社会第 57 期 ·

AI时代的博士生，是祝福还是诅咒

如果博士阶段本应培养的能力，正在被AI代劳——那这个学位到底能证明什么呢？

安光涉（Oswarld）· OZ Talking 作者与编辑

AI时代的博士生，是祝福还是诅咒

开篇

订阅者朋友，上周学术界发生了一件相当令人震惊的事。世界最大规模的机器学习学会ICML1​ 2026一次性桌拒（desk reject）了497篇论文。原因很特别，不是论文本身质量的问题，而是因为发现这些论文的作者在评审（peer review）他人论文时，偷偷使用了AI。

明明已经明确同意“不使用AI”，却还是用了。

这起事件有趣的地方在于其查处方式。ICML组委会在评审用的论文PDF中，埋入了人眼看不见的“水印”。这个水印中藏着只有AI才能读懂的指令，一旦AI按照该指令在评审意见中插入特定文句——就会被查出来。 从17万条文句词库中，每篇论文随机抽取两条，因此偶然重合的概率低于百亿分之一。这个方法其实是我以前开发的方法。被采用这件事既让人欣慰，又不免有些五味杂陈……

不过，比起查处技术本身，这起事件让我想到了一个更根本的问题。站在AI研究最前沿的研究者们，居然不惜违背自己亲口同意的规则也要依赖AI——这究竟是个人道德问题，还是有更深层的结构性因素在起作用？

今天，我想从博士生到资深研究者，把这个问题放在整个研究生态系统的脉络中来解读。

ICML的研究者为何违反了规则

先来仔细拆解一下ICML事件的结构。ICML 2026针对AI使用运行了两种政策。Policy A（保守型）在评审过程中完全禁止使用AI；Policy B（宽松型）则允许在理解论文和润色评审意见时使用AI。评审人可以自行选择自己想要的政策。也就是说，选择Policy A的人，是自己承诺了“不使用AI”。

那么结果如何呢？在选择Policy A的评审人中，有506人被查出使用了AI，他们撰写的795份评审意见（约占全部评审的1%）被删除。其中51人被确认自己撰写的评审意见中一半以上是由AI生成的，因此直接被取消了评审人资格。根据ICML的互评（reciprocal review）2​政策，违反规则的评审人所提交的论文中，共有497篇（约占全部投稿的2%）被拒。

这里有一点值得注意。正如ICML组委会明确指出的那样，这种查处方法只能抓到最露骨的违规行为——也就是把待审论文的PDF直接丢给AI，然后把生成结果复制粘贴的那种程度的违规。水印的存在在评审期的大部分时间里都是公开的，只要稍加留意就能规避。尽管如此，还是有1%被查出，这意味着实际的AI使用比例可能远高于此。正如我之前在博客中提到过的那样，那种PDF水印只需过一遍Python脚本就能解除。可即便如此……向ICML这样权威的国际学术会议提交这样的论文？我不禁产生这样的疑问。

实际上，学术出版机构Frontiers在2025年对来自111个国家约1,600名研究者进行的调查显示，53%的人表示曾在同行评审中使用过AI。如果只看早期职业研究者（工作经验5年以下），这一比例甚至高达87%。但许多学术期刊和学会的政策，还远远跟不上这个现实。

博士生的困境

这种现象在学生层面同样在反复上演。Nature对约3,800名博士生进行的问卷调查显示，75%的人表示AI提升了效率，71%的人认为在学业中使用AI是可以接受的。但与此同时，81%的人并不完全信任AI，65%的人担心AI会削弱思考能力、研究能力和写作能力。

英国高等教育政策研究所（HEPI）的调查更清晰地展现了这种变化的速度。英国本科生的AI工具使用率仅用一年时间就从66%跃升至92%，在作业评估中使用AI的比例也从53%升到了88%。调查负责人Josh Freeman表示，这种程度的行为变化“几乎前所未见”。

一线的真实故事更为生动。清华大学的He Yinghui（音译）每天都使用ChatGPT和Gemini，但她强调“AI生成的代码必须经过验证”。西澳大学的Richard Ang曾把肥料用量计算交给ChatGPT，结果整个实验彻底失败——AI误解了问题本身。他总结的教训是：“AI绝对不会告诉你，我们的设计本身有问题。你让它做一件不可能完成的任务，它也会硬着头皮做下去。”

阿布贾大学传染病建模专业的博士生Leona Diala（音译）也有过类似经历。她让AI描述一张图表的走势，AI说数值在上升，可实际图表显示的是下降。“在用AI之前，你自己必须对所提的问题有足够了解，这样才能抓出错误。”

