当AI成为“科研搭子” 谁来守住学术训练的底线

从帮助检索文献、梳理研究思路、生成代码、润色论文，再到完成复杂计算、文本写作等任务，近两年来，人工智能技术正以前所未有的速度进入高校科研场景。

6月30日，美国人工智能公司Anthropic发布面向科研场景的AI平台Claude Science。按照该公司介绍，这一平台不仅是聊天式助手，更是一个可以整合科研常用工具、调用计算资源、生成可审计成果的AI工作台。AI正从通用问答工具走向更专业的科研流程。

依托北京大学中国博士教育研究中心组织实施的全国博士毕业生调查数据，北京科技大学文法学院教师蔡芬展开分析，其研究成果《AI辅助博士生科研现状及其影响的学科差异——基于2024年全国博士毕业生调查的分析》显示：对14371份全国学术学位博士生问卷数据进行分析后发现，理工农医尤其是计算机相关专业博士生的AI辅助科研使用率较高，而人文社科尤其是人文学科博士生的使用率较低；人文社科博士生更多将AI用于前端科研工作，理工农医博士生更多将AI用于后端科研工作。

毕业季，中青报·中青网记者在社交媒体平台上发现，“如何用AI写文献综述”“AI辅助论文降重”“怎样降低论文AI率”等话题频繁出现。

在蔡芬看来，AI已深度嵌入大学生科研训练，但在不同培养阶段、不同学科背景下，学生对AI的诉求并不相同。

当AI变成越来越多学生日常科研生活中的“标配”，它究竟是在增强学生的科研能力，还是“跳过过程直接到答案”？

AI是手段而非目的

来自四川大学的谢莉（化名）今年即将直博本校的网络空间安全专业。她告诉中青报·中青网记者，AI已经参与到她的科研流程中的多个环节。

“我会先自己阅读文献，找到能够继续深入的问题方向，再问AI之前是否有人做过类似研究、自己的想法是否具备可行性、是否有继续推进的空间。”谢莉表示，如果自己的研究角度有可行性，便会让AI给出相应学习路线，再进入具体研究阶段。

谢莉觉得，通过AI帮自己“入门”，许多科研想法能快速迭代，“以前想快速判断一个想法是否可行并不容易，文献调研、路线评估和代码编写都会耗费大量时间，现在这些环节都被明显压缩”。

与此同时，对于理工科学生而言，代码生成是AI最常见、也最能直接提升效率的功能之一。谢莉通常会让AI生成代码，并通过测试用例检查运行结果。她认为，AI的价值不在于直接提升一个人的学习或编程能力，而在于让科研的节奏更快，使想法能够迅速实现或被否定。

“不过AI终究是外界工具，我觉得更重要的是认真修炼自己的基础能力，而非纯粹依赖AI。”谢莉说。

蔡芬在研究和日常观察中注意到，硕士生与博士生在使用AI辅助科研工作时，呈现出比较明显的阶段性差异。硕士生使用AI进行辅助的主要诉求更偏向于“科研入门、任务减负与概念理解”，而博士生则更关注“科研提效、成果发表与研究边界拓展”。

在使用AI辅助科研上，浙江财经大学法学院民商法专业研一学生孙宇（化名）的感受与理工科学生不完全相同。导师建议他在研究中合理使用AI，认为AI可以帮助查找资料、修改措辞，也可以作为一种自我审视工具。但孙宇坦言，自己并不太清楚怎样才能让AI更有效地帮助自己开展科研工作。

“其实不能放任自己在完全没有知识基础的阶段就依赖AI，而是要先建构自己的知识体系。”孙宇说，对AI给出的答案必须甄别，尤其是在法学研究中，资料真实性、写作中的逻辑关系、论证力度都不能完全交给AI。

孙宇曾经也为了节省时间使用AI，但用了几次发现，AI在资料查找和语言建构上可能出现偏差，有时还需要自己花费更多时间核实。“对法学研究而言，许多问题本身没有绝对正误，法律解释、法理分析和学术观点的价值，往往需要在具体语境中论证。AI给出的内容看起来完整、流畅，却未必真正可靠。”

“研究生最重要的仍是自主学习能力，AI只是手段而非目的。”孙宇觉得，充足的知识储备在任何时候都是应对问题的最有力筹码。

如何破解“AI率”引发的规则焦虑

随着AI越来越多地参与到学生的科研和论文写作中，高校也在不断打上规则“补丁”。

早在2024年年末，复旦大学便发布《复旦大学关于在本科毕业论文（设计）中使用AI工具的规定（试行）》，旨在明确和规范在本科毕业论文中AI工具的使用范围与原则。

2025年11月，清华大学发布《清华大学人工智能教育应用指导原则》（以下简称《指导原则》），提出“主体责任、合规诚信、数据安全、审慎思辨、公平包容”等原则，要求师生对人工智能使用情况及生成内容依规披露声明，并严禁将人工智能生成的文本、代码等内容直接复制或简单转述后作为学业成果提交。

