据中青报·中青网记者王璟瑄报道，近两年，人工智能进入高校科研领域的速度，远超许多人的预期。从文献检索、思路梳理、代码生成，到论文润色、复杂计算，乃至直接撰写文本——AI已不再是实验室里的新鲜概念，而是成为越来越多学生日常科研工作中的“标配”工具。

6月30日，美国人工智能公司Anthropic发布了面向科研场景的AI平台Claude Science。根据官方介绍，这不仅仅是普通的聊天助手，更是一个能够整合科研工具、调用计算资源、生成可审计成果的专业AI工作台。换句话说，人工智能正从通用问答工具，逐步迈向更专业的科研流程。

北京科技大学文法学院教师蔡芬，依托北京大学中国博士教育研究中心的全国博士毕业生调查数据，分析了14371份学术学位博士生的问卷，得出一组颇具启发性的结论：理工农医类，尤其是计算机相关专业的博士生，使用人工智能辅助科研的比例显著更高；而人文社科，特别是人文学科，使用率则相对偏低。更为关键的是，两类学科的使用场景也明显不同——人文社科博士生更多将AI应用于前端科研工作（如文献梳理、思路启发），而理工农医类博士生则更侧重后端环节（如代码生成、数据分析）。

毕业季来临，社交媒体上“如何用AI写文献综述”“AI辅助论文降重”“怎样降低论文AI率”等话题频繁登上热搜。蔡芬认为，AI已深度嵌入大学生的科研训练体系，但在不同培养阶段、不同学科背景下，学生对AI的实际需求其实各有侧重。

当人工智能逐渐成为学生日常科研中的“标配”工具，它究竟是在增强科研能力，还是让学生“跳过过程直接获取答案”？这个问题，值得我们深入思考。

AI是手段而非目的

四川大学的谢莉，今年即将直博网络空间安全专业。她向中青报·中青网记者表示，AI已参与到她科研流程的多个环节。“我会先自行阅读文献，找到值得继续深入的研究方向，再询问AI此前是否有人做过类似研究、我的想法是否具备可行性、是否有进一步推进的空间。”如果研究角度具备可行性，她会请AI提供学习路线，随后进入具体研究阶段。

谢莉认为，借助AI“入门”，能让科研想法快速迭代。“过去想快速判断一个想法是否可行并不容易，文献调研、路线评估和代码编写都会耗费大量时间，如今这些环节都被明显压缩。”对理工科学生而言，代码生成是AI最普遍、也最能直接提高效率的功能之一。谢莉通常会让AI生成代码，并通过测试用例检查运行结果。她认为，AI的价值不在于直接提升一个人的学习或编程能力，而在于加快科研节奏，使想法能够迅速被实现或检验。

“不过，AI终究是外部工具，我觉得更重要的是扎实修炼自身的基础能力，而非完全依赖AI。”谢莉强调。

蔡芬在研究与日常观察中发现，硕士生与博士生在使用AI辅助科研时，呈现出较为明显的阶段性差异。硕士生使用AI的主要诉求更偏向“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，对AI辅助科研的感受与理工科学生有所不同。导师建议他在研究中合理使用AI，认为AI可以帮助查找资料、修改措辞，也可作为一种自我审视工具。但孙宇坦言，自己并不太清楚如何让AI更高效地辅助科研工作。“其实不能放任自己在完全没有知识基础的阶段就依赖AI，而应先构建自己的知识体系。”孙宇说，对AI给出的答案必须进行甄别，尤其是在法学研究中，资料真实性、写作中的逻辑关系、论证力度都不能完全交由AI处理。

孙宇曾为节省时间尝试使用AI，但几次使用后发现，AI在资料查找和语言建构上可能出现偏差，有时反而需要自己花费更多时间核实。“对法学研究而言，许多问题本身没有绝对的正误之分，法律解释、法理分析和学术观点的价值，往往需要在具体语境中论证。AI给出的内容看起来完整、流畅，却未必真正可靠。”

