AI生成的论文图能不能发表？聊聊我这两年踩坑和改图的真实经验

这两年被问得最多的一个问题，就是“AI生成的论文图能发表吗”。问的人里，有刚进实验室的研究生，也有已经在准备SCI返修的高校老师。大家真正担心的并不是图好不好看，而是自己辛苦做出来的论文，会不会因为一张机制示意图、一张Graphical Abstract，在投稿时被编辑直接质疑。

我的看法很直接：AI可以参与论文配图，但不适合把它当成一键出图的机器。能不能发表，不取决于图是不是AI碰过，而取决于最终图中的科学信息是否准确、元素是否可核验、版权和披露是否符合期刊要求，以及你是否能对这张图负责。

先分清：论文里到底哪些图适合AI帮忙

科研论文里的图，大致可以分两类。一类是数据图，比如折线图、柱状图、散点图、热图、生存曲线、显微镜标注图。它们的核心是原始数据和统计结果，AI不能替你“想象”数据，更不能补点、改趋势或美化误差。另一类是表达概念和逻辑的图，比如实验流程图、研究框架图、机制示意图、图文摘要，这类图更考验信息组织和视觉表达，也是AI最能帮上忙的地方。

我自己第一次比较系统地用AI辅助作图，是在一篇综述返修时。审稿人要求补一张整体研究框架图，原本在PPT里拖了二十几个文本框，箭头交叉得像地铁路线图。后来我先用文字把“刺激因素—信号通路—细胞表型—疾病结局”的层级写清楚，再让AI辅助生成版式和图标建议，最后在矢量软件里逐块调整。那张图最终没有保留任何来路不明的素材，所有蛋白名称、箭头方向和上下调关系都根据文献核过。

这类工作更接近“AI辅助设计”，而不是“AI凭空生成”。作者仍然是科学内容的判断者，这是论文配图能进入投稿流程的前提。

最容易出问题的，不是不好看，而是科学错误

很多新手用AI做机制图，喜欢输入一句很宽泛的话，比如“帮我画一张肿瘤免疫微环境示意图，要高级、适合SCI”。出来的图乍一看很炫：细胞有光晕，受体像花瓣，炎症因子飘得到处都是。但放大一看，问题非常多：T细胞和巨噬细胞形态混淆，箭头没有因果关系，膜蛋白画到了细胞核里，有些分子甚至是模型拼出来的缩写。

这种图不能用于投稿。论文图不是科普海报，更不是手机壁纸。审稿人可能不会评价它的审美，但一定会关注符号是否表达了正确的生物学关系。一个抑制箭头画成激活箭头，足以让整段机制论述受到怀疑。

我现在带学生改图时，通常会先让他们把图里的每个元素写成三类：对象、关系、状态。对象包括细胞、蛋白、药物、设备、样本；关系包括促进、抑制、转运、结合、降解；状态包括上调、下调、缺失、聚集。AI可以参与排布这些内容，但每一种关系都要能在正文、实验结果或已引用文献中找到依据。

期刊真正在意什么：版权、披露和可追溯

不同出版机构对AI生成图像的政策并不完全一样，而且政策更新很快。投稿前最稳妥的办法，是去目标期刊的作者指南里查“artificial intelligence”“generative AI”“image integrity”“authorship”等关键词。不要只看论坛里的旧经验，尤其不要按三年前的帖子判断现在的要求。

多数期刊的底线有几条。第一，AI不能被列为作者，因为它无法对研究的真实性承担责任。第二，如果AI参与了正文、图像或代码等内容的产生，需要按期刊要求在方法、致谢或声明中披露。第三，生成图像不能包含可识别的他人版权素材，也不能出现可识别人物身份的信息。第四，不能通过AI伪造、篡改或补全实验数据。

还有一个细节容易被忽略：某些通用生图模型会随机生成类似已有插图的构图，甚至在图中隐藏难以辨认的文字和水印。如果直接导出300 dpi PNG就投稿，后期很难逐元素修改。更稳妥的方式，是把AI产出当作草图，重新绘制为SVG、EPS或可编辑的矢量图，并保留提示词、生成记录、修改版本和素材来源。

从一句话到可投稿的图，我通常这样做

如果是实验流程图，我不会先让AI画，而是先写清研究对象、分组、处理时间点、检测方法和输出结果。比如“小鼠第0天造模，第7天给药，第14天取组织，随后进行qPCR、Western blot和免疫组化”。这些信息确定后，再考虑时间轴式还是分组式排版。流程图最怕为了好看增加不存在的步骤，也怕把检测方法和实验结果混在同一层。