针对研究生群体，《指导原则》中强调，禁止用人工智能代替本应由本人进行的学术训练，严禁使用人工智能实施代写、剽窃、伪造等行为。研究生指导教师需在此过程中提供规范性指导并进行全过程监督，确保学术训练的完整性和学位论文及实践成果的原创性。

近两年，为了防止学生利用AI代写毕业论文，全国多所高校都发布相关规定，根据专业不同，为毕业论文设置20%-40%不等的“AI率”红线。

北京科技大学社会工作专业毕业生韩芳（化名）尝试过“用魔法打败魔法”，即用AI降AI率。然而她发现，AI润色修改后的句子有时会变得很“滑稽”，出现语义不通等问题，反而导致“AI味”很重。

学生用AI辅助科研协作，高校用AI检测工具识别AI生成内容，学生继续用AI降AI率……蔡芬认为，围绕AI检测结果反复生成、改写和规避，表面上是在处理技术指标，实质上反映了学生在写作、发表和规则不确定性面前的焦虑。“一些学生并非完全不知道风险，而是不清楚学校到底允许什么、禁止什么，于是通过检测工具进行策略性应对。”

在蔡芬看来，学校不能把AI治理简单交给一个检测分数，而应把重点放在规则建设和过程管理上：明确哪些使用行为被允许且需要声明，哪些行为属于违规；引导学生保留写作过程记录和AI使用记录；结合导师判断、学生说明、参考文献核验和答辩追问进行综合评价。

当工具越用越顺手，训练的价值何在

“就教育或学术训练的目的而言，研究生写作的价值不是形成一篇文本，更重要的是在写作过程中训练问题意识、文献阅读、逻辑推理和学术表达能力。”蔡芬指出，不能简单把研究生使用AI写作等同于学术不端，关键要看AI是在帮助学生减轻机械性负担，还是在替学生完成核心学术判断。

同济大学生命科学与技术学院直博六年级学生王楠（化名）对AI进入实验室的变化感受更为直观。他注意到，随着大语言模型能力提升，低年级学生已经可以借助AI完成不少原本复杂的代码任务。“过去遇到一个问题，研究生往往要查网页、读文献、翻书、自己写代码调试，可能花费几天时间才能解决。如今，这些简单任务可以直接让AI生成，甚至交给Agent（智能体）执行。”

但王楠发现了更隐蔽的问题。“现在AI生成的代码已经很少出现跑不通的情况了。”他告诉中青报·中青网记者，“这反而让不少初学者放松了警惕，低年级学生拿到AI生成的代码后，往往只要运行不报错，就认为这段代码可以使用，至于代码为什么这样写，并不会进一步深究。”

王楠注意到，对于一些小众、具体、需要行业经验的任务，AI生成的代码可能看起来合理，也能跑通，却在参数设置、分析流程或方法选择上存在细微问题。初学者如果不理解代码背后的逻辑，很难发现这些“坑”。

王楠以生物信息学数据分析为例说明，不同类型的数据集可能对应不同参数设置。如果学生习惯于直接使用AI生成的代码，却不知道参数需要与数据类型匹配，就可能得到错误结果，甚至这些结果可能看起来也“像真的”，从而导致与正确结论“擦肩而过”。

抛开技术层面的隐患，王楠表示，如果不去深究代码里的每个步骤，就无法真正理解这些生物学问题是如何被解决的，也无法把AI给出的信息转化为自己的知识。

这也让王楠意识到，许多研究生的学习模式正在发生变化：从“学习如何做科研”，逐渐转变为“学习如何利用AI做科研”。AI时代的科研训练，不再只是掌握工具，而是如何在工具介入后仍然保持理解能力和判断能力。

蔡芬认为，如果能够规范使用AI，学生可以快速提升资料搜集和信息整合能力、语言表达和学术写作能力、跨学科知识学习能力以及研究方案设计能力等。“不过，AI难以替代真正的原创性问题提出、理论敏感性、方法适配判断、田野经验、数据解释能力和学术价值判断。”她指出，科研能力的核心并不只是“找到信息”，而是判断什么问题重要、什么证据可靠、什么解释更有学术贡献。“这些能力不可能通过AI工具一蹴而就，需要通过长期阅读、写作、同行讨论和导师指导等过程逐渐形成。”