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领域，承担着文献检索、思路梳理、代码编写、论文润色乃至复杂计算和文本撰写等多种任务。

近期，美国人工智能公司Anthropic推出了面向科研领域的AI平台Claude Science，其定位不仅是对话式助手，更是一个集成了科研常用工具、计算资源调用和可审计成果生成的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提供的全国博士毕业生调查数据，进行了一项题为《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》的研究。该研究分析了14371份全国学术学位博士生问卷，结果显示，理工农医（特别是计算机科学领域）的博士生AI辅助科研使用率较高，而人文社科（特别是人文学科）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用于科研的早期阶段，而理工农医博士生则更多将其用于科研的后期阶段。

随着毕业季的到来，记者在社交媒体上观察到，“如何利用AI撰写文献综述”、“AI辅助论文降重”、“如何降低论文中的AI痕迹”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过程，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成为许多学生科研生活中的“标配”时，其作用是增强学生科研能力，还是让他们“跳过过程直接获取答案”？

AI作为辅助工具而非最终目的

就读于四川大学网络空间安全专业、即将直博的谢莉（化名）表示，AI已渗透到她科研流程的多个环节。她会先自行阅读文献，确立研究方向后，再向AI咨询相关研究是否已有先例、其想法的可行性以及进一步发展的空间。一旦研究方向被认为可行，她会请AI提供学习路径，随后进入具体研究阶段。

谢莉认为，AI的辅助使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，如今得到显著缩短。对于理工科学生而言，AI的代码生成功能尤为高效。谢莉通常会利用AI生成代码，并通过测试用例验证结果。她强调，AI的价值在于加速科研节奏，实现或否定想法，而非直接提升个人学习或编程能力。谢莉也意识到，AI终究是外部工具，自身基础能力的培养至关重要。

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。硕士生主要期望AI在“科研入门、减轻任务负担和概念理解”方面提供帮助，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）的体验与理工科学生略有不同。尽管导师建议合理运用AI进行资料查找和语言润色，并作为自我审视工具，孙宇坦言自己尚不清楚如何最高效地利用AI开展科研。

孙宇强调，在缺乏知识基础的情况下不应过分依赖AI，而应先构建自己的知识体系。他认为，必须对AI提供的答案进行甄别，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。孙宇曾尝试用AI节省时间，但发现AI在资料查找和语言构建方面可能出现偏差，有时反而需要花费更多时间进行核实。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生成的内容虽然流畅，但不一定可靠。孙宇认为，研究生最重要的能力仍是自主学习，AI仅是手段，充足的知识储备是应对问题的最有力武器。

如何应对“AI率”引发的规则困境

随着AI在学生科研和论文写作中的参与度提高，高校也在不断完善相关规则。

早在2024年底，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，并严禁直接复制或转述AI生成的内容作为学业成果。该指导原则特别强调，禁止AI代替应由学生本人完成的学术训练，严禁利用AI进行代写、剽窃、伪造等行为，并要求导师提供规范指导和全程监督，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，全国多所高校已出台相关规定，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）尝试使用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”，出现语义不通等问题，反而显得“AI味”很重。

学生利用AI辅助科研，高校引入AI检测工具识别AI生成内容，学生再利用AI降低“AI率”……蔡芬认为，这种围绕AI检测结果的反复生成、改写和规避，表面上是应对技术指标，实则反映了学生在写作、发表和规则不确定性面前的焦虑。一些学生并非完全不了解风险，而是不清楚学校的具体规定，因此采取了策略性的应对方式。

蔡芬建议，学校不应将AI治理简化为仅关注检测分数，而应侧重于规则建设和过程管理：明确允许使用的AI行为及其声明要求，区分违规行为；引导学生保留写作过程记录和AI使用记录；综合运用导师判断、学生说明、参考文献核验和答辩环节的提问进行全面评价。

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标来看，研究生写作的价值不仅在于产出一篇文本，更在于通过写作过程训练问题意识、文献阅读、逻辑推理和学术表达能力。她强调，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在实验室中的影响感受更为直接。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。过去需要研究生花费数天时间查找资料、阅读文献、调试代码才能解决的问题，现在AI可以直接生成代码，甚至由Agent（智能体）执行。

然而，王楠也发现了更深层的问题。他表示，AI生成的代码很少出现运行错误，这反而使一些初学者放松了警惕。学生拿到AI代码后，只要不报错，就认为代码可用，而不会深入探究其编写逻辑。

王楠注意到，对于一些专业性强、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缺陷。如果初学者不理解代码背后的逻辑，就难以发现这些潜在问题。

以生物信息学数据分析为例，王楠说明，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，却不了解参数与数据类型的匹配关系，就可能得出错误结论，而这些错误结果甚至可能看起来“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，如果不去深究代码的每一个步骤，就无法真正理解生物学问题的解决方法，也无法将AI提供的信息转化为自己的知识。

这使得王楠意识到，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，更重要的是在工具介入后，如何保持自身的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哪些问题重要、哪些证据可靠、哪些解释更有学术贡献，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步形成，而非通过AI工具一蹴而就。