“研究生最重要的仍是自主学习能力，AI只是手段而非目的。”孙宇认为，充足的知识储备在任何时候都是应对问题最有力的筹码。

如何破解“AI率”引发的规则焦虑

随着AI越来越多地参与学生的科研与论文写作，各高校也在不断补充规则“补丁”。

2024年年末，复旦大学发布了《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）》，明确并规范了AI工具的使用范围与原则。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“主体责任、合规诚信、数据安全、审慎思辨、公平包容”等原则，要求师生对人工智能使用情况及生成内容依规进行披露声明，并严禁将人工智能生成的文本、代码等内容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，该《指导原则》特别强调，禁止用人工智能代替本应由本人完成的学术训练，严禁使用人工智能实施代写、剽窃、伪造等行为。研究生指导教师需在此过程中提供规范性指导，并进行全过程监督，确保学术训练的完整性与学位论文及实践成果的原创性。

近两年，为防止学生利用AI代写毕业论文，全国多所高校均发布了相关规定，根据不同专业特点，为毕业论文设定了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，尝试过“用魔法打败魔法”——用AI工具降低AI检测率。然而她发现，AI润色修改后的句子有时会变得十分“滑稽”，出现语义不通等问题，反而导致“AI味”更加浓重。

学生用AI辅助科研协作，高校用AI检测工具识别AI生成内容，学生又继续用AI降低AI率……蔡芬认为，围绕AI检测结果反复生成、改写和规避，表面上是在处理技术指标，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情绪。“一些学生并非完全不知道风险，而是不清楚学校究竟允许什么、禁止什么，于是只能通过检测工具进行策略性应对。”

在蔡芬看来，高校不能将AI治理简单交给一个检测分数，而应将重点放在规则建设和过程管理上：明确哪些使用行为被允许且需要声明，哪些行为属于违规；引导学生保留写作过程记录和AI使用记录；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

“就教育或学术训练的目的而言，研究生写作的价值不在于形成一篇文本，更重要的是在写作过程中训练问题意识、文献阅读、逻辑推理和学术表达能力。”蔡芬指出，不能简单将研究生使用AI写作等同于学术不端，关键要看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，对AI进入实验室带来的变化感受更为直观。他观察到，随着大语言模型能力的不断提升，低年级学生已能借助AI完成不少原本复杂的代码任务。“过去遇到一个问题，研究生往往要查网页、读文献、翻书、自己写代码调试，可能花费几天时间才能解决。如今，这些简单任务可以直接让AI生成，甚至交给Agent执行。”

但王楠发现了更隐蔽的问题。“现在AI生成的代码已经很少出现跑不通的情况了。”他向中青报·中青网记者表示，“这反而让不少初学者放松了警惕。低年级学生拿到AI生成的代码后，往往只要运行不报错，就认为这段代码可以使用，至于代码为什么这样写，并不会进一步深究。”

王楠注意到，对于一些较为小众、具体、需要行业经验的任务，AI生成的代码可能看起来合理，也能顺利运行，但在参数设置、分析流程或方法选择上却存在细微问题。初学者如果不理解代码背后的逻辑，很难发现这些“陷阱”。他以生物信息学数据分析为例说明，不同类型的数据集可能对应不同的参数设置。如果学生习惯于直接使用AI生成的代码，却不知道参数需要与数据类型匹配，就可能得到错误结果，甚至这些结果看起来也“像真的”，从而导致与正确结论“擦肩而过”。

抛开技术层面的隐患，王楠强调，如果不去深究代码中的每个步骤，就无法真正理解这些生物学问题是如何被解决的，也无法将AI给出的信息转化为自己的知识积累。

这也让王楠意识到，许多研究生的学习模式正在发生变化：从“学习如何做科研”，逐渐转变为“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然保持理解能力和判断能力。

蔡芬认为，如果能规范使用AI，学生可以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等。“不过，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。”她指出，科研能力的核心并不只是“找到信息”，而是判断什么问题更重要、什么证据更可靠、什么解释更具学术贡献。“这些能力不可能通过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。”