B站专门做学术论文打假的UP主“耿同学讲故事”，他的风格很上头：一本正经地扒论文里的数据造假证据，配上大量吐槽和段子，把枯燥的学术不端问题讲成了相声。
看多了会发现一个问题：他每期都在讲不同的院长、教授、Nature子刊，但反复用的检测手法其实高度相似。只是每次都换了案例、换了段子包装，不容易一眼看出规律。
于是我起了个念头：
能不能把他全部投稿一次性扒下来，用本地AI帮我把这套隐藏的方法论提炼出来？
整个过程走了三步：下载、转写、总结。除了从B站获取公开视频，后面的转写和模型分析都在本地电脑上跑完，没有调用云端AI接口。
准备数据
这部分其实不是文章的重点，但它决定了后面分析能不能成立。视频要先完整拿到，语音要先转成可检索的文字，最后模型才有材料可总结。
第一步，批量下载全部投稿
先用一个基于yt-dlp的下载脚本，一次性抓取UP主视频列表页的全部视频。下载了所有的视频，在本地进行视频转音频、音频转文字操作。
这里有两个实际坑。
第一个坑是B站风控。投稿列表页不带浏览器cookie直接访问，会被412拒绝。带上cookie之后，脚本才能正常拿到完整投稿列表。
第二个坑是下载策略。脚本第一次跑的时候，我设置成自动挑选最高画质。结果在正式下载前，yt-dlp会先对整个列表里的每一条视频做一次完整探测，导致跑了很久才真正开始下载。后来改成直接指定画质，跳过这一步，效率提升明显。
后面还有一次补漏。先前下载中断过，有些视频没下完整。这里用了yt-dlp自带的下载记录文件，也就是download archive机制：把已经下载好的视频ID写进记录文件，再次运行时自动跳过已完成的，只补齐缺的部分。
最后，155个投稿里成功拿到153个可用视频文件。
第二步，本地语音转文字
视频到手之后，下一步是把语音内容变成文字稿，方便后续做文本分析。
这一步用的是本地部署的语音识别模型faster-whisper，模型是large-v3，全程跑在自己电脑上，不依赖任何在线转写服务。
153个视频，平均单个模型推理耗时不短，累计跑了接近一整天。
中间出了两个挺有意思的乌龙。
一个是重复启动了两个进程。因为任务本身耗时很长，我没意识到之前已经有一个转写进程在后台跑了大半天，又手动开了一个新的。两个进程同时抢占了将近900%的CPU，电脑发烫严重，用上电风扇降温了。发现后赶紧把多余的那个关掉，只留一个继续跑。
另一个是日志假死。Python脚本把输出重定向到文件时，默认是整块缓冲，不是写一行就刷新一次。这导致我盯着日志文件，以为转写卡在了某一集长达一个多小时。实际上程序早就往前跑了十几个文件，只是日志内容还堆在内存缓冲区里没写盘。
后来不再盯日志，而是看实际产出的txt文件数量，才发现进度一直正常。
这个坑挺值得记一笔：监控长时间任务，不能只看它打印了什么，得看它实际产出了什么。
第三步，用本地模型做内容归纳
153份文字稿到手后，发现这位UP主的内容其实很杂。
除了论文打假，他还聊考研上岸率、读博的精神状态、相亲催婚、科研生活，也有不少直播带货式的科普。我粗筛了一遍，真正逐帧分析论文造假证据的硬核内容，大概40篇左右。
之后没有直接让模型“总结耿同学的观点”。那样很容易变成几句空话，比如“要重视学术诚信”“要加强科研监管”“要提升论文质量”。这些话都对，但没有用。
其实真正想知道的是另一件事：
如果把这些视频当成一个样本库，论文的“假”到底应该从哪些角度分析？
