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融入高校科研领域，从文献检索、思路梳理、代码生成到复杂计算和文本写作，其应用范围日益广泛。

美国人工智能公司Anthropic于6月30日推出了面向科研场景的AI平台Claude Science。该公司表示，该平台不仅是对话式助手，更是一个集成了常用科研工具、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实施的全国博士毕业生调查数据进行分析，其研究《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，在14371份全国学术学位博士生问卷中，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。研究还发现，人文社科博士生更多将AI用于科研的前端工作，而理工农医博士生则更多用于后端工作。

随着毕业季的到来，记者在社交媒体上注意到，“如何用AI写文献综述”、“AI辅助论文降重”以及“怎样降低论文AI率”等话题备受关注。

蔡芬认为，AI已深度介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成为许多学生日常科研的“标配”时，其究竟是增强了学生的科研能力，还是让他们“跳过过程直接到答案”？

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已参与到她的科研流程的多个环节。她会先自行阅读文献，确定深入研究方向，然后询问AI是否有类似研究，自己的想法是否可行，以及是否有进一步探索的空间。若想法可行，AI会提供学习路线，之后再进入具体研究阶段。

谢莉认为，AI的“入门”帮助她能快速迭代科研想法，过去耗费大量时间的文献调研、路线评估和代码编写等环节，现在已被显著压缩。对于理工科学生而言，代码生成是AI最常且最能直接提升效率的功能之一。谢莉通常会利用AI生成代码，并通过测试用例验证结果。她认为AI的价值不在于直接提升学习或编程能力，而在于加速科研节奏，实现或否定想法。但她也强调，AI终究是外部工具，修炼自身基础能力更为重要。

蔡芬的研究和观察表明，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。硕士生主要希望通过AI实现“科研入门、任务减负与概念理解”，而博士生则更侧重于“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）的使用感受与理工科学生有所不同。导师建议他合理运用AI进行资料查找、措辞修改，并作为自我审视的工具。然而，孙宇坦言，自己并不清楚如何让AI更有效地协助科研。他认为，不能在缺乏知识基础的情况下依赖AI，而是要先构建知识体系。对AI给出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力度都不能完全依赖AI。

孙宇曾为节省时间使用AI，但发现AI在资料查找和语言构建方面可能出现偏差，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绝对正误，法律解释、法理分析和学术观点的价值往往需要具体语境论证，AI提供的内容虽完整流畅，却未必可靠。他认为，研究生最重要的仍是自主学习能力，AI只是手段而非目的，充足的知识储备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在学生科研和论文写作中的参与度日益提高，高校也在不断完善相关规则。

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《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，要求师生依规披露AI使用情况及生成内容，并严禁将AI生成内容直接复制或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AI代替本应由本人进行的学术训练，严禁使用AI实施代写、剽窃、伪造等行为。研究生导师需提供规范指导并全程监督，确保学术训练的完整性和成果的原创性。

近两年，为防止学生利用AI代写毕业论文，全国多所高校出台了相关规定，根据专业不同，将毕业论文的“AI率”设定在20%-40%之间。

北京科技大学社会工作专业毕业生韩芳（化名）尝试用AI“降AI率”，却发现AI润色后的句子有时会变得“滑稽”，出现语义不通，反而更具“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、改写和规避的行为，表面上是处理技术指标，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。她指出，一些学生并非完全不知风险，而是不清楚学校的具体规定，因此通过检测工具进行策略性应对。

蔡芬建议，学校不应将AI治理仅交给检测分数，而应重点放在规则建设和过程管理上：明确允许的使用行为及其声明要求，区分违规行为；引导学生保留写作过程和AI使用记录；并结合导师判断、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

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在于形成文本本身，而更在于训练问题意识、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观。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完成许多复杂代码任务。过去需要数天解决的问题，现在AI可直接生成代码，甚至交给Agent（智能体）执行。

但王楠也发现了更隐蔽的问题。他表示，AI生成的代码很少出错，反而让不少初学者放松警惕，只要代码能运行，就认为可用，而不会深究其原理。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问题。初学者若不理解代码逻辑，难以发现这些“坑”。

王楠以生物信息学数据分析为例，不同数据集需要匹配不同的参数设置。如果学生习惯直接使用AI生成的代码，却不了解参数与数据类型的匹配关系，就可能得出错误结果，甚至这些错误结果也可能“看起来像真的”，导致与正确结论失之交臂。

抛开技术层面的隐患，王楠认为，如果不深究代码中的每一步，就无法真正理解问题的解决过程，也无法将AI提供的信息转化为自身知识。这让他意识到，许多研究生的学习模式正在从“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，不再仅仅是掌握工具，而是如何在工具介入后仍保持理解能力和判断能力。

蔡芬认为，规范使用AI可以帮助学生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。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，而非通过AI工具一蹴而就。