Nikon：获奖显微镜图像因使用 AI 被取消资格

Nikon 在审查发现获奖作品违反生成式 AI 相关竞赛规则后，撤回了其最高显微镜视频奖项。这段因使用 AI 被取消资格的获奖显微镜图像，实际上是一名原发性纤毛运动障碍儿童的气道纤毛视频。

这一反转发生在数周质疑之后，科学家们怀疑这段色彩鲜艳的影像是否准确呈现了人体细胞。专家指出，其中存在不合常理的解剖结构、不一致的比例，以及在帧与帧之间出现或消失的结构。

Nikon 起初接受了创作者的解释，即 AI 是在增强源自显微镜的数据，而非生成底层实验内容。在审阅视频、辅助材料及评审团意见后，公司随后改变了这一立场。

这一反转使争议不再只是一次摄影比赛的失误。它揭示了科学图像中计算增强与合成内容之间脆弱的边界。

AI 已经帮助研究人员降噪、恢复分辨率、分割细胞及识别特征。然而，当生成的细节在缺乏充分披露或验证的情况下看起来像是直接观察结果时，图像可视化就会产生误导。

这场争议也说明，在图像审查中科学专业知识为何至关重要。一件作品或许能让经验丰富的影像评委信服，却可能在熟悉相关组织的专家看来不符合生物学常识。

获奖显微镜图像因使用 AI 被取消资格

Nikon 的决定让一项备受赞誉的科学可视化作品变成了警示：图像增强很容易越界，成为缺乏依据的重建。

9 月 15 日，Nikon 宣布光学工程师 Ning Xu 获得其 2026 年 Small World in Motion 比赛冠军。这项年度竞赛表彰使用光学显微镜创作的视频和延时影像序列。

Xu 的作品展示了一名原发性纤毛运动障碍儿童气道纤毛的异常运动，原发性纤毛运动障碍通常简称为 PCD。纤毛是微小的毛发状结构，帮助将黏液和被捕获的物质排出呼吸系统。