归根结底，核心问题就是：AI执行得很快，但它不做判断。而博士阶段真正应该培养的核心能力，恰恰就是那种“判断力”。

“认知负债”——大脑已经在做出反应

这个问题之所以不仅仅停留在“该用到什么程度”的伦理争论层面，是有原因的。

MIT媒体实验室Nataliya Kosmyna研究团队在2025年发表的预印本3​《Your Brain on ChatGPT》的结果相当令人印象深刻。研究团队将54名参与者分为三组——不借助任何工具写文章的一组、使用搜索引擎的一组、使用ChatGPT的一组——并用EEG4​测量了他们的脑活动。

结果十分明确。对外部工具的依赖程度越高，大脑的功能连接性就越呈系统性减弱。不借助工具写作的一组，其大脑在创造力、语言、规划、工作记忆等方面表现出全脑范围的分散性激活，而ChatGPT组则呈现出最弱的连接模式。

更有意思的是随后的实验。原本使用ChatGPT、后来改为不借助工具写作的参与者，其α波和β波的连接性依然处于减弱状态。研究团队将这种现象称为“认知负债（cognitive debt）”。也就是说，把认知工作委托给AI，虽然当下轻松，但代价会以大脑连接模式弱化的形式不断累积。使用ChatGPT的参与者中，有不少人甚至记不起自己刚刚“写”过的文章。对文章的所有权意识（ownership），在三组中也是最低的。

当然，这项研究尚未经过同行评审，54人的样本量也偏小，存在局限性。Kosmyna本人也提醒不要轻易断言“AI是有害的”。但方向性是明确的：把认知工作外包给AI，执行该项工作的大脑“肌肉”可能会因此变弱。

如果把这一点和ICML事件联系起来，就能看出其中的结构。研究者们明明承诺了“不使用”，却还是用了AI——这或许并不只是简单的偷懒。一旦形成了把认知工作委托给AI的模式，“回头”这件事本身，就变成了一种在认知上代价高昂的状态。

那么，应该守住的是什么

大学方面的应对，目前还跟不上这种变化的速度。欧洲大学协会（EUA）对欧洲217所大学进行的调查显示，只有5%的院校认为现有的AI指导方针已经足够。38%的院校正在首次制定相关政策，13%则根本没有相关政策。韩国的情况也没有什么不同。韩国教育学术信息院（KERIS）的调查显示，半数以上的教师表示“学生作业变得过于模式化”，但AI使用标准被正式纳入校规的案例仍然非常有限。

那么在这种情况下，博士阶段究竟应该培养什么？

学术支持机构The Page Doctor的Amina Yonis提出了一个实用的区分方式：文献检索和整理可以用AI，但数据分析要自己动手。论文写作也是同样的道理。“如果先让AI来写，之后就很难摆脱它的框架。更好的方式是自己先写，再用AI来润色。”

从更宏观的角度看，计算神经科学家Natalia Bielczyk的观点很有意思。她认为，不要在速度或记忆力上和AI竞争，而应把精力集中在机器仍然做不到的领域——设计出好的问题，在模糊性中找到方向，构思如何在现实世界中验证一个想法。她说，博士阶段真正的超能力，是把“解决问题的系统性方法”内化为自己的一部分，而AI应该是那种能为缓慢而概念性的工作腾出更多时间的工具。

也有研究者站在另一端，干脆拒绝使用AI。澳大利亚国立大学研究鸟类行为学的博士生Samuele Ramellini（音译）去年11月第一次用AI画图表，结果两周后，他既想不起来那段代码，也想不起来自己当初到底提出了什么要求。而相比之下，十年前本科毕业论文里的图表，他却能一一记得。“AI给的是即时的回报，但你却学不到东西。” 他甚至拒绝把研究想法输入AI。“纸、便利贴、白板，都好用得多。”

新南威尔士大学（UNSW）的气候科学家Alex Sen Gupta在2025年的一篇Nature随笔中，提出了一个更为尖锐的问题。他主张对博士培养进行彻底重新设计，但同时也承认这种不确定性：“没有人能预测这个领域将会如何发展。一年后、两年后的情况可能完全不同。”他还表示，科技公司每发现一个AI做不到的认知领域，就会想办法去弥补那个空白。

挪威Østfold University College的Manikandan Palanichamy教授指出了这个问题的时机所在。“学生们从上学阶段开始，就应该获得关于负责任地使用AI的伦理指导。否则，我们很可能培养出这样一代研究者——他们懂得如何操纵AI工具，却缺乏创造真正突破所需的基础能力。”

