香港科技大学（广州） 高永凯

检索文献、生成代码、分析数据、润色论文……AI正在成为越来越多学生的“科研搭子”。2024年，一项国内覆盖14371名博士毕业生的调查显示，AI已经进入不同学科、不同培养阶段的科研流程。既然AI进入科研已成趋势，真正需要讨论的便不再是“能不能用”，而是：工具越来越能干之后，学生究竟还要训练什么？

科研训练当然不能固守没有AI参与的旧模式。过去需要花费几天完成的资料整理、基础编程，如今可能几分钟就能得到初步结果。让学生为了证明自己“没有依赖AI”，重新从机械劳动做起，既不现实，也没有必要。AI能够承担重复性工作，本就是技术进步的意义。

但提效不等于跳过训练。一些低年级学生拿到AI生成的代码，只要运行不报错，便默认可以使用，却说不清参数为何这样设置、分析方法是否匹配。法学研究中，AI生成的论述看似完整流畅，其中的材料真实性和论证关系却可能经不起推敲。此时，学生交出了一段代码、一篇文本，却未必真正理解它是怎样产生的。

这正是AI进入科研后更隐蔽的风险：成果越来越容易“生成”，能力是否真正“形成”，反而更难判断。科研教育如果只看学生最终交出了什么，就可能把学术训练变成“成果交付”——界面做出来了、代码跑通了、论文写完了，至于问题是谁提出的、方法为何成立、结果能否解释，则被一键略过。

人机协作下的科研训练，恰恰要把这些不能略过的环节抓得更紧。AI可以帮助查找资料，但学生要判断资料是否可信；AI可以生成代码，但学生要理解每一步处理的依据；AI可以调整表达，但研究问题、方法选择、证据解释和学术结论，必须由研究者自己完成并负责。真正需要培养的，不是拒绝工具的人，而是知道何时调用工具、何时质疑工具、何时为工具兜底的人。

因此，高校治理也不能只盯着“AI率”。学生用AI辅助写作，学校用AI检测，学生再用AI降AI率，最终很容易演变成一场围绕数字的技术攻防。检测比例或许可以提供线索，却无法回答一个更关键的问题：学生是否真实参与了研究，又是否真正理解自己的成果？

比统一划定一个比例更重要的，是把评价深入科研过程。高校可以要求学生说明AI使用的环节，保留重要的修改记录和验证过程；导师不只检查结果，还要追问方法选择与证据来源；答辩也不能只看成稿，而要看学生能否解释代码、数据和论证链条。不同学科还应有不同尺度，不能用一把“AI率”尺子衡量所有研究。

AI进入科研，不应成为削弱学术训练的理由，而应成为重塑学术训练的契机。机器可以帮助学生更快得到答案，教育更要确保学生仍然会提出问题、核验证据、解释结果并承担责任。科研可以提速，但人成为研究者的过程，不能被一键跳过。

来源：中国青年报客户端