如果是机制示意图，我会先画一个粗糙的草稿，哪怕是手写拍照也行。草稿里只保留空间关系：细胞膜在哪里，细胞核在哪里，上游信号从哪里进入，下游分子发生了什么变化。然后再让AI根据这个结构提供版式。不要把事实判断交给模型，尤其不要使用“帮我补全可能的通路”这类提示。机制可以讨论，但不能在图里偷偷加戏。

SCI论文配图制作时，分辨率、字号和线宽也很现实。不少期刊对线图、组合图和灰度图有不同DPI要求，正文字号通常要在缩放后仍然清晰可读。很多人屏幕上看着正好，插入双栏排版后，标注变成一团。我的习惯是先确定图片在PDF中的最终宽度，再按这个尺寸测试最小文字。不要靠后期把低分辨率图强行拉大，模糊的箭头和锯齿状边框会让完成度明显下降。

图文摘要又是另一种场景。它需要在一张图里讲完故事，允许比正文图更有视觉吸引力，但不能变成营销海报。制作Graphical Abstract前，我一般只写三句话：我们发现了什么，关键证据是什么，它可能意味着什么。图中所有视觉元素都服务这三句话。没有必要把所有实验都塞进去，也不建议堆3D器官、发光DNA和大量渐变背景。审稿人记住的是核心机制，不是特效数量。

工具选择上，别迷信“一键SCI风”

通用聊天机器人适合帮你梳理图注逻辑、检查层级关系、把长段方法改成流程图所需的短句。通用绘图工具适合做视觉草图，但科学元素未必可靠。专业绘图软件适合最终精修，能够控制字体、线条、对齐和导出格式。实际工作中往往是组合使用，而不是一个工具从头做到尾。

如果平时机制图、流程图和图文摘要做得多，又不想在PPT里反复对齐，可以试试科研配图Pro。我比较看重的是它围绕科研场景组织元素和结构，后续修改比纯随机出图更可控。不过即便用这类工具，也仍然要自己核对分子关系、术语拼写和期刊尺寸，工具只能减少机械排版的时间，不能代替学术判断。

这些坑，我在改图时反复见到

最常见的问题是文字太多。有些框架图几乎把研究假设整段贴上去，最后读者看不清箭头，也找不到重点。图不是把文字换成彩色文本框，图应该承担空间、层级和因果关系的表达。能放在图注里的实验细节，不要都压在图面上。

第二个问题是颜色没有编码逻辑。红和绿不要只凭习惯表示好坏，因为色觉差异会影响阅读；一组实验对象在全文各张图中最好保持同一颜色系统。荧光图还要小心过度调亮、拼接边界不干净、局部对比异常等问题。数据图像的任何处理都必须是全局性、可解释的，不能为了“更显著”去改条带或像素。

第三个问题是图标和术语不一致。同一张图里，细胞一会儿用圆球表示，一会儿用写实3D模型表示；同一个基因一会儿大写，一会儿斜体；受体、配体和磷酸化形式没有区分。这些小地方会暴露出图片是东拼西凑出来的。投稿前最好按期刊要求检查基因、蛋白和物种命名规则，不要完全相信AI的默认写法。

第四个问题是把PPT汇报图直接拿去投稿。组会PPT允许大标题、阴影和动画感，论文图更强调克制、清晰和统一。PPT里为了投影仪效果使用的高饱和颜色，打印成黑白稿时可能完全分不开。用于答辩的图表美化可以更重视视觉冲击，但投稿图必须优先保证信息准确和印刷可读。

回到最初的问题：怎样用才比较稳

如果一张图从构图、元素、文字到科学关系都由你定义，AI只参与建议、排版、局部绘制或风格处理，最终文件由你重新整理并逐项核验，那么它与使用绘图软件、图标库没有本质差别。相反，如果你直接输入论文题目，让模型自由生成一张看起来很复杂的机制图，不查文献、不保留记录、不做披露，还把它当作实验结论的证据，那风险就很高。

我现在给团队的标准很简单：每一张论文图都要能解释清楚，每个箭头都要能说出依据，每个素材都要能追溯来源，每个导出文件都要符合目标期刊要求。做到这些，AI生成的论文图并非不能发表；做不到这些，即使完全手绘，也一样过不了审稿这一关。

真正省时间的做法，不是追着新工具要“一键发表级”，而是先把科学故事理顺。图只是把你已经想明白的东西画出来。逻辑没想清楚时，再强的生成工具也只会制造一张精致但经不起追问的插图。