该影像使用鲜艳色彩区分重建场景中的不同结构。据描述，这是一段利用衍射超分辨率成像方法、在 100 倍放大倍率下捕捉的显微镜序列。

研究人员很快指出，视频的部分内容并不像真实的气道组织。他们质疑纤毛的表观尺寸、细胞核的行为，以及在不同帧之间出现的结构。

Xu 回应称，AI 帮助他在重建后的灰度图像中区分并可视化特征。他表示，这项技术用于改善呈现效果，而非生成实验视频、纤毛或其运动。

这一界定起初似乎足以让 Nikon 接受。报道称，该公司将这一过程视为对源自显微镜的原始数据进行增强，而非从零生成内容。

争议之所以持续，是因为批评者认为，最终视频包含的不只是颜色、对比度或降噪调整。他们指出，渲染区域看起来像是被观察到的解剖结构，即便其本意并非进行解剖学重建。

显微镜社区成员发布的一封公开信呼吁对该作品进行独立审查。信中还要求获取原始素材，以确定哪些结构直接来自显微镜数据。

该信援引 Nikon 的规定称，不允许 AI 生成的视频参赛。信中还指出，主办方可要求提供原始视频进行验证。

10 月 9 日，Nikon 宣布其进一步审查得出了不同结论。该公司表示，这一参赛作品不符合其生成式 AI 规则。

主办方强调，这一认定仅涉及参赛资格。Nikon 表示，不应将其解读为对 Xu 的意图、职业声誉或科学贡献作出评判。

随后，Nikon 调整了比赛排名。来自越南的 Nguyen Nam Nhat 凭借涉及线虫和 Dileptus（一种单细胞生物）的影像，从第二名升至第一名。

其他入围者也各上升一位。修订后的结果恢复了常规的竞赛排名，但并未解决潜在的标准问题。

重要的变化不只是有一位冠军失去了奖项。Nikon 从为一种 AI 辅助增强方式辩护，转而认定提交的作品违反了规则。

这一过程显示，当计算处理成为成像流程的一部分后，现行政策有多难以适用。除非主办方分别界定生成、恢复、增强、分割和重建，否则禁止生成内容的规定意义有限。

显微镜社区为何质疑该视频

最有力的质疑关乎科学含义，而非是否有 AI 工具接触过该文件。

科学图像在发表或展示前，通常会经历大量处理。研究人员会校正照明、去除传感器噪声、对齐帧画面、赋予颜色，并组合记录不同信号的通道。

这些操作并不必然使图像具有欺骗性。许多操作是必要的，因为显微镜捕捉的数据无法让人类观察者直接理解。

核心问题在于，处理是否保留了记录信号与展示特征之间的关系。观看者应能辨别仪器测量了什么，以及软件推断了什么。

Xu 的视频之所以引发争议，是因为其说明文字将影像与一名真实儿童及一种特定疾病联系起来。这一背景让该画面承载了超越抽象数字艺术的证据分量。

原发性纤毛运动障碍是一种罕见遗传性疾病，会影响运动纤毛的功能。临床医生在评估该疾病时，会研究纤毛的运动、结构、波形、速度和协调性。

拥有二十年 PCD 诊断经验的莱斯特大学科学家 Robert Hirst 表示，画面中的纤毛不像来自患者的纤毛。他的批评聚焦于普通图像审查者可能无法识别的生物学行为。

