求，也为将来评委追问时留下可展示的证据链，而日志的完整记录本身就是 ISEF 评审看重的关键材料。
关于 ISEF 与 AI 工具，还有哪三个高频问题？
用 AI 润色英文，需要向评委披露吗？
需要。即便是语言润色这类辅助，也应在材料中说明 AI 参与的范围，保持使用透明；主体内容与核心结论必须出自本人，不能整篇交给 AI 改写。
AI 生成的数据，重跑一遍结果对得上，能算自己的数据吗？
不能。ISEF 要求数据必须由本人真实采集、可追溯，AI 生成的伪数据无论多逼真都属伪造，评委通过实验日志与重复验证即可识破，触碰即面临取消资格或禁赛。
完全不用 AI，会不会在评审里吃亏？
不会。ISEF 评审的核心是科研逻辑与科学方法，而非是否用了 AI。评委更看重你清不清楚自己要研究什么、方法和结论是否站得住，关键是 AI 用得好不好、用没用对，而不是用没用。
ISEF 与 AI 的关系，从来不是能不能用的二选一，而是用在哪、怎么用、透不透明的边界问题。把辅助环节交给工具，把数据、方法、结论与原创牢牢握在自己手里，AI 就是科研的放大器；反过来让它越界，它就变成学术诚信的最大风险。这个分寸，正是 ISEF 想考察的独立思考本身。
想把 AI 使用规范对照着获奖课题的具体做法来学？扫码免费领取 ISEF 历年获奖课题、作品解析与参考文献资料包，按学科赛道归档，先对标再动手。
