当AI成为“科研搭子” 谁来守住学术训练的底线

人工智能技术正以惊人的速度融入高校科研工作，承担从文献检索、研究思路梳理、代码编写、论文润色到复杂计算和文本撰写等多种任务。

Anthropic 公司于 6 月 30 日推出了面向科研领域的 AI 平台 Claude Science。该平台不仅是对话式助手，更被定位为一个整合科研常用工具、调用计算资源并生成可审计成果的 AI 工作台，标志着 AI 正从通用问答工具向更专业的科研流程迈进。

北京科技大学文法学院教师蔡芬基于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（尤其是计算机相关专业）的博士生 AI 辅助科研使用率较高，而人文社科（尤其是人文学科）的博士生使用率较低。研究还显示，人文社科博士生更倾向于将 AI 用于科研的早期阶段，而理工农医博士生则更多用于后期工作。

毕业季期间，社交媒体上充斥着“如何用 AI 写文献综述”、“AI 辅助论文降重”和“怎样降低论文 AI 率”等热门话题。

蔡芬认为，AI 已经深度介入了大学生的科研训练，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 成为越来越多学生科研生活的标配时，其究竟是增强了学生的科研能力，还是让学生“跳过过程直接获得答案”？

AI 作为一种辅助手段，而非最终目的。

四川大学即将直博本校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。她会在自己阅读文献、确定研究方向后，向 AI 咨询相关研究的已有情况、想法的可行性及进一步探索的空间。如果研究方向可行，她会请 AI 提供学习路径，再进入具体研究。

谢莉认为，AI 帮助她“入门”，加速了科研想法的迭代，显著缩短了文献调研、路线评估和代码编写等耗时环节。对于理工科学生而言，AI 生成代码是提升效率的常见功能。谢莉通常会让 AI 生成代码，并通过测试用例验证结果，她认为 AI 的价值在于加快科研节奏，使想法能迅速实现或被否定，而非直接提升学习或编程能力。她强调，AI 终究是外部工具，提升自身基础能力更为重要。

蔡芬注意到，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。硕士生更侧重于“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”。

浙江财经大学法学院民商法专业研一学生孙宇（化名）的使用体验与理工科学生有所不同。导师建议他合理使用 AI 辅助资料查找和措辞修改，并作为审视工具。但孙宇坦言，自己并不清楚如何让 AI 更有效地服务于科研。

孙宇认为，不能在缺乏知识基础的情况下依赖 AI，而应先构建自己的知识体系。他对 AI 的答案必须进行甄别，尤其是在法学研究中，资料的真实性、写作的逻辑关系和论证力度都不能完全依赖 AI。他曾尝试使用 AI 节省时间，但发现 AI 在资料查找和语言组织上可能存在偏差，有时需要花费更多时间核实。他指出，法学研究中许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 提供的内容可能看似完整流畅，但未必可靠。孙宇强调，研究生最重要的仍是自主学习能力，AI 仅是手段，充足的知识储备才是应对问题的关键。

随着 AI 越来越多地介入学生的科研和论文写作，高校也在不断完善相关规定。

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）》，明确了 AI 工具的使用范围和原则。

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》，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 AI 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应由本人进行的学术训练，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全程监督，确保学术训练的完整性以及学位论文和实践成果的原创性。

近两年来，为防止学生利用 AI 代写毕业论文，全国多所高校已出台相关规定，根据专业不同，设定了 20%-40% 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，反而增加了“AI 味”。

学生使用 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 降低“AI 率”……蔡芬认为，这种围绕 AI 检测结果反复生成、改写和规避的现象，表面上是技术指标的博弈，实则反映了学生在写作、发表和规则不确定性面前的焦虑。部分学生并非完全不了解风险，而是不清楚学校的具体允许和禁止范围，因此采取了策略性的应对。蔡芬建议，学校不应将 AI 治理简化为检测分数，而应聚焦于规则建设和过程管理：明确允许使用的行为并要求声明，界定违规行为；引导学生保留写作过程和 AI 使用记录；结合导师判断、学生陈述、参考文献核验和答辩环节进行综合评估。

当工具日益便捷，训练的价值何在？

蔡芬指出，从教育或学术训练的目的来看，研究生写作的价值不仅在于产出一篇文本，更重要的是在写作过程中培养问题意识、文献阅读、逻辑推理和学术表达能力。她认为，不能简单将研究生使用 AI 写作等同于学术不端，关键在于 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 进入实验室带来的变化感受尤为明显。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 完成许多曾复杂的代码任务。过去，研究生解决一个问题可能需要数天时间查阅文献、编写调试代码，而现在，这些简单任务可直接由 AI 完成，甚至通过 Agent 执行。

然而，王楠也发现了更隐蔽的问题。他表示，AI 生成的代码很少出现运行不通的情况，这反而让不少初学者放松警惕。低年级学生拿到 AI 生成的代码后，只要能运行，就认为代码可用，而不会深究其编写逻辑。对于一些小众、具体且需要行业经验的任务，AI 生成的代码可能看似合理且能运行，但在参数设置、分析流程或方法选择上可能存在细微偏差。初学者若不理解代码背后的逻辑，很难发现这些潜在问题。

王楠以生物信息学数据分析为例说明，不同类型的数据集需要匹配不同的参数设置。如果学生习惯于直接使用 AI 生成的代码，而忽略了参数与数据类型的匹配，就可能得到错误结果，而这些错误结果甚至可能看起来“像真的”，从而错失正确结论。

抛开技术层面的隐患，王楠认为，如果不深入探究代码的每个步骤，就无法真正理解生物学问题的解决过程，也无法将 AI 提供的信息内化为自身知识。这让他意识到，许多研究生的学习模式正在转变：从“学习如何做科研”转变为“学习如何利用 AI 做科研”。AI 时代的科研训练，已不再是单纯掌握工具，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，规范使用 AI，学生可以在资料搜集、信息整合、语言表达、学术写作、跨学科知识学习以及研究方案设计等方面获得快速提升。然而，她指出，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。科研能力的核心不在于“找到信息”，而在于判断什么问题重要、什么证据可靠、什么解释更有学术贡献。这些能力无法通过 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。