佛罗里达大学副教授 Edward Phelps 则为最初的评选结果提出了另一种解释。他告诉ABC News，非专业评委完全可能忽略纤毛专家看来显而易见的问题。

这一观察指出了科学图像竞赛的一项弱点。具备显微镜技术能力，并不意味着拥有跨越各种组织、生物体、疾病或成像方法的专业知识。

评审团或许理解曝光、分辨率、运动和视觉构图，却未必知道气道纤毛如何附着于细胞。它也可能忽略会立刻让呼吸系统专家感到疑虑的比例关系。

批评者称，细胞核的行为不自然，纤毛似乎也在没有明确细胞附着点的情况下出现。还有人质疑，可见结构是否在不同帧之间保持一致的身份。

时间连续性对于显微镜视频尤为重要。一张看似合理的静态图像，可能掩盖了当结构在连续帧中变形或消失时显露出来的错误。

生成式系统可以创建视觉上流畅的过渡，却未必能维持物理或生物学连续性。除非系统和工作流程施加更严格的约束，否则其输出优化的是看似合理的外观，而非忠实测量。

当合成细节围绕真实实验信号出现时，问题会变得更困难。真实的纤毛运动或许依然存在，但 AI 生成区域会让场景更易理解或更具吸引力。

这种混合产物形成了一个模糊对象。它既不是完全伪造的动画，也不是普通的显微镜记录。

不过，即使图像的核心运动来自实验，它仍可能产生误导。新增结构会影响观看者对位置、比例、组织构造和疾病的理解。

因此，这场争议聚焦于溯源，即视觉数据来源及其转换历史的记录。没有这段历史，观看者便无法区分经测量的特征与推断或虚构的内容。

Nikon 的比赛评判原创性、信息内容、技术熟练度和视觉影响力。AI 重建可以改善这四方面的表象，却会削弱其与显微镜实际记录内容之间的联系。

这解释了为何反应如此强烈。科学家并非主张未经处理的图像才是唯一有效的证据形式。

他们是在捍卫转换过程必须可追溯的要求。一幅有说服力的科学图像必须向观看者表明，观察止于何处，解释始于何处。

图像增强与生成不再是截然相反的概念

这场竞赛在合法的计算成像与生成式重建开始彼此相似的边界上失守了。

现代显微镜已经依赖软件。计算方法可以结合多次曝光、估计缺失细节、校正像差，并重建超出传统仪器直接输出范围的结构。

超分辨率方法说明了其中的困难。它们利用光学设计、重复测量、数学重建或机器学习，呈现低于常见分辨率极限的特征。

这些技术并不会产出简单的、类似相机的记录。展示的图像代表基于测量信号和成像系统假设得出的估计。

AI 可以通过在噪声数据中识别模式来改进此类工作流程。它也可能产生幻觉，即插入缺乏输入数据支持、但视觉上合理的特征。

同一界面可能同时提供恢复和生成功能。研究人员可以用一个设置去除噪声，再用另一个设置重建缺失区域。

因此，“使用了 AI”不足以作为判断科学完整性的标准。真正有用的问题是：模型改变了什么，有何证据支持这些改变，以及该过程能否被复现。

经过训练、用于显微镜数据降噪的模型，可能会生成从其他样本中学习到的纹理。这些纹理可使图像看起来更清晰，即使它们并未描述正在研究的样本。

分割带来了另一个灰色地带。分割系统会标记细胞或结构之间的边界，但其输出仍是推断，而非直接光学信号。

将这些标签显示为轮廓通常易于理解。将它们渲染成逼真的生物组织，则可能掩盖其推断性质。

最初的争议正触及这一边界。Xu 将 AI 描述为一种在重建灰度图像中区分和可视化特征的方法。

批评者聚焦于纤毛下方的渲染区域。即使这些区域有助于定位，它们仍可能暗示显微镜以展示的形式记录了细胞解剖结构。

“AI 增强”这样的标签并不能完全解决问题。这一说法可以涵盖轻微降噪、完整对象替换，或两者之间几乎任何程度的处理。

科学图像政策需要针对不同转换类型进行披露。参赛者应说明 AI 是否执行了去噪、去模糊、超分辨率、分割、插值、着色、重建或内容生成。

他们还应保留原始输入和中间输出。评审人员需要一份记录，以便比较每个主要处理阶段。

这一问题类似于软件和分析中的数据血缘。只有当评审人员能够将最终结果追溯到输入、参数、代码和已记录的转换过程时，结果才值得信赖。