于是就先让本地模型做关键词检索和初步聚类，重点看“造假”“撤稿”“图片重复”“数据造假”“临床”“代写”“重复实验”“原始数据”等词反复出现的位置。然后再人工抽查高频案例，避免模型把普通科普内容也混进论文打假里。
跑完之后，一个很清楚的框架浮出来了。
论文的“假”，不是一个点。它不是只有P图，也不是只有数据编造。真正的问题经常是一条链：图片可疑，数据异常，方法写不清，实验不可重复，结论往外跳，作者回应躲闪，最后学校和期刊再用一句“不规范”把事情盖过去。
得出的结论
有了这批文字稿之后，真正有价值的不是复述每一期视频讲了谁，而是把反复出现的判断动作抽出来。最后我把它整理成10层，从最容易观察的图片问题，一直推到论文背后的生产链和回应方式。
第一层，看图片
这是最直观的一层，也是耿同学视频里最常见的入口。
同一篇论文里，图片重复出现。不同论文里，图片重复出现。图片旋转180度以后还能重合。图片翻转、裁剪、调色以后，背景噪点、组织纹理、细胞形态还能对上。
这类问题最麻烦的地方在于，它不需要你完全懂论文的专业方向。你不一定知道这个信号通路是否成立，也不一定知道这个动物模型是否合理，但你能看出来两张图是不是同一张。
尤其是Western blot、细胞图、组织切片、肿瘤照片这些图，背景噪点和纹理就像指纹。它们一旦对上，就很难用“巧合”解释。
很多作者会把这类问题说成“图片误用”。但“误用”这个词只能解释一次，很难解释一串。如果一个团队的多篇论文、多个项目、多个年份反复出现图片重复，那就不是手滑，更像是一种生产方式。
第二层，看数据
图片问题最直观，但数据问题往往更致命。
耿同学的视频里，数据统计类分析是很核心的一块。把论文里的原始数据整理出来，看小数点位数是否有跨行、跨列复制粘贴的痕迹，看某几列之间是否存在固定加减关系，看末位数字的分布是否接近随机。
在没有固定取整规则或仪器偏好的连续测量里，真实数据的末位数字通常不该高度集中在少数几个数字上。如果大量数据都挤在某几个末位，就可以用概率论算出这种巧合发生的概率有多低。
这类分析的杀伤力在于，它不是说“我觉得不像真的”，而是把问题转成一个统计学判断：这些小概率事件不应该同时发生。
耿同学吐槽某些论文时，经常会说“下次用随机数生成器”。这句话听起来像玩笑，但背后是一个严肃判断：很多假数据不是因为太复杂被发现，而是因为编得太粗糙。
真实实验数据通常有噪声。它不会那么听话。
第三层，看常识能不能对上
有些问题不需要复杂统计，常识就能先挡一遍。
比如测量精度是否合理，生物学机制是否说得通，实验动物和实验分组是否匹配，疾病和性别是否匹配，样本来源和结论外推是否匹配。
这类交叉验证看起来很朴素，但很有用。
论文最容易出问题的地方，往往是作者只盯着想要的结论，忘了现实世界还有很多约束。数据可以编，图片可以修，段落可以写得很漂亮，但常识有时候会从边角里露出来。
第四层，看原始材料
论文出问题以后，最关键的不是作者怎么解释，而是作者能不能拿出原始材料。
原始图片在哪里？原始表格在哪里？实验记录在哪里？样本编号在哪里？仪器输出文件在哪里？动物实验和临床研究的伦理审批在哪里？
这些东西如果都能交代清楚，很多争议可以继续往下讨论。比如图片是否确实贴错了，统计方法是否可以修正，结论是否需要收窄。
但如果作者只给解释，不给材料，可信度就会迅速下降。
学术争议不是靠态度解决的。你说“我们没有造假”，这句话本身没有证据价值。真正有价值的是原始数据、实验记录和可以被第三方检查的材料。
