“AI工具盛行之际，学术研究到底是容易还是更难？”

今夏这个问题已成两难之困。毕业季，得知某高校学者团队耗时三年的田野调查报告，被检测系统判定为“AIGC高风险”，明显误判。回溯年初，教育部与高校为防学术不端纷纷发布AI使用规范。身边院校教师感叹：“AI让教学变易，却让学术研究愈难。”

易在何处？难在何方？

不可否认，在AI普及前后，学术与科研的生态图景发生了巨大的变化。幼时我酷爱数学，主动解题，阅读各种趣味数学书,在大学期间选修了《Mathieu函数》《拓扑学》《数论》等数学系课程；博士阶段在实验室里彻夜调试代码，十次失败方悟“控制变量”的真谛。那个时代学术成长源于各种“手搓”实践，具身认知铸就了学术研究的主线。

而AI规模普及后，景象迥然不同。高中生凭AI生成获科创大奖，真实走访村寨者反因“文风不规范”落选。大模型从本科生水平急速跃升至六边形战士般博士生水准，它们看似是万能的—既能辅助作业获取高分，也能作为“考官”给这些答卷打出低分。

AI能做什么？一方面，AI的确为学术工作提供了诸多便利，如辅助文献整理、知识框架搭建和数据分析等，极大提高了研究效率。美国麻省理工学院（MIT）研究显示，在科研领域，AI使新材料发现数量增加44%，专利申请量提升39%，下游产品创新率提高17%，前10%的顶尖科研人员在AI的辅助下，研究成果提高了81%。然而，AI并非万能，在事实核查、复杂逻辑推理等场景中可靠性显著不足。研究表明，主流大模型在学术文献生成中的幻觉率高达28.6%-91.4%。其根源在于：大模型本质是概率关联引擎，缺乏对因果关系的本体论理解。深度神经网络的“黑箱”特性虽非幻觉直接成因，却极大阻碍错误追溯与修正。这对学术研究的危害尤为严峻。因此，使用者必须对大模型的输出加以独立、专业的判断。

MIT研究还揭示了一个值得警惕的现象：底层30%的科研者几乎未能从中获益。更引人深思的是，研究者用于创意生成的时间占比从39%大幅缩减至16%,判断任务时间从23%到40%。判断力强的科学家成功率更高，其领域知识与判断力呈强正相关。效率提升的同时，创造力的源头是否正在被侵蚀，AI科研的竞争力正在从创造转为判断？

这正是科技部《负责任研究行为规范指引（2023）》明令AIGC生成内容“涉及事实和观点等关键内容的，应明确标注并说明其生成过程”的原因。国际出版伦理委员会（COPE）也指出，若研究者直接提交未经验证的AI生成综述，或构成“学术惰性”。复旦大学等高校已对本科论文使用AI工具设下“六个禁止”。诸多学校引入AI工具判定AI生成率，并作为学术不端判据。而判断工具和生成工具皆存局限，误伤难以避免，遂出现本文开始提到的情况。

关于AI商：以数学思维驾驭智能杠杆

上善若水，水善利万物而不争。如何使学生和科研人员在善用AI的同时，葆有好奇心、热情、求知欲与孜孜不倦的求索精神？如何促使学校与教育机构“善治”AI，引导学者学子发展健康的“AI商”与“AI观”？

数学是思维的体操，AI是智能的杠杆。用好两者，都需要基础扎实、深度思考、主动创造、兴趣驱动。

一是夯实基础，专注核心能力。如数学学习需立足基本概念而非偏题怪题，使用AI亦应了解原理并用于提升学术核心能力。学业中，可通过AI高效整理知识框架、解析疑难概念；科研中，在数据层锚定研究编织自己的知识图谱，在实验层利用数字孪生与主动学习，在认知层善用跨域关联。

二是深度优先于广度，重质胜于重量。AI避免陷入“题海战术”式的AI应用惯性。获得AI解答或摘要时，需主动追问结论依据、推演逻辑，交叉验证不同工具反馈。科研中，与其泛读百篇文献摘要，不如选择关键论文，借AI辅助剖析实验设计的合理性、结论的局限性，锤炼批判性思维。真正的效率提升源于对核心问题的深度洞察。

三是从被动接受到主动建构。尝试以AI设计命题、开脑洞、设计开放路径。向AI阐释思路，既检验自身逻辑严谨性，也训练抽象问题的具象表达能力。科研时，可邀AI模拟互动挑错，预判研究短板。将工具化为思维磨刀石，激发自主创造。

四是融合理性思维与具象认知。利用AI同样呼唤多维能力：善用多模态、可视化工具，从理论到具象，补足认知和思维短板，核心是培养精准提问能力，明确需求方能有效驾驭。

五是以持续热爱主动探索未知。AI可成为维系科研热情的纽带。将研究者从重复消耗中解脱，聚焦于创造性的猜想和构建。关键是让工具成为热情的催化剂，而非创造力的替代物。

关于AI观：人文坐标引领技术向善

一是从AI替代到共生进化。AI在微观场景创造秩序（如文献整理），却因内容海量增殖与同质化，在宏观层加剧信息过载。除了学术领域中论文-查重-审核的工具链内卷，在社交媒体，AI制造热点-AI分发内容-用户AI总结也形成信息过载和社交茧房；内容创作者用AI制作视频和协助写作，读者用工具生成10分钟读书观影总结。本质是生产端门槛降低引发信息爆炸，过滤端统计模式扼杀创新。

AI需回归本质，以解决真实问题为熵减锚点。比如云南人喜爱食用野生菌，但许多品种有毒，AI毒蘑菇识别降低误食风险；在农业领域，利用AI构建农作物生长可视化模型、预测市场价格、提供病虫害防治建议，通过“牛脸识别”技术快速进行牲畜身份认证，从而拓宽农户融资渠道。这些人工智能带来的实际红利值得倡导，当AI工具深度嵌入具体场景，便能成为对抗系统性熵增的范本。

二是铁脚板提供算法没有的温度。2022年我到云南工作，足迹遍及全省129县。云南很多地方山高路远、沟深水长。此间万象，AI无法赋予其生命温度与人文厚度。今年5月怒江傈僳族自治州贡山独龙族怒族自治县多地发生洪涝和地质灾害，山塌路断，光缆损毁，独龙江乡顿成“孤岛”。抢险队伍跋山涉水，争分夺秒重建通信生命线——让“失联”之地重连牵挂。算法算不出盲区温度，唯铁脚板“肉身在场”可续写永不间断的守护。

1931年，哥德尔不完备性定理揭示：任何足够复杂的形式系统，都存在既不能证实也无法证伪的命题。或许这可为AI的认知划定了本质边界，机器可验证黎曼猜想的千万特例，却无法理解希尔伯特“我们必须知道”的信念重量。算法能生成严谨的论文架构，却参不透陈景润手稿上凝结的汗水与梦想。智识时代最珍贵的，是AI应如茶汤传递的暖意——无形无相，却让求真之路保有人的温度。

（十三届全国政协委员、云南省政协委员，中国联通云南省分公司党委书记、总经理  张云勇）