“AI工具盛行之際，學術研究到底是容易還是更難？”

今夏這個問題已成兩難之困。畢業季，得知某高校學者團隊耗時三年的田野調查報告，被檢測系統判定為“AIGC高風險”，明顯誤判。回溯年初，教育部與高校為防學術不端紛紛發布AI使用規范。身邊院校教師感嘆：“AI讓教學變易，卻讓學術研究愈難。”

易在何處？難在何方？

不可否認，在AI普及前后，學術與科研的生態圖景發生了巨大的變化。幼時我酷愛數學，主動解題，閱讀各種趣味數學書,在大學期間選修了《Mathieu函數》《拓撲學》《數論》等數學系課程；博士階段在實驗室里徹夜調試代碼，十次失敗方悟“控制變量”的真諦。那個時代學術成長源于各種“手搓”實踐，具身認知鑄就了學術研究的主線。

而AI規模普及后，景象迥然不同。高中生憑AI生成獲科創大獎，真實走訪村寨者反因“文風不規范”落選。大模型從本科生水平急速躍升至六邊形戰士般博士生水準，它們看似是萬能的—既能輔助作業獲取高分，也能作為“考官”給這些答卷打出低分。

AI能做什么？一方面，AI的確為學術工作提供了諸多便利，如輔助文獻整理、知識框架搭建和數據分析等，極大提高了研究效率。美國麻省理工學院（MIT）研究顯示，在科研領域，AI使新材料發現數量增加44%，專利申請量提升39%，下游產品創新率提高17%，前10%的頂尖科研人員在AI的輔助下，研究成果提高了81%。然而，AI并非萬能，在事實核查、復雜邏輯推理等場景中可靠性顯著不足。研究表明，主流大模型在學術文獻生成中的幻覺率高達28.6%-91.4%。其根源在于：大模型本質是概率關聯引擎，缺乏對因果關系的本體論理解。深度神經網絡的“黑箱”特性雖非幻覺直接成因，卻極大阻礙錯誤追溯與修正。這對學術研究的危害尤為嚴峻。因此，使用者必須對大模型的輸出加以獨立、專業的判斷。

MIT研究還揭示了一個值得警惕的現象：底層30%的科研者幾乎未能從中獲益。更引人深思的是，研究者用于創意生成的時間占比從39%大幅縮減至16%,判斷任務時間從23%到40%。判斷力強的科學家成功率更高，其領域知識與判斷力呈強正相關。效率提升的同時，創造力的源頭是否正在被侵蝕，AI科研的競爭力正在從創造轉為判斷？

這正是科技部《負責任研究行為規范指引（2023）》明令AIGC生成內容“涉及事實和觀點等關鍵內容的，應明確標注并說明其生成過程”的原因。國際出版倫理委員會（COPE）也指出，若研究者直接提交未經驗證的AI生成綜述，或構成“學術惰性”。復旦大學等高校已對本科論文使用AI工具設下“六個禁止”。諸多學校引入AI工具判定AI生成率，并作為學術不端判據。而判斷工具和生成工具皆存局限，誤傷難以避免，遂出現本文開始提到的情況。

關于AI商：以數學思維駕馭智能杠桿

上善若水，水善利萬物而不爭。如何使學生和科研人員在善用AI的同時，葆有好奇心、熱情、求知欲與孜孜不倦的求索精神？如何促使學校與教育機構“善治”AI，引導學者學子發展健康的“AI商”與“AI觀”？

數學是思維的體操，AI是智能的杠桿。用好兩者，都需要基礎扎實、深度思考、主動創造、興趣驅動。

一是夯實基礎，專注核心能力。如數學學習需立足基本概念而非偏題怪題，使用AI亦應了解原理并用于提升學術核心能力。學業中，可通過AI高效整理知識框架、解析疑難概念；科研中，在數據層錨定研究編織自己的知識圖譜，在實驗層利用數字孿生與主動學習，在認知層善用跨域關聯。

二是深度優先于廣度，重質勝于重量。AI避免陷入“題海戰術”式的AI應用慣性。獲得AI解答或摘要時，需主動追問結論依據、推演邏輯，交叉驗證不同工具反饋。科研中，與其泛讀百篇文獻摘要，不如選擇關鍵論文，借AI輔助剖析實驗設計的合理性、結論的局限性，錘煉批判性思維。真正的效率提升源于對核心問題的深度洞察。

三是從被動接受到主動建構。嘗試以AI設計命題、開腦洞、設計開放路徑。向AI闡釋思路，既檢驗自身邏輯嚴謹性，也訓練抽象問題的具象表達能力。科研時，可邀AI模擬互動挑錯，預判研究短板。將工具化為思維磨刀石，激發自主創造。

四是融合理性思維與具象認知。利用AI同樣呼喚多維能力：善用多模態、可視化工具，從理論到具象，補足認知和思維短板，核心是培養精準提問能力，明確需求方能有效駕馭。

五是以持續熱愛主動探索未知。AI可成為維系科研熱情的紐帶。將研究者從重復消耗中解脫，聚焦于創造性的猜想和構建。關鍵是讓工具成為熱情的催化劑，而非創造力的替代物。

關于AI觀：人文坐標引領技術向善

一是從AI替代到共生進化。AI在微觀場景創造秩序（如文獻整理），卻因內容海量增殖與同質化，在宏觀層加劇信息過載。除了學術領域中論文-查重-審核的工具鏈內卷，在社交媒體，AI制造熱點-AI分發內容-用戶AI總結也形成信息過載和社交繭房；內容創作者用AI制作視頻和協助寫作，讀者用工具生成10分鐘讀書觀影總結。本質是生產端門檻降低引發信息爆炸，過濾端統計模式扼殺創新。

AI需回歸本質，以解決真實問題為熵減錨點。比如云南人喜愛食用野生菌，但許多品種有毒，AI毒蘑菇識別降低誤食風險；在農業領域，利用AI構建農作物生長可視化模型、預測市場價格、提供病蟲害防治建議，通過“牛臉識別”技術快速進行牲畜身份認證，從而拓寬農戶融資渠道。這些人工智能帶來的實際紅利值得倡導，當AI工具深度嵌入具體場景，便能成為對抗系統性熵增的范本。

二是鐵腳板提供算法沒有的溫度。2022年我到云南工作，足跡遍及全省129縣。云南很多地方山高路遠、溝深水長。此間萬象，AI無法賦予其生命溫度與人文厚度。今年5月怒江傈僳族自治州貢山獨龍族怒族自治縣多地發生洪澇和地質災害，山塌路斷，光纜損毀，獨龍江鄉頓成“孤島”。搶險隊伍跋山涉水，爭分奪秒重建通信生命線——讓“失聯”之地重連牽掛。算法算不出盲區溫度，唯鐵腳板“肉身在場”可續寫永不間斷的守護。

1931年，哥德爾不完備性定理揭示：任何足夠復雜的形式系統，都存在既不能證實也無法證偽的命題。或許這可為AI的認知劃定了本質邊界，機器可驗證黎曼猜想的千萬特例，卻無法理解希爾伯特“我們必須知道”的信念重量。算法能生成嚴謹的論文架構，卻參不透陳景潤手稿上凝結的汗水與夢想。智識時代最珍貴的，是AI應如茶湯傳遞的暖意——無形無相，卻讓求真之路保有人的溫度。

（十三屆全國政協委員、云南省政協委員，中國聯通云南省分公司黨委書記、總經理  張云勇）