面试科研岗，先问清AI署名与数据边界

一位数学研究者公开提到，他与合作者的三项成果属于个人合作，不涉及任何机构协议或双方雇主的官方参与；过程中使用了多个大语言模型，其中Astra仅用于文稿撰写和论证审计。消息还提到，OpenAI方面曾提出由作者独自撰写论文并承认模型解决某问题，作者拒绝了这一提议。对准备申请科研岗位或洽谈合作的人来说，这类动态的价值不在八卦，而在于提醒你：AI参与研究后，署名与数据边界必须当面问清。

署名规则：别假设团队已有书面政策

面试时可以直接问：如果论文中使用了AI工具做文稿撰写或论证审计，贡献如何记录？署名顺序依据什么决定？是否有成文政策？

两类回答差别很大。一类是具体说明：工具名称、使用环节、贡献描述写进方法或致谢，署名按实质学术贡献排序。另一类是模糊回应，比如“到时候再说”“看情况”。后者不代表团队一定有问题，但说明规则尚未成形，你需要判断自己能否接受这种不确定性。

素材中作者对论文呈现质量不满意，称理想情况下愿花数周改写模型生成的证明。这说明即便工具参与很深，人工验证与重写的责任仍要有人承担。面试时可以追问：谁负责验证AI生成内容？验证过程是否留痕？

数据边界：口头承诺不够，要追问训练用途

合作洽谈中，数据问题比署名更容易被忽略。素材提到，作者询问模型是否在训练中使用或能访问其在Codex中的会话，被告知模型不会查阅用户数据，但再次追问训练问题时未得到回答。

这个细节值得求职者记住：不查阅用户数据和不用于训练是两件事。你可以问：研究数据存储在哪里？谁有访问权限？是否可能进入模型训练流程？能否书面确认？如果对方只回答“我们不会看你的数据”，可以继续追问训练用途，观察对方是否愿意把边界写清楚。

评估团队：看贡献记录，也看压力下的反应

判断一个团队的学术诚信，可以观察它是否公开贡献记录、是否尊重合作者署名、是否对AI生成内容做人工验证。素材中提到，OpenAI方面曾希望将合作者从作者名单中移除，作者拒绝并称若对方按提议发布将公开所发生的事。

模拟一个面试场景：你问“如果AI辅助产出了关键引理，署名怎么算？”对方回答“这要看谁最后写的论文”。这个回答把署名等同于写作劳动，而非学术贡献，你就需要进一步确认团队对“贡献”的定义。

可带走的小建议：面试或合作前，把署名规则和数据用途各写成一个具体问题，记录对方的原话。回答越具体，合作边界越清晰；回避越多，你越要谨慎。