当AI成为“科研搭子” 谁来守住学术训练的底线

人工智能技术正以前所未有的速度渗透到高校科研的各个环节，从文献检索、思路梳理，到代码生成、论文润色，乃至复杂的计算和文本撰写。

6月30日，美国人工智能公司Anthropic推出了专为科研设计的AI平台Claude Science。该公司表示，该平台不仅能作为对话式助手，还能整合科研常用工具、调用计算资源并生成可审计的成果，标志着AI正从通用问答工具向更专业的科研流程演进。

北京科技大学文法学院教师蔡芬利用北京大学中国博士教育研究中心组织的全国博士毕业生调查数据，发表了研究成果《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》。该研究分析了14371份全国学术学位博士生问卷，发现理工农医（特别是计算机相关专业）博士生对AI辅助科研的使用率较高，而人文社科（尤其是人文学科）博士生使用率较低。研究还指出，人文社科博士生更多将AI应用于科研前期工作，而理工农医博士生则更多用于科研后期。

毕业季期间，记者在社交媒体上注意到，“如何用AI撰写文献综述”、“AI辅助论文降重”、“如何降低论文的AI生成率”等话题备受关注。

蔡芬认为，AI已深度融入大学生的科研训练，但不同培养阶段和学科背景的学生对AI的需求存在差异。

当AI成为许多学生科研的“标配”，它究竟是在提升科研能力，还是让学生“跳过过程直接获取结果”？

AI是手段而非目的

四川大学即将直博网络空间安全专业的谢莉（化名）表示，AI已参与到她科研流程的多个环节。她会先自行阅读文献，确定深入研究的方向，然后询问AI是否有类似研究，以及自己的想法是否可行并有进一步发展的空间。若想法可行，AI会提供相应的学习路径，之后再进入具体研究。

谢莉认为，AI的“入门”帮助她能够快速迭代科研想法，过去难以快速判断想法可行性，文献调研、路线评估和代码编写都耗时良多，现在这些环节被显著缩短。

对于理工科学生而言，代码生成是AI最常用且能直接提升效率的功能之一。谢莉常让AI生成代码，并通过测试用例检查结果。她认为，AI的价值并非直接提升学习或编程能力，而是加速科研节奏，使想法能迅速实现或被否定。

“AI终究是外部工具，我觉得更重要的是认真打磨自己的基础能力，而不是完全依赖AI。”谢莉说道。

蔡芬在研究和日常观察中发现，硕士生和博士生在使用AI辅助科研时存在明显的阶段性差异。硕士生主要希望AI帮助“科研入门、减轻任务负担和理解概念”，而博士生则更侧重于“提升科研效率、促进成果发表和拓展研究边界”。

浙江财经大学法学院民商法专业研一学生孙宇（化名）在使用AI辅助科研方面的体验与理工科学生不完全一致。尽管导师建议他合理利用AI查找资料、修改措辞或作为自我审视工具，孙宇坦言自己不太清楚如何让AI更有效地辅助科研。

“在完全没有知识基础的情况下不能依赖AI，而是要先构建自己的知识体系。”孙宇强调，对AI提供的答案必须进行甄别，尤其是在法学研究中，资料的真实性、写作中的逻辑关系和论证的力度都不能全盘交给AI。

孙宇曾为节省时间使用AI，但几次后发现，AI在资料查找和语言构建上可能出现偏差，有时需要花费更多时间核实。“法学研究中，很多问题并非非黑即白，法律解释、法理分析和学术观点的价值需要在具体语境中论证。AI生成的内容虽然完整流畅，但未必可靠。”

“研究生最重要的仍是自主学习能力，AI只是手段而非目的。”孙宇认为，充足的知识储备是应对一切问题的最有力保障。

如何化解“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，高校也在不断更新相关规定。

早在2024年末，复旦大学就发布了《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AI工具在本科毕业论文中的使用范围和原则。

2025年11月，清华大学发布了《清华大学人工智能教育应用指导原则》（以下简称《指导原则》），提出了“主体责任、合规诚信、数据安全、审慎思辨、公平包容”等原则，要求师生如实披露人工智能使用情况及生成内容，并严禁将AI生成的文本、代码等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》强调，禁止使用人工智能代替本应由本人完成的学术训练，严禁利用人工智能进行代写、剽窃、伪造等行为。研究生导师需在此过程中提供规范指导并进行全程监督，以确保学术训练的完整性及学位论文和实践成果的原创性。

近两年，为防止学生利用AI代写毕业论文，全国多所高校都出台了相关规定，根据专业不同，为毕业论文设定了20%-40%不等的“AI率”上限。

北京科技大学社会工作专业毕业生韩芳（化名）曾尝试用AI来降低论文的“AI率”，但发现AI润色后的句子有时会变得“滑稽”，出现语义不通的问题，反而显得“AI味”很重。

学生利用AI辅助科研，高校使用AI检测工具识别AI生成内容，学生再用AI去降低“AI率”……蔡芬认为，围绕AI检测结果的反复生成、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风险，而是不清楚学校的具体规定，因此采取策略性应对。”

蔡芬指出，学校不应将AI治理简化为检测分数，而应侧重于规则建设和过程管理：明确哪些使用行为被允许且需声明，哪些属于违规；引导学生保留写作过程和AI使用记录；结合导师判断、学生说明、参考文献核验和答辩提问进行综合评价。

当工具越来越顺手，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在于形成一篇文本，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。”蔡芬强调，不能简单地将研究生使用AI写作等同于学术不端，关键在于AI是帮助学生减轻机械性负担，还是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进入实验室带来的变化感受更为直接。他注意到，随着大语言模型能力的提升，低年级学生已能借助AI完成许多原本复杂的代码任务。“过去遇到一个问题，研究生可能需要查网页、读文献、翻书、自己写代码调试，花费数天才能解决。如今，这些简单任务可以直接由AI生成，甚至交给Agent（智能体）执行。”

然而，王楠发现了更隐蔽的问题。“现在AI生成的代码很少出现运行不通的情况。”他告诉记者，“这反而让不少初学者放松了警惕，拿到AI生成代码后，只要不报错，就认为代码可用，至于代码为何这样写，往往不会深究。”

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、也能运行，但在参数设置、分析流程或方法选择上可能存在细微问题。初学者如果不理解代码背后的逻辑，很难发现这些“陷阱”。

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需要不同的参数设置。如果学生习惯于直接使用AI生成的代码，却不了解参数需与数据类型匹配，就可能得出错误结果，而这些结果甚至可能看似“真实”，从而与正确结论“失之交臂”。

抛开技术层面的隐患，王楠表示，如果不深究代码的每个步骤，就无法真正理解这些生物学问题是如何被解决的，也无法将AI提供的信息内化为自己的知识。

这也让王楠意识到，许多研究生的学习模式正在转变：从“学习如何做科研”，逐渐转向“学习如何利用AI做科研”。AI时代的科研训练，不再仅仅是掌握工具，而是如何在工具介入后依然保持理解和判断能力。

蔡芬认为，如果能规范使用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。“然而，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，科研能力的核心并非仅仅是“找到信息”，而是判断什么问题重要、什么证据可靠、什么解释更具学术贡献。“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。”