如果缺乏血缘信息，再吸引人的可视化也只是一个缺乏依据的承诺。它要求观众相信，可见结构依然忠实于他们无法查阅的测量结果。

在取消资格后，Nikon 承认了这一政策缺口。其官方声明称，成像技术和 AI 的进步已为许多领域的机构带来新的挑战。

该公司还表示，这一事件表明有必要重新审视未来规则和评估程序。这类审查比增加更广泛的 AI 禁令更为重要。

一刀切的禁令可能排除已深度嵌入显微镜技术的宝贵计算技术。宽松的披露规则则可能允许与观察结果难以区分的合成重建。

更好的划分标准应关注证据性主张。如果生成特征被展示为观察到的生物学现象，主办方应要求验证，或将该作品归类为插图。

艺术竞赛可以接受广泛的处理方式，前提是其类别明确说明这种自由。科学成像竞赛则必须实施更严格的溯源要求，因为观众会赋予其图像事实意义。

这并不是要把显微镜技术简化为原始传感器文件。它要求主办方认识到，重建图像只有在其推理步骤仍然可见时，才可能具有科学价值。

Nikon 的反转让其评审流程承压

取消资格纠正了排名，但 Nikon 最初的辩护暴露了披露、专业评审和获奖后核查方面的不足。

Nikon 将 Small World in Motion 打造成显微镜技术的庆典，也是成像能力的展示平台。其获奖作品集的受众远不止科研实验室。

这种影响力带来了相互竞争的期待。参赛作品必须在视觉上令人难忘、技术上令人印象深刻，同时也要让缺乏科学训练的观众能够理解。

AI 渲染可以迅速满足这些目标。它能将微弱的灰度信号转化为色彩丰富、具有电影感的场景，呈现清晰的层次和戏剧性的运动。

然而，视觉上的精致处理可能使科学问题更难被察觉。观众常将清晰度理解为准确性，尽管两者并不等同。

Nikon 最初的回应似乎接受了这样一种区分：增强由显微镜生成的数据，与从零开始生成图像是不同的。这一区分听起来合理，但对于边界案例而言缺乏足够细节。

公司随后与评审团成员一同审查了参赛作品及支持材料。它没有公开描述每一项核查、存在争议的转换过程，或具有决定性的技术发现。

这种克制限制了外部观察者可以得出的结论。Nikon 确认存在违反规则的行为，但未公布完整成像流程的取证说明。

缺失的细节很重要，因为公开描述有时将这起事件简化为一段完全由 AI 生成的视频。现有报道呈现的是一场更复杂的争议，涉及实验影像、重建以及看似合成的渲染区域。

将整部作品称为伪造，可能夸大证据。将其视为普通增强处理，则低估了专家提出的担忧。

谨慎报道必须同时保留这两点。Xu 否认使用 AI 生成实验影片、纤毛或其运动，而 Nikon 最终认定该投稿不具备参赛资格。

这一区分对研究者和整个领域都很重要。竞赛资格决定并不等同于对科研不端行为的正式认定。

Nikon 明确将其裁决与 Xu 的职业声誉、科学贡献和意图区分开来。该公司将其公开决定限定于提交的视频和竞赛规则。

不过，这一事件促使 Nikon 说明未来审查将如何开展。仅更新措辞，并不能在评审结束前发现缺乏依据的合成内容。

当参赛作品提出与特定疾病或解剖结构相关的主张时，主办方需要领域专家评审。在公布重要奖项之前，他们还需要获得原始录制文件。

原始文件检查无法回答所有问题。计算显微镜技术可能需要重建代码、校准数据、模型信息和参数设置，才能复现结果。

因此，有效的审查可以包含多个层面。成像专家将评估采集和重建过程，而生物学专家则评估解剖结构和行为。

评审人员还可以检查转换过程中是否存在时间不一致、无法解释的纹理生成以及缺乏支持的特征。这些检查应补充专家判断，而不是取代它。

公众反应表明，获奖后调查并不是理想的默认做法。一旦获奖图像在全球传播，后续纠正也无法完全收回误导性的复制品或说明文字。

此前的争议已经将该视频与生物学上不合理特征的担忧联系起来。Nikon 最终的反转确认，这些异议需要的不只是澄清说明文字。

这一案例也对销售科学仪器的竞赛赞助商提出挑战。他们的作品集可能塑造公众对于显微镜和重建系统能够产出何种结果的期待。

一张视觉震撼但记录不足的图像，可能宣传不切实际的能力。它也可能模糊在受控条件下产生的合法计算显微镜成果的可信度。