第五层，看实验能不能重复
耿同学反复讲过一个意思：重复实验不是万能的，但重复不出来的实验一定要警惕。
这句话放在生命科学领域尤其刺耳。
很多生命科学实验确实复杂。样本来源、细胞状态、动物模型、菌群结构、试剂批次、操作人员都会影响结果。问题是，复杂不能变成免死金牌。
如果一篇论文的方法写得很模糊，关键材料拿不到，实验条件说不清，只有作者自己能做出来，别人一重复就失败，那它至少不应该被当成一个坚实结论。
科学研究当然允许失败，允许不确定，也允许后来被推翻。但如果一篇论文从发表那天起就无法被别人验证，它就更像一次性论文。
第六层，看方法设计有没有先天漏洞
有些论文不一定是直接伪造，但实验设计本身就撑不起结论。
比如样本量太小，对照组不合理，排除数据没有充分理由，只展示有利结果，用相关性冒充因果性，把动物实验外推到人体，把体外细胞实验外推到临床疗效。
这类问题更隐蔽，因为它不像图片重复那么一眼可见。
很多论文最常见的偷换，是从“观察到一个现象”，跳到“证明了一个机制”；从“小鼠身上有效”，跳到“人类疾病有希望”；从“两个变量相关”，跳到“一个变量导致另一个变量”。
真正读论文，不能只看摘要里的结论。要往回看它是怎么得到这个结论的。实验设计如果站不住，结论写得再热闹也没用。
第七层，看临床证据够不够
只要涉及药物、保健品、治疗方案，证据等级就要往上提。
细胞实验不能直接证明药效。动物实验不能直接证明人体有效。早期临床不能替代三期临床。患者反馈不能替代随机、双盲、对照试验。
耿同学对药效类论文和药物宣传有一个很硬的判断：脱离三期临床谈药效，基本都是耍流氓。
这句话可能有点冲，但方向是对的。
尤其是那些打着“重大突破”“全球首个”“传统药物新机制”“治疗老年痴呆”“抗癌新方法”旗号的内容，最应该追问的是：临床证据走到哪一步了？
有没有正式完成三期临床？样本量多大？终点是什么？是否随机、双盲、对照？是否只是附条件上市？后续验证有没有完成？
医学论文最危险的地方，是它不只影响论文作者的名声，还会影响病人的选择。
第八层，看论文是不是流水线产品
单篇论文可疑，可能是个案。多篇论文可疑，就要看背后的生产链。
一些视频里提到的典型现象包括：不同单位的论文共用图片；作者之间没有交集，但数据重复；多篇论文结构高度相似；同一批肿瘤照片、细胞图、组织切片出现在不同文章里；论文工厂、代写代发、买论文、挂名署名混在一起。
这时候，问题就不只是“某位作者有没有造假”，而是“这篇论文是怎么被生产出来的”。
论文一旦变成商品，就会出现供应链。有人负责写，有人负责图，有人负责数据，有人负责投稿，有人负责挂名。最后论文发表出来，看起来像科研成果，其实更像一张发票。
跨论文重复，往往比单篇论文内部错误更有杀伤力。
第九层，看作者和成果是否匹配
论文之外，人也要看。
比如一个本科生一年发几十篇SCI，一个硕士三年发八十多篇论文，一个没有足够学术积累的人突然成了某个领域的代表人物，一个团队长期高产但问题频出，这些都不直接证明论文造假，但它们会提高风险等级。
科研当然有天才，也有年轻人做出很强成果。但天才也需要解释路径。
如果一个人的成果数量、论文质量、作者位置、研究跨度和真实训练时间完全不匹配，就应该多问几句：这些论文是谁做的？实验是谁完成的？数据是谁处理的？通讯作者有没有真正把关？
还有一种情况是头衔包装。
院士、外籍院士、全球顶尖科学家、青年才俊、某某中心主任，这些称号有时会变成论文的保护层。读者看到头衔，就降低了警惕。
