当AI化身“科研助手”，谁来守护学术训练的基本边界

6月30日，美国人工智能公司Anthropic推出面向科研领域的AI平台Claude Science。按该公司说法，这个平台不只是聊天助手，更像一套科研工作台，能接入常用研究工具、调用算力资源，还能产出可追溯、可核查的成果。也就是说，AI正从通用问答，进一步走进更细分、更专业的科研流程。

依托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数据，北京科技大学文法学院教师蔡芬做了一项分析。她在《AI辅助博士生科研现状及其影响的学科差异——基于2024年全国博士毕业生的分析》中提到，对14371份全国学术学位博士生问卷进行研究后发现，理工农医领域，尤其是计算机相关专业的博士生，使用AI辅助科研的比例更高；人文社科领域，特别是人文学科博士生，使用率相对偏低。与此同时，人文社科博士生更多把AI用在科研前期，理工农医博士生则更常把AI用在科研后期。

毕业季期间，中青报·中青网记者在社交平台上看到，“怎么用AI写文献综述”“AI帮论文降重”“怎么降低论文AI率”等话题热度一直不低。

在蔡芬看来，AI已经深度进入大学生的科研训练过程，但不同培养阶段、不同学科背景的学生，对AI的需求并不一样。

当AI成了越来越多学生科研日常里的“标配”，一个问题也摆在面前：它到底是在提升学生的科研能力，还是在帮人绕过过程、直接拿答案？

AI是手段而非目的

四川大学学生谢莉(化名)今年将直博本校网络空间安全专业。她对中青报·中青网记者说，AI已经进入自己科研流程的多个环节。

“我一般会先自己看文献，找到值得继续做的问题方向，再去问AI，看看此前有没有类似研究、自己的想法是否可行、还有没有继续推进的空间。”谢莉说，如果判断这个角度能做，她还会让AI给出一条学习路线，再进入更具体的研究阶段。

在谢莉看来，AI在“入门”阶段帮了不少忙，很多科研想法因此能更快迭代。“以前想尽快判断一个想法能不能做，并不轻松，文献调研、路线评估、代码编写都很耗时间。现在这些环节明显被压缩了。”

对理工科学生来说，代码生成是AI最常用、也最直接提升效率的功能之一。谢莉平时会让AI生成代码，再用测试用例检查结果。她觉得，AI的意义不在于直接提高一个人的学习能力或编程能力，而在于加快科研节奏，让一个想法能更快被验证，或者更快被推翻。

“但AI终归只是外部工具，更重要的还是把自己的基础能力练扎实，不能一味依赖它。”谢莉说。

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，差异比较明显。硕士生更看重“科研入门、减轻任务压力、理解基本概念”，博士生则更关注“提升科研效率、推动成果发表、拓展研究边界”。

在AI辅助科研这件事上，浙江财经大学法学院民商法专业研一学生孙宇(化名)的感受，与理工科学生并不完全一样。导师建议他在研究中合理使用AI，认为它能帮忙检索资料、调整表述，也能充当一种自我检查工具。但孙宇坦言，自己其实还没完全摸清，怎样才能让AI更有效地帮助中国舆情网自己开展科研。

“其实不能在自己还没有知识基础的时候，就把AI当依靠，还是要先把自己的知识体系搭起来。”孙宇说，AI给出的答案必须仔细辨别，尤其在法学研究里，资料真伪、写作逻辑、论证力度这些问题，都不能直接交给AI处理。

孙宇也曾为了省时间使用AI，但几次之后发现，AI在资料查找和语言组织上都可能出现偏差，最后反而还要花更多时间去核实。“对法学研究来说，很多问题本来就没有绝对的对和错。法律解释、法理分析、学术观点的价值，往往都要放到具体语境里去论证。AI给出来的内容看上去完整、顺畅，但不一定真靠得住。”

“研究生最重要的，还是自主学习能力，AI只是手段，不是目的。”孙宇认为，扎实的知识储备，无论什么时候都是解决问题最硬的底气。

如何破解“AI率”引发的规则焦虑

随着AI越来越多地进入学生科研和论文写作过程，高校也在不断补充相关规则。

早在2024年年底，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)》，目的就是明确本科毕业论文中AI工具的使用边界和基本原则。