Nikon 现在面临关于竞赛定位的选择。它可以将作品集主要视为视觉艺术，或保留与科学观察更紧密的关系。

只要标签清晰，两种做法都站得住脚。问题会在图像享有艺术自由、却借用实验性证据权威时出现。

科学成像需要溯源，而非 AI 纯洁性测试

信任将取决于有记录的转换过程和可复现的证据，而非简单地区分无 AI 与 AI 辅助作品。

禁止科学成像中的所有 AI 既不现实，也不可取。研究人员已经使用机器学习来识别细胞、测量结构、恢复信号，并确定优先检查的区域。

一些 AI 系统能从人类难以直接解读的数据中提取有用信息。谨慎使用时，它们可以提高一致性，并减少重复性的人工分析。

科学要求并非技术纯洁性，而是展示结果与底层观察之间可审计的关联。

这种关联包含多个部分。研究人员需要原始数据、已记录的处理步骤、已知的模型行为，以及针对独立测量的验证。

视觉披露同样重要。如果一个区域经过重建或具有示意性质，显示方式应将其与直接记录的结构区分开来。

颜色惯例提供了熟悉的先例。科学图像经常使用伪彩色，但说明文字会解释颜色代表特定的通道、强度或标签。

AI 生成的重建也需要类似惯例。观众不应必须访问隐藏元数据，才能得知逼真场景中的某一部分是合成的。

竞赛可以为纪实显微镜、计算重建和科学可视化设立不同类别。每个类别随后可以根据其证据用途采用适当标准。

纪实类别可禁止生成像素，除非是严格界定的修正。重建类别可允许基于模型的推断，但要求提供原始数据和可复现的方法。

可视化类别则可以允许更广泛的渲染。其标签将明确说明，图像传达的是科学概念，而非直接记录解剖结构。

这种结构将鼓励创新，而不会迫使每项技术都归入一条模糊规则。它还将减少把大规模重建描述为普通增强处理的诱因。

期刊和实验室面临同样的挑战。生成式填充、神经超分辨率和自动分割正通过通用图像编辑软件变得易于使用。

易用性缩短了测量与发表之间显而易见的距离。研究人员可以在无需编写代码或记录自定义流程的情况下，进行具有重大影响的修改。

软件供应商可以通过保留编辑历史并嵌入溯源元数据来提供帮助。不过，仅靠元数据无法验证某项转换在科学上是否恰当。

人工评审仍然必要，因为意义取决于语境。从艺术照片中移除一个物体，与从病理图像中移除一个表面结构，在本质上截然不同。

科学组织还需要制定针对动态图像的政策。视频涉及插值、帧生成、运动估计和时间平滑，而静态图像规则可能忽略这些问题。

在真实观察之间生成一帧，可能制造从未发生过的运动。时间去噪也可能消除具有生物学意义的不规则行为。

这些风险解释了为何 Nikon 的参赛作品引发强烈反应。其主题并非一种没有医学主张、仅作装饰呈现的微生物。

它声称展示了与一名儿童罕见疾病相关的异常运动。错误可能影响患者、家庭、学生和非专业人士对这一疾病的理解。

昆士兰大学细胞生物学家 Melanie White 欢迎 Nikon 的调查，同时主张就 AI 标准展开更广泛的讨论。据报道，她的立场兼顾对创新的开放态度，以及对可复现性和公众信任的保护。

神经科学家、前 Nikon Small World 评委 Christophe Leterrier 也提出了类似观点。他将这一结果描述为一场关于 AI 如何改变显微镜技术的讨论的开端。

他们的评论抵制了两个无益的极端。第一种将每一张 AI 辅助图像都视为欺诈，第二种则认为无论模型添加了什么，只要披露就已足够。

更严格的标准应评估某项转换是否支持附加于图像的主张。它还会追问，另一位合格评审人员能否检查并复现通往该结果的路径。

这一框架保护了合法的计算成像。它将审查重点指向缺乏支持的主张，而非机器学习是否存在本身。

早期 AI 竞赛表明，仅靠披露并不足够

Nikon 的争议属于日益扩大的模式：由于评委无法核实精致图像的制作方式，竞赛规则因而失效。

2023 年，摄影师 Boris Eldagsen 在揭露其获奖作品由 AI 生成后，拒绝接受 Sony World Photography Award。他表示，自己参赛是为了测试竞赛是否已准备好应对合成图像。