但论文不是按头衔判真假的。头衔越大，反而越应该把证据摊开。
第十层，看被质疑后的回应
论文被质疑以后，回应方式本身就是证据的一部分。
一种回应是证据型回应：公开原始数据，解释每张图的来源，承认错误，申请更正或撤稿，接受独立调查。
另一种回应是态度型回应：说质疑者不懂，强调团队声誉，发律师函，告人，骂网友，或者用“图片误用”“管理不严”“学生操作失误”一笔带过。
前者可以让问题继续回到证据上。后者往往是在把问题从证据场拖到权力场。
如果一篇论文真的没问题，最好的回应不是愤怒，而是把材料拿出来。
科研不怕质疑。怕的是一被质疑，就只剩情绪和身份。
这套框架的核心
抛开每期的段子包装，耿同学这套论文打假逻辑，大致可以归纳成几层：
图片证据类：同一张图在不同论文里重复出现，旋转或翻转后完全重合；同一只实验动物的照片，被用在两组本该不同的结果里。
数据统计类：把论文里的原始数据整理出来，检查小数点位数、末位数字分布、跨行跨列复制粘贴痕迹，以及不同列之间不自然的数学关系。
常识交叉验证类：用测量精度、生物学常识、疾病和样本匹配关系，去检验数据是否合理。
外围佐证类：论文产出速度是否远超同行正常水平，是否有论文工厂模板化特征，期刊是否具备正常审稿机制，作者和成果是否匹配。
这套框架说到底就是一件事：用统计学上的小概率事件不该成串出现，去反推数据造假。
图片问题只是最直观的入口。真正让造假者难以解释的，是数据本身违反随机性规律，是多个独立异常同时出现，是整条证据链都不稳。
用AI总结这类内容，最怕总结成空话
这次处理153个txt的小实验，最大的感受是：AI很适合做第一轮整理，但不能把最终判断完全交给模型。
模型可以帮你找高频词，归纳主题，聚类案例，把“图片重复”“数据异常”“临床证据不足”“代写代发”“不可复现”这些线索拉出来。
但模型也容易犯两个错误。
一是把普通科普内容误判成打假内容。因为科普里也会出现“论文”“实验”“数据”“临床”这些词。
二是把尖锐判断磨平。原视频里很具体的问题，到了模型总结里，可能变成“应加强学术规范”。这就没意思了。
所以我最后还是做了一轮人工抽查。不是为了替模型干活，而是为了确认它抓出来的模式真的来自文本，而不是从常识里编出来。
这个过程反而让我更确认，AI总结长内容的价值，不在于替人下结论，而在于把材料铺开，让人更快看到结构。
写在最后
回头看整个流程，下载、转写、归纳，其实是一条可以复用的本地化内容提炼流水线。
换成任何一个你感兴趣的博主、播客或者系列讲座，理论上都能这么跑一遍：把几十上百期零散内容，压缩成一份结构化的方法论文档。
而且从转写到分析，没有一行文字稿经过云端AI接口。对在意隐私，或者不想依赖外部模型服务的人来说，这条路挺值得参考。
不过这条路也有一个前提：AI只能帮你提炼结构，不能替你负责判断。
如果以后要判断一篇论文是否可疑，我会按这个顺序看：
先看图，有没有重复、拼接、翻转、共用背景。
再看表，数字有没有奇怪规律，统计有没有异常。
再看常识，测量精度、生物学机制、样本和结论能不能对上。
再看方法，别人能不能照着做。
再看原始数据，作者是否能交代清楚。
再看同团队旧文，是否反复出现类似问题。
最后看回应，是公开证据，还是用话术压过去。
一篇论文真不真，不能只看它发在哪，也不能只看作者是谁。真正要看的，是它的证据链能不能一层层站住。
论文的“假”，通常不是一个破绽，而是一串破绽。
这也是我从153个视频文字稿里，最想留下来的东西。