Oswarld视角

看着ICML这起事件，我想到了两点。

第一点，是我在制定GTM战略时反复见过的那种“工具采用曲线”模式。每当一种新工具被引入，初期总是被“提升效率”这一叙事所主导。 CRM是如此，营销自动化也是如此。但真正的问题，从来不在于工具本身，而在于工具让哪些行为变得容易，又让哪些行为变得困难。AI让“快速浏览别人的论文、写出一份看起来还不错的评审意见”变得极度容易；同时，也让“慢慢地读一篇论文、构建出自己独立的批判性观点”这件事，相对变得困难——更准确地说，是变得代价高昂。

第二点，是ICML今年7月将在首尔举行这一事实。这起事件并不是发生在遥远国度的故事。它发生在一个韩国AI研究者既是评审人又是作者的学会里。 而韩国研究生院的现实，也并没有太大不同。根据《韩国产学技术学会志》（2025）刊载的调查，韩国大学生对ChatGPT的认知率为85.7%，实际使用经验率为89.3%。

在这起事件中，我认为最具结构性意义的地方，是MIT研究中的“认知负债”与ICML事件中的“违反规则”之间的连接点。研究者们违背承诺，或许并不只是单纯的偷懒。一旦适应了认知上的便利，“回头”这件事本身就会变成一种代价。就像习惯了导航之后，再摊开地图找路，会让人感到痛苦一样。

那么，“把精力集中在AI做不到的事情上”这个建议，也需要重新审视。正如Sen Gupta所说，AI做不到的领域会不断缩小。在我看来，更稳固的策略应该是这样的：不是去定义“AI做不到什么”，而是去定义无论用不用AI都应当保留下来的那些思维“肌肉”是什么。批判性验证、独创性问题设计、在不确定性中做出判断——这些东西，不会因为工具的更替而贬值。

问题在于，培养这些“肌肉”的训练过程本身，正在被AI取代。这不是工具的问题，而是教育设计的问题。 而正如ICML所展示的那样，这也不只是学生的问题，而是整个研究生态系统的问题。

结语

  • AI提升了研究效率，但也在侵蚀让研究者成为研究者的核心能力——独立思考、批判性判断、原创性问题设计。
  • 这种现象并不只发生在学生身上。ICML事件表明，资深研究者同样无法摆脱依赖AI所形成的认知惯性。
  • 大学和学会的制度目前还跟不上这种变化，个人必须自己去寻找那个平衡点。

Yonis的建议意外地实用。

“AI才不过存在了大约3年。大多数人都是在没有AI的情况下完成博士学位的。你们也可以做到。”

或许核心问题并不是“要不要用AI”，而是Ramellini提出的那个问题。

“（多亏了AI）你省下了一个小时。那你打算用这一个小时做什么？”

📎 参考资料与延伸阅读

作者安光涉是世宗大学经营学教授，也是 OBF（Oswarld Boutique Consulting Firm）首席顾问。他在大学教授经营数据管理、商业分析等统计与数据分析课程，同时在产业现场负责 GTM 与人工智能战略咨询，设计技术与商业的连接方式。他曾发表关于 AI 对话系统记忆架构（HEMA）的学术论文，并运营每日策展全球 AI 论文的 Daily Arxiv 项目。他毕业于高丽大学技术经营专业研究生院与 KMBA，著有《把思考交出去的人：Homo Brainless》。

注释

  1. ICML（International Conference on Machine Learning）：世界最大规模的机器学习学会之一，与NeurIPS、ICLR并称AI领域的“三大学会”。2026年将于7月在首尔举行。全部投稿论文超过2万篇，规模巨大，同行评审系统所承受的负担也随之巨大。 ↩

  2. 互评（Reciprocal Review）：一种要求向学会投稿的作者同时也要评审他人论文的制度，旨在解决评审人不足的问题。就ICML而言，这是一种连带责任结构——如果某位评审人违反规则，其本人的论文也会被拒。这次事件中497篇论文被拒，正是这一结构所致。 ↩

  3. 预印本（Preprint）：学术论文在经过同行评审之前，预先上传到arXiv等公开服务器的一种形式。它能让最新研究成果得以快速共享，但需要注意的是，其内容尚未经过验证。 ↩

  4. EEG（Electroencephalography，脑电图检查）：一种在头皮上贴附电极、实时测量大脑电活动的方法。相比fMRI，其空间分辨率较低，但时间分辨率更高，因此适合追踪大脑在特定认知任务中的反应方式。 ↩

延伸阅读

社会

估值670万美元的论文平台，35年来首次独立

arXiv即将离开康奈尔大学。

第 56 期 ·
社会

用数据衡量新闻业，会发生什么

贝索斯移植到《华盛顿邮报》的，不是重组，而是亚马逊的运营哲学

第 55 期 ·
社会

如果人工智能要纳税，应该缴多少

对劳动征税的时代正在终结。问题是接下来会怎样

第 50 期 ·