🔍 耿同学打假报告

论文信息

论文来源：s41586-023-06004-9.pdf
标题：Faster sorting algorithms discovered using deep reinforcement learning
作者：Daniel J. Mankowitz, Andrea Michi, Anton Zhernov 等 (Google DeepMind 团队)
期刊：Nature (Vol 618, 8 June 2023)
DOI：10.1038/s41586-023-06004-9
发表年份：2023

综合评定：✅ 清白

详细发现

耿同学平时抓习惯了那些把 Western blot 图复制粘贴、用 Photoshop 拼接泳道的生物学“魔法师”，今天咱们换换口味，来审一审这篇由 DeepMind 刊登在 Nature 上的纯计算机科学与人工智能论文。
由于这是一篇算法学与强化学习的理论应用文章，传统生物学意义上的“图片复用、数据 PS 痕迹”并不适用，但耿同学依然用严谨的逻辑眼光，按“六式”对其进行了深度扫描：

发现 1：排版与代码解析异常（乱码警报）

位置：Figure 1 下方，以及 Figure 3 (b, c, e, f) 伪代码区域
描述：论文正文中出现大面积的乱码字符串。例如：Y R L G Y D U L D E O H B V R U W B L Q W O H Q J W K 等。
证据：这其实是 PDF 提取或排版编码时的错误（双字节/字体映射异常，或者是某种防复制编码）。虽然这在人类视觉阅读 PDF 时可能是正常的 C++ 和汇编伪代码，但在文本提取层面存在严重的数据断裂。注：耿同学只查造假，不背修电脑的锅，此处判定为期刊排版的锅，而非学术造假。
严重程度：🟡 (属于期刊排版的非主观失误)

发现 2：基准测试数据的统计学合理性检测

位置：Table 1 (a 和 b)
描述：在计算机科学中，运行延迟通常受系统调度、缓存命中等影响。我们检查其报告的数据是否具有“人造的完美对称”。
证据：Table 1b 中的延迟数据（如 VarSort3: 236,498 ± (235,898, 236,887)）非常符合真实微基准测试的特征。
- 数学自洽： $$236498 - 235898 = 600$$ ， $$236887 - 236498 = 389$$ 。非绝对对称，符合自然分布。
- 噪声合理：他们取的是 100 台机器的第 5 百分位数，并报告了置信区间。真实世界的机器集群由于硬件差异、功耗状态不同，必定会产生这种长尾噪声。如果是造假，通常会直接给出过于完美的 p < 0.001 或极小的标准差。数据表现出真实的“粗糙感”。
严重程度：✅ (未见异常)

发现 3：时间线与引用一致性检测

位置：论文收发时间、参考文献、LLVM 环境描述
描述：以当前时间（2026-06-14）回望，验证其时间线是否伪造。
证据：
- 论文 Received: 25 July 2022, Accepted: 23 March 2023。
- 参考文献 3 (Gelmi, M. LLVM.org 2022) 指向了将算法集成到 LLVM C++ 库的 patch。时间线上，DeepMind 在 2022 年向 LLVM 提交了 Sort 3/4/5 的优化补丁，这在开源社区是有据可查的。
- 论文声称使用了 TPU v3 和 TPU v4。2022年这些设备在 Google 内部已大规模部署。
- 整个逻辑闭环（发现算法 -> 提交开源社区 -> 发表 Nature）完全符合软件工程与学术发表的正常时间周期。
严重程度：✅ (未见异常)

发现 4：方法学逻辑矛盾排查

位置：Methods 部分
描述：论文声称使用了暴力搜索证明 Sort 3 不存在短于 17 条指令的算法，耗时 3 天枚举了 $10^{32}$ 个程序。
证据：这是一个自洽的 CS 理论声明。组合爆炸在数学上是成立的， $10^{32}$ 的搜索空间如果缺乏优秀的剪枝，3天跑不完是正常的。没有任何内部逻辑冲突（如 n=5 却只列出 4 组数据的现象不存在）。
严重程度：✅ (未见异常)

耿同学辣评

今天耿同学得说句公道话：DeepMind 这帮搞 AI 的大佬，想造假太难了！为什么？因为他们把发现的算法直接开源到了全球程序员都在盯着的 LLVM 标准库里。要是这数据是 PS 出来的、算法是吹牛的，全世界的极客早就把他们的 GitHub 仓库给喷炸了，还轮不到耿同学来出手。
咱们平时打假的那些“切图大法”、“随机数生成器大法”，在这篇满屏幕都是代码和逻辑的 CS 论文面前毫无用武之地。只能说，有资本烧几万张 TPU，用 AI 去优化哪怕是一条 CPU 指令，这种“暴力美学”确实让人叹服。

建议后续行动

无需联系作者提供原始数据（因为代码和算法都已经开源在 GitHub 和 LLVM 中，全球透明）。
无需向期刊举报。
建议生物学研究者们学学人家，把你的原始 WB 图和测序数据也大方地放出来！

⚠️ 免责声明

本报告由 AI 辅助生成，仅供学术讨论参考。
学术不端的最终认定需要专业机构调查。
我们支持学术诚信，但也尊重每一位研究者的名誉权。
如有异议，请以官方调查结论为准。
本工具不保证检测结果的准确性，误报和漏报均有可能。
(另注：本论文为计算机科学方向，部分生物学专属检测维度仅作概念性套用，请相关领域大牛轻喷。)

Faster sorting algorithms discovered using deep reinforcement learning