这起事件涉及艺术摄影类别，而非与疾病相关的科学可视化。即便如此，它仍表明，传统评审可能在未确认图像制作方式的情况下奖励一幅作品。

一名 Hasselblad Masters 入围者也因涉嫌使用 AI 于 2026 年被取消资格。其他比赛同样曾因合成图像、生成对象和被修改的纪实场景引发争议。

这些案例暴露出共同的流程缺陷。组织方往往在评审前依赖参赛者声明，在颁奖后依赖公众监督。

检测工具无法可靠地弥补这一缺口。AI 图像检测器可能出现误报、漏掉经编辑的内容，并且会随着生成方法变化而变得不那么可靠。

当平台保留水印时，水印可以发挥作用。但它们也可能因裁剪、压缩、截屏或进一步编辑而消失。

文件元数据同样脆弱。它可能记录部分软件操作，却无法说明哪些像素由生成工具产生，或最终结果是否仍忠实于源数据。

因此，比赛需要的不只是最终文件，还应要求提交证据包。证据包可包括原始文件、中间阶段、工作流程说明和工具披露。

对于科学类参赛作品，证据包还应将可见特征与测量数据关联起来。如果某个结构是推断得出的，参赛者应说明所使用的模型、不确定性及验证方法。

Nikon 案例还提出了一项要求：审查必须与所作主张相匹配。医学图像需要由熟悉相关解剖结构或疾病的人员进行评估。

综合型评审团对于视觉传播和技术工艺依然有价值。但他们无法独立核实全球性比赛中呈现的每一项科学主张。

组织方可以针对入围决赛的作品进行定向审查，而不是在每个早期评审小组中都配置专家。这样既能控制工作量，也能在发布前增加审查力度。

规则还应明确未完整披露信息的后果。如果政策使用宽泛术语，却不说明相关边界，参赛者就无法真正遵守。

与此同时，清晰的规则并不能免除参赛者的责任。以显微镜图像般的视觉权威呈现合成区域，会造成可预见的误解。

这场比赛的撤销决定表明，公开纠正能够发挥作用。科学家提出了具体异议，组织方重新审议决定，排名也随之改变。

然而，众包审查也有局限。它更容易发现显眼的错误和高关注度作品，而较不突出的图像中存在的细微问题可能逃过审查。

当怀疑超过证据时，它也可能变得不公平。真实图像有时确实看起来不同寻常，而罕见的生物现象不应被视为 AI 生成的证据。

因此，可复现的溯源机制比视觉上的猜测更可靠。评审者应检验有记录的工作流程，而非根据审美线索进行推断。

修订后的排名解决了谁赢得 2026 年比赛的问题。但它们并未为下一件棘手参赛作品建立可复用的验证体系。

Nikon 承诺对规则进行审查，将显示该组织吸取的是狭义教训还是结构性教训。狭义教训是禁止更多 AI 工具。

结构性教训则是，科学视觉证据如今需要一条保管链。这条链必须经得起增强、重建、发布和评审等环节的检验。

Nikon 和科学出版机构下一步应做什么

三个信号将表明，这次取消资格是否会形成持久标准，还是仅仅成为一次性的纠正。

第一个信号是 Nikon 修订后的比赛政策。该公司应按功能界定允许的处理方式，而不是将所有计算方法都归入单一的 AI 标签。

规则应区分常规校正、基于模型的修复、分割、插值、重建和生成。它们还应说明披露信息将如何影响参赛资格。

如果政策要求决赛入围者提交原始源文件，其效力将更强。对于计算类参赛作品，Nikon 应要求提供中间输出结果，以及足够的工作流程信息，以便合格的评审者审查相关转换过程。

如果未来规则包含这些要求，该公司就已超越被动式禁令。如果规则只是增加更宽泛的反 AI 表述，类似争议仍将很可能发生。

第二个信号是未来评审小组的构成。涉及特定疾病和解剖结构的主张，需要在公布获奖者之前接受针对性的专业审查。

Nikon 无需为每个生物学主题长期配备专职专家。它可以在选出决赛入围者后、公开发布前聘请外部评审者。

这种做法本可以解决纤毛视频暴露出的核心失败。成像专业知识评估了展示效果，而相关生物学专业知识主要是在公众批评后才介入。

专家审查应在结果最终确定前保持保密。审查还应围绕尺度、解剖结构、运动和一致性等明确问题展开，而不是依赖模糊印象。

第三个信号是科学出版机构和成像组织是否采用共同的溯源标准。仅靠比赛规则无法管理实验室、期刊和公众传播中使用的工具。

一套共同的披露术语将帮助读者理解不同平台上的 AI 辅助视觉内容。它可以明确哪些区域是记录所得、推断得出、重建而成或仅用于说明。

该领域还需要切实可行的方法来保存转换历史。这些方法必须既适用于专有软件，也适用于研究代码。

这场即时争议已经产生了一项具体结果。Nikon 取消了原获奖者资格，并将 Nguyen Nam Nhat 的显微镜视频提升至第一名。

然而，这幅因使用 AI 而被取消资格的获奖显微图像，不应被简化成抓住一份欺骗性文件的故事。现有证据支持一个更审慎的结论。

计算增强如今已与科学成像深度相连。真正困难的任务，是确保更清晰的画面不会变得更不真实。

每当 AI 改变实验图像时，科学家、比赛组织方和出版机构都应提出同一个问题：合格的评审者能否将每一项有意义的特征追溯至数据？

如果答案并不明确，该图像在发布前就需要更明确的标签、不同的类别，或额外验证。这一标准既保护科学信任，也保护负责任的 AI 辅助成像。