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》(以下简称《指导原则》)，提出“主体责任、合规诚信、数据安全、审慎思辨、公平包容”等原则，要求师生按规定披露人工智能使用情况及生成内容，并明确禁止把人工智能生成的文本、代码等内容直接复制，或简单改写后当作学业成果提交。

针对研究生群体，《指导原则》特别强调，不能用人工智能代替本应由本人完成的学术训练，严禁借助人工智能实施代写、剽窃、伪造等行为。研究生导师也要在这个过程中提供规范指导，并做好全过程监督，保证学术训练的完整性，以及学位论文和实践成果的原创性。

近两年，为防止学生借助AI代写毕业论文，全国多所高校都出台了相关规定，并根据不同专业设置了20%到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)试过“用魔法打败魔法”，也就是用AI去降低AI率。但她发现，AI润色后的句子有时会变得很“别扭”，甚至出现语义不通的问题，结果反而让“AI味”更重了。

学生用AI辅助科研和写作，高校再用AI检测工具去识别AI内容，学生又继续用AI想办法降低AI率……在蔡芬看来，这种围着AI检测结果反复生成、反复改写、不断规避的做法，看上去是在应对技术指标，本质上反映的其实是学生面对写作、发表和规则不确定性时的焦虑。“有些学生并不是完全不知道风险，而是弄不清学校到底允许什么、不允许什么，所以才会借助检测工具做策略性应对。”

蔡芬认为，学校不能把AI治理简单压到一个检测分数上，更该把重点放在规则建设和过程管理上：哪些使用行为被允许且需要说明，哪些行为属于违规，要说清楚；要引导学生保留写作过程记录和AI使用记录；还要结合导师判断、学生说明、参考文献核验和答辩追问等方式，进行综合评价。

当工具越用越顺手，训练的价值何在

“从教育和学术训练的角度看，研究生写作的价值，不只是写出一篇文本，更重要的是在写作过程中训练问题意识、文献阅读能力、逻辑推理能力和学术表达能力。”蔡芬指出，不能简单把研究生使用AI写作直接等同于学术不端，关键还是要看，AI到底是在帮学生减轻机械劳动，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进入实验室后的变化，感受更直接。他发现，随着大语言模型能力提升，低年级学生已经可以借助AI完成不少原本复杂的代码任务。“以前碰到一个问题，研究生往往得查网页、读文献、翻书，再自己写代码调试，可能忙上几天才能解决。现在，这些相对简单的任务可以直接交给AI生成，甚至让Agent(智能体)去执行。”

但王楠也注意到一个更隐蔽的问题。“现在AI生成的代码，已经很少出现完全跑不通的情况了。”他对中青报·中青网记者说，“也正因为这样，不少初学者会放松警惕。低年级学生拿到AI生成的代码后，只要运行时不报错，就会默认这段代码能用，至于为什么要这样写，往往不会继续深究。”

王楠还提到，一些小众、具体、依赖行业经验的任务，AI生成的代码可能表面上看起来合理，也确实能跑通，但在参数设置、分析流程、方法选择上，可能埋着一些细微问题。初学者如果不理解代码背后的逻辑，很难识别这些隐患。

王楠以生物信息学数据分析举例，不同类型的数据集往往对应不同的参数设置。如果学生习惯直接套用AI生成的代码，却不知道参数需要和数据类型匹配，就可能得出错误结果。更麻烦的是，这些结果有时看起来还“像那么回事”，最后让人和真正正确的结论失之交臂。

王楠说，除了技术层面的风险，如果不去拆开理解代码里的每一步，也就很难真正弄明白这些生物学问题是怎么被解决的，更谈不上把AI提供的信息转化成自己的知识。

这也让王楠意识到，不少研究生的学习方式正在变化：过去更多是“学习怎么做科研”，现在正慢慢变成“学习怎么借助AI做科研”。在AI时代，科研训练不只是学会使用工具，更关键的是，在工具深度介入之后，能不能继续保有理解能力和判断能力。

蔡芬认为，如果AI使用得当，学生确实能更快提升资料搜集和信息整合能力、语言表达和学术写作能力、跨学科学习能力，以及研究方案设计能力。但她也指出，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，AI很难替代。科研能力的核心，从来不只是“找到信息”，而是判断什么问题重要、什么证据可靠、什么解释更有学术贡献。“这些能力不可能靠AI工具一下子获得，还是要通过长期阅读、持续写作、同行讨论和导师指导，慢慢形成。”