AI当“科研搭子”，你真的放心吗？

2026年09月17日光明网-《光明日报》

8月26日，本版推出专题报道《AI参与科研，边界在哪里》后，引发学界关注和讨论。大家认为，当AI for Science（人工智能驱动的科学研究）已成为不可阻挡的趋势，许多问题愈发凸显且无法回避：AI时代的学术规范如何建立？人的科研能力是否会退化？人才培养方式又该如何调整？等等。

为此，本版今起推出“探问AI参与科研的边界”系列报道，通过记者调研、专家访谈、读者来信等多种形式，对这些问题继续展开探讨。

近日，安徽财经大学通报了一起引发学界关注的学术不端事件：一篇论文注释中判决书序号被质疑编造，校方调查后认定，作者“误信”了AI的检索结果，属于AI使用不当行为，相关责任人受到相应处罚。

个案的处理有了结论，但它抛出的问题远未结束——当AI深度嵌入选题构思、数据分析，乃至论文成稿的科研全流程，效率跃升的另一面，是原创性归属模糊、黑箱责任难辨、代笔界限不清等深层困惑。

“AI科研搭子”成日常，一线科研人员如何在借力与守住学术底线之间找到平衡？记者采访了多位不同学科的研究者，听他们讲述真实的使用体验与边界思考。

科研人员在深圳清华大学研究院分析测试中心共享实验室内工作。新华社发

人们在上海交通大学李政道研究所参观。新华社发

“过去招研究助理时，我会比较看重编程能力和执行效率。现在AI把这部分能力的门槛大幅降低了。”中国农业大学经济管理学院教授朱晨说。今年春节前后，她搭建了自己的科研智能体系统，将经济学实证研究的流程拆解为7个环节，交由不同的AI代理分别执行。

变化是显著的。朱晨发现，智能体可以基于本地数据库自动生成候选研究问题。在她记录的14次运行中，系统共生成79个候选问题，87%符合变量存在、研究设计与数据结构匹配、计量方法可行这三个基本条件。“从形式上来说过关了。”她评价道。

一位长期关注中国宏观经济政策与微观基础领域的研究者，几乎浏览了苏黎世大学Yanagizawa-Drott团队公开的全部200余篇AI生成论文。他的评价相当克制：“只有极少数选题具备继续推进的价值，大多数只是刚入门的研究生水平。如果送到我手里，我会直接拒掉。”

问题在于分析深度。以经济学常用的双重差分方法为例，这位研究者指出，一篇成熟的实证论文不仅要完成基准回归，还需进行平行趋势检验、敏感性分析和异质性处理效应分析。但在目前公开的AI生成论文中，这些关键步骤“往往缺失，或者只是形式性地出现”。

这指向了一个更深层的问题：当选题本身都可以由算法生成时，科研的原创性到底从哪里来？

华大集团首席研究员徐讯将生命科学领域的AI能力分为五个级别。他判断，当前AI处于L3阶段——“它能完成发现，却不能自主提出原始问题，而提问仍是人类不可替代的核心价值。”在他看来，AI可以基于现有知识做组合与推理，但真正的科学问题，那些需要跳出已知框架、指向未知的追问，仍必须由人来完成。

西安交通大学网络空间安全学院教授栾浩认为，大模型本质上是一个知识搜索器。与传统关键词搜索不一样的地方在于，它能理解搜索词的意思，然后在已有的知识库里进行精准语义检索。这意味着，AI能做的是“精准全面地检索人类现有的知识库”，而“怎么去获取人类未掌握的新知识，大模型无法代劳”。在他看来，有时AI给出的思路看似很新，“其实并非创造，是有其他人提供过相关的思路，被它录入到自己的知识库了”。

清华大学化学系副教授马冬昕的实践感受印证了这一点。她把AI称为“一个拥有大量跨学科知识，会聆听、爱分享、随叫随到的好朋友”，但坚持认为课题选择不能完全交给AI。“AI会给出一系列参考文献，旁征博引地给出分析。但限于现有技术水平，难免出现谬误。必须追溯原始文献，独立自主且具有批判性地思考。”马冬昕说。

她特别提到，和AI探讨科学问题本身就有价值——当AI“文不对题”时，恰恰促使她更清晰地提炼问题，“这个思考的过程，本身就可以帮助我理清思路”。

构想落地，进入实验与分析。这是科研最“硬核”的环节，也是AI介入最深入、风险最隐蔽的环节。

中国科学院自动化研究所研究员李林静观察到，科研智能体已经能够完成“文献研读、实验规划、参数迭代、结果分析的闭环自主科研流程”。在北京大学干细胞研究中心，一套占地6平方米的智能平台能独立完成从指尖采血到干细胞培育的120多个步骤，实验误差从最高10%降至1%以下。

编辑：HN008