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渗透到高校科研的各个环节，从文献检索、思路梳理、代码生成到论文润色、复杂计算和文本撰写，其应用范围日益广泛。

美国人工智能公司Anthropic于6月30日推出了面向科研领域的AI平台Claude Science。该平台不仅具备对话式助手功能，还能整合常用科研工具、调用计算资源并生成可供审计的成果，标志着AI正从通用问答工具向更专业的科研流程演进。

一项基于北京大学中国博士教育研究中心收集的全国博士毕业生调查数据进行的研究显示，AI辅助科研的使用情况在不同学科间存在显著差异。北京科技大学文法学院教师蔡芬的研究《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》发现，在分析的14371份全国学术学位博士生问卷中，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。此外，人文社科博士生更倾向于将AI用于科研的前期工作，而理工农医博士生则更多将其应用于科研的后期阶段。

随着毕业季的到来，社交媒体上关于“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”等话题引起了广泛关注。

蔡芬指出，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成为许多学生日常科研的“标配”时，其作用究竟是增强学生的科研能力，还是让他们“跳过过程直接获取答案”？

AI应作为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。她会先自行阅读文献，确定深入研究的方向，然后向AI询问是否已有类似研究、自身想法的可行性以及进一步发展的空间。一旦想法被认为可行，她会请AI提供学习路径，再进入具体研究阶段。

谢莉认为，AI的辅助使其能够快速迭代科研想法，显著缩短了以往在文献调研、路线评估和代码编写上耗费的大量时间。对于理工科学生而言，代码生成是AI最常用的功能之一，能直接提升效率。谢莉通常让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。但她也强调，AI终究是外部工具，个人基础能力的扎实修炼更为重要。

蔡芬的研究和观察发现，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。硕士生主要希望利用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）在AI辅助科研方面的体验与理工科学生不尽相同。尽管导师建议他合理使用AI进行资料查找和措辞修改，并作为自我审视工具，但孙宇坦言，他对如何让AI更有效地服务于科研工作并不十分清楚。

孙宇认为，在没有扎实知识基础的情况下不应过分依赖AI，而应先构建自身的知识体系。他对AI提供的答案必须进行甄别，特别是在法学研究中，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。他曾尝试用AI节省时间，但发现AI在资料查找和语言构建上可能存在偏差，有时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生成的内容尽管流畅，却未必完全可靠。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。

如何应对“AI率”引发的规则困惑

随着AI在学生科研和论文写作中的参与度不断提高，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）》，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》（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AI使用情况及生成内容，并严禁将AI生成文本、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，《指导原则》特别强调，禁止使用AI代替应由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。研究生导师有责任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，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%不等的“AI率”红线。

北京科技大学社会工作专业毕业生韩芳（化名）曾尝试使用AI来降低论文的“AI率”，却发现AI润色后的句子有时会变得“滑稽”且语义不通，反而增加了“AI味”。

学生利用AI辅助科研，高校通过AI检测工具识别AI生成内容，学生再用AI进行“降AI率”的操作……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，表面上是应对技术指标，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了解风险，而是不清楚学校的具体规定，因此采取策略性应对。蔡芬建议，学校不应将AI治理简化为仅看检测分数，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、文献核验和答辩提问进行综合评价。

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的来看，研究生写作的核心价值在于培养问题意识、文献阅读、逻辑推理和学术表达能力，而非仅仅完成一篇文本。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是在帮助减轻机械性负担，还是在替学生完成核心的学术判断。

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完成许多过去复杂的代码任务。过去解决一个问题可能需要数天时间进行网页查阅、文献阅读、翻书和代码调试，现在AI可以快速生成代码，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不通的情况，这反而让一些初学者放松警惕。当AI生成的代码能够运行，他们往往就认为可以使用，而不会深入探究代码的编写逻辑。王楠指出，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的错误。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，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，而不了解参数与数据类型的匹配要求，就可能得出错误的结果，而这些错误结果甚至可能“看起来像真的”，从而导致与正确结论失之交臂。

抛开技术层面的隐患，王楠认为，如果不深入探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式，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”转向“学习如何利用AI做科研”。在AI时代，科研训练不再仅仅是掌握工具，更重要的是在工具介入后仍能保持理解和判断能力。

蔡芬认为，规范使用AI可以帮助学生快速提升资料搜集与信息整合能力、语言表达与学术写作能力、跨学科知识学习能力以及研究方案设计能力。但她强调，AI难以替代原创性的问题提出、理论敏感性、方法适配判断、田野经验、数据解释能力以及学术价值判断。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。这些能力需要通过长期的阅读、写作、同行讨论和导师指导等过程逐渐形成，而非依赖AI工具一蹴而就。