人工智能技术正以惊人的速度融入高校科研的各个环节，从文献检索、思路梳理，到代码生成、论文润色，再到复杂计算和文本撰写，已成为研究者们日益依赖的辅助工具。

近期，美国人工智能公司Anthropic推出了面向科研的AI平台Claude Science。该平台被描述为一个整合了常用科研工具、计算资源并能生成可审计成果的AI工作台，标志着AI正从通用的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发布的全国博士毕业生调查数据，撰写了研究报告《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》。该研究分析了14371份全国学术学位博士生的问卷，结果显示，计算机等理工农医专业博士生在AI辅助科研方面的使用率较高，而人文学科等人文社科专业博士生使用率较低。此外，人文社科博士生倾向于将AI用于科研的前期工作，而理工农医博士生则更多地将其应用于科研的后期阶段。

在毕业季，记者在社交媒体上注意到，“如何利用AI撰写文献综述”、“AI辅助论文降重”、“如何降低论文的AI检测率”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，其究竟是在提升学生的科研能力，还是在“跳过过程直接获得结果”？

AI是工具而非目的

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。她首先自行阅读文献，确定研究方向后，会向AI咨询是否已有类似研究，其想法的可行性以及进一步推进的空间。若想法可行，AI会提供相应的学习路径，随后进入具体研究阶段。

谢莉认为，AI的辅助能够帮助她快速迭代研究思路，显著缩短了过去在文献调研、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最常见的效率提升功能之一。谢莉通常会利用AI生成代码，并通过测试用例检查结果。她强调，AI的价值不在于直接提升个人学习或编程能力，而在于加速科研节奏，使想法能更快地得到验证或否定。但她也指出，AI终究是外部工具，自身基础能力的培养更为重要，不应过度依赖。

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AI使用体验与理工科学生有所不同。导师建议他合理使用AI进行资料查找和措辞修改，并将其作为自我审视的工具。然而，孙宇坦承自己并不清楚如何才能让AI更有效地辅助科研。

孙宇强调，不能在缺乏知识基础的情况下依赖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，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。他曾尝试用AI节省时间，但几次后发现AI在资料查找和语言构建上可能出现偏差，需要花费更多时间核实。他认为，法学研究的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生成的内容可能流畅完整，但未必可靠。

孙宇认为，研究生最重要的能力是自主学习，AI只是手段而非目的。他强调，充足的知识储备是应对一切问题的最有力保障。

如何化解“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日益提高，高校也在不断完善相关规定。

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，要求师生对AI使用情况和生成内容进行披露声明，并严禁将AI生成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，《指导原则》特别强调，禁止使用AI代替本应由个人完成的学术训练，严禁利用AI进行代写、剽窃、伪造等行为。研究生导师有责任在此过程中提供规范指导并全程监督，以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。

近两年来，为防止学生利用AI代写毕业论文，全国多所高校根据专业不同，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）尝试用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”，出现语义不通的问题，反而增加了“AI味”。

学生使用AI辅助科研，高校引入AI检测工具，学生再用AI降低“AI率”……蔡芬认为，围绕AI检测结果的反复生成、改写和规避，表面上是在处理技术指标，实则反映了学生在写作、发表和规则不确定性面前的焦虑。她指出，部分学生并非完全不知晓风险，而是不清楚学校的具体规定，因此选择通过检测工具来应对。

蔡芬建议，学校不应将AI治理简单化为检测分数，而应着重于规则建设和过程管理：明确允许的使用行为并要求声明，界定违规行为；引导学生保留写作过程记录和AI使用记录；结合导师评价、学生陈述、参考文献核验和答辩提问进行综合评估。

当工具日益顺手，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最终形成一篇文本，更重要的是在写作过程中培养问题意识、文献阅读、逻辑推理和学术表达能力。”蔡芬指出，不能简单地将研究生使用AI写作等同于学术不端，关键在于AI是在帮助学生减轻机械性负担，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完成许多原本复杂的代码任务。过去，研究生遇到一个问题可能需要花费数天时间查阅网页、文献、书籍并自行编写和调试代码。如今，这些简单任务可以直接由AI生成，甚至交给Agent（智能体）执行。

但王楠也发现了更隐蔽的问题。他告诉记者，AI生成的代码很少出现无法运行的情况，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，只要运行不报错，就认为代码可用，而不会深究其编写逻辑。

王楠注意到，对于一些小众、具体且需要行业经验的任务，AI生成的代码可能看起来合理且能运行，但在参数设置、分析流程或方法选择上可能存在细微问题。初学者如果不理解代码背后的逻辑，很难发现这些“陷阱”。

王楠以生物信息学数据分析为例说明，不同类型的数据集可能需要不同的参数设置。如果学生习惯于直接使用AI生成的代码，却不了解参数需要与数据类型匹配，就可能得到错误结果，而这些结果甚至可能“看起来很对”，从而错失了正确结论。

抛开技术层面的隐患，王楠表示，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是如何被解决的，也无法将AI提供的信息转化为自己的知识。

这让王楠意识到，许多研究生的学习模式正在发生转变：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，而是在工具介入后仍能保持理解能力和判断能力。

蔡芬认为，如果能够规范使用AI，学生可以在资料搜集与信息整合、语言表达与学术写作、跨学科知识学习以及研究方案设计等方面快速提升。然而，“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，科研能力的核心不在于“找到信息”，而在于判断哪些问题重要、哪些证据可靠、哪些解释更具学术贡献。“这些能力不可能通过AI工具一蹴而就，需要通过长期的阅读、写作、同行讨论和导师指导等过程逐渐形成。”