AI的科研“狂飙”需要人类握紧“手刹”

人工智能到底发展到了什么地步？能不能代替人类思考、做科研？

这是近两年在AI技术深度嵌入教育、科研一线的背景下，许多人都在反复思考的问题。

如今，为了清晰地看透AI“思考”的本质，一些学者正在尝试主动“让位”，请AI坐在论文第一作者的“宝座”。

2025年9月，华东师范大学发起全球首个“AI一作”大型社会实验：征集由人工智能担任第一作者、人类研究者担任共同作者或通信作者的教育研究论文。活动共收到海内外投稿820篇，剔除重复、撤回及测试稿件后，形成724篇有效投稿，吸引1177名人类作者参与。今年8月，《超越图灵测试：全球首个“AI一作”大型社会实验全景报告》专刊作为这场实验的阶段性成果，在华东师范大学学报上刊发。

让AI堂而皇之地坐上论文“一作”的位置，听起来就有些“吓人”。有人担心，人类学者是否正在主动让出知识生产的主导权；也有人期待，AI能够打破传统科研的效率瓶颈。

其实，这场实验的价值，在于把此前隐匿在论文背后的AI使用过程推到台前，让人们看到：AI早已在文献检索、提出假设、生成代码、分析数据乃至搭建研究框架等环节深度参与科研。

实验结果显示，如果把学术期刊最优秀的论文定义为100分，达到发表水平的定义为80分，那么，在“AI一作”的700多篇论文中，大部分得分在40-80分之间，少数接近90分。人机协同写作的平均水平超过了人类单独作者的平均水平，但还达不到人类最优秀的水平。

这揭示了人工智能参与科研的真实位置：它可以明显抬高平均线，却尚不能轻易突破人类创造的天花板。

在处理海量文献、编写代码、执行统计检验、发现数据关联和组织规范文本方面，AI拥有难以比拟的速度。过去需要一个月完成的工作，借助AI可能压缩到一周；研究者也能同时尝试更多假设和技术路线。

然而，实验也发现，AI生成论文存在文献虚构、逻辑“空心化”、创新不足和伦理风险等问题。它可以把观点组织得圆满，却未必知道哪些观点更重要；可以寻找相关性，却未必真正理解其中的因果。

因此，在讨论AI能否代替人类思考之前，首先要分清什么是“计算和加工”，什么才是“思考”。

科研中的大量劳动确实可以被替代。资料整理、语言转换、常规分析乃至初步假设生成，都可能越来越多地交给机器。但研究为什么要从这个问题出发，哪一个问题值得投入时间，数据和结论背后连接怎样的现实导向，这些判断并不是单纯的知识组合，而是建立在丰富的实践经验、价值立场、伦理关怀之上的人类选择。

“效率归AI，解释权归人。”这是杭州师范大学与浙江大学联合培养博士后、助理研究员刘嘉豪参与实验的感受。他发现，当AI承担大部分写作工作后，人类作者的工作量并没有简单减少，而是从逐字逐句“码字”，转变为设计理论框架、甄别不同视角、整合知识并作出最终判断。

这也意味着，人类在科研中的主体性并未消失，而是发生了位置转换：从知识的直接生产者，逐渐转向问题的选择者、过程的监督者、结果的解释者和责任的承担者。

也正因此，让AI参与科研，最值得思考的，并不是署名栏里谁排在第一位，而是谁能够为论文负责。

传统学术署名不仅意味着贡献和荣誉，也意味着对数据真实性、论证严谨性和研究伦理承担责任。AI不具备法律主体资格，不能为虚构文献、数据错误和不当结论负责。无论AI生成了多少文字，人类都不能以“AI给出的答案”为理由免除核验义务。

实验由此提出建立“人类担保人制度”：凡是包含AI生成内容的论文，都应由人类作者对数据、代码、结论和伦理问题承担最终责任。

当AI技术载着海量的知识在科研领域“狂飙”，建立这样责任担保制度作为“手刹”显得尤为重要。而如今的科研领域恰恰需要一套透明、可追溯、可问责的协作规则：研究者使用了什么模型、AI参与了哪些环节、人类作出了哪些修改，都应得到清晰披露。判断一项成果的依据，也应延伸到研究过程是否真实、数据能否复核、人类贡献是否具有实质性。

随着生成一篇格式完整的论文变得越来越容易，真正稀缺的将是值得研究的问题、可靠的证据和经得起验证的判断。AI能够批量生成候选选题，但从成百上千个问题中判断哪一个真正重要，仍然需要学术眼光；AI能够输出看似自洽的答案，但识别其中的偏见、幻觉和逻辑漏洞，也仍然需要长期训练。

那么，未来大学里，教授和学生最应该培养的、AI最难替代的“核心能力”是什么？这对大学教育提出了更深层的挑战。

未来的科研训练，当然需要教学生掌握AI工具，却不能将“会写提示词”误认为掌握了人机协同。实验的发起人、华东师范大学教育学部主任袁振国在实验中提出“人机协同商数”（Collaboration with Ai Quotient，简称“C商”），并将其与智商（IQ）和情商（EQ）并列。

该商数将提问与任务拆解、信息鉴别与批判性整合、结果诠释与意义赋予、认知责任与伦理判断、自我迭代与元认知能力等纳入智能时代的核心素养。这些能力的共同指向，是培养能够驾驭AI，而不是被AI输出牵着走的人。

没有扎实的专业训练，研究者可能甚至难以发现AI错在哪里；没有对真实世界的持续观察，也很难提出机器训练数据中尚不存在的问题。学生越是能够借助AI快速抵达答案，教育越要训练学生追问答案从何而来、是否可信、价值在哪里。

回头看向这场“AI一作”的实验本身，更像是在AI时代将科研责任重新分配的预演。未来，AI或许可以成为论文的第一作者、研究团队的高效伙伴，甚至某些环节的主导者，但它不能成为价值选择和学术责任的最终主体。科研的“发动机”可以由人机共同驱动，但手握“方向盘”、决定驶向何处的人，仍然必须是人类自身。