Nordling, L. (2026, March 19). AI and the PhD student: Friend or foe?Nature, 651, 842–844. https://doi.org/10.1038/d41586-026-00843-y

最近，Nature 发表了 Linda Nordling 的一篇文章，题目很直接，也很尖锐：AI and the PhD Student: Friend or Foe? 文章聚焦一个正在迅速变得普遍、却仍远未达成共识的问题：当生成式AI全面进入高等教育与科研训练场域之后，博士生究竟是在获得前所未有的助力，还是在失去本应通过长期训练形成的核心能力？

这篇文章之所以值得读，不只是因为它讨论了“学生用不用AI”这样一个表层问题，更因为它抓住了博士训练中最敏感、也最根本的一条张力：博士教育的目标，从来不只是完成论文，而是塑造研究者。 文章开头讲述了来自阿布贾大学的博士生 Leona Diala 的矛盾心态。她承认，AI已经深度进入自己的博士生活：查找文献、设计展示、生成代码、总结论文，AI几乎处处可用，节省了大量时间，也带来了灵感；但与此同时，她又强烈担忧，过度依赖AI会侵蚀学生原本应该通过“反复阅读、练习、试错”才能建立起来的学术基本功。她的判断非常有代表性：AI是“祝福”，但也可能让人变得“懒惰”，不再愿意走那段真正塑造能力的“额外一英里”。

为了说明这种矛盾并非个别现象，文章引用了 Nature 对近3800名博士生的调查。结果非常耐人寻味：大约四分之三的受访者认为AI工具能够提升学习和研究效率，71%认为在学习支持中使用AI是可以接受的；但另一方面，81%的人表示自己并不能完全信任这些工具，65%担心AI会削弱思考、研究与写作能力。换句话说，今天的博士生并不是天真地拥抱AI，他们一边使用，一边警惕；一边受益，一边焦虑。这种“高使用—低信任”的并存状态，恰恰说明AI并没有简单地成为科研训练的“标准答案”，而是在重塑训练逻辑的同时，也把风险同步带了进来。文章还提到，自 ChatGPT 于 2022 年 11 月推出后，AI在高等教育中的渗透速度极快：一项针对英国本科生的调查显示，到 2025 年，92% 的受访者已经使用过某种AI工具，88%承认将其用于课程评估任务，这一变化幅度几乎可以称得上“罕见”。

文章最有价值的地方，在于它没有停留在“支持”或“反对”的二元立场，而是通过多个博士生与导师的具体经验，展示了AI使用中的真实边界。来自清华大学的博士生何颖慧几乎每天都使用 ChatGPT、Gemini 以及中国本土AI工具，帮助自己检查英文语法、生成代码。她明确承认，AI写代码比自己快，节省了很多时间；但她同时强调，代码生成之后必须逐行检查是否正确。另一位博士生 Richard Ang 则提供了更具警示性的案例：他曾请 ChatGPT 计算实验所需的肥料剂量，结果实验失败，后来才发现AI根本误解了问题。他因此总结出一个很关键的教训：AI不会主动告诉你设计本身有问题，也不会提醒你任务本身是否荒谬；如果提问有偏差，它很可能会一本正经地把错误继续放大。还有博士生提到，AI甚至会把一张明明显示下降趋势的图，说成“数值上升”。这些例子共同说明，AI最危险的地方，未必是它完全不会，而是它看起来很会，甚至回答得非常自信。

也正因为如此，文章提出的真正问题并不是“能不能用AI”，而是“什么环节该用，什么环节不该交出去”。文中采访的学术支持机构负责人 Amina Yonis 给出了一个相当务实的划分。她认为，像文献检索、文献消化、信息组织这类任务，AI的确能够显著提效，帮助学生在更短时间内把握研究领域；但对于数据分析，她则明确主张谨慎，原因有二：一是学生必须保留对知识生产过程的智识控制，二是很多AI工具并不具备充分的数据保密性。至于论文写作，她的建议也很有分寸：可以让AI帮助搭结构、润色语言、清理文本，但不要让AI从零开始替你写长段内容，因为一旦先看到AI生成的版本，人的思路很容易被其框架锁定，反而更难形成真正属于自己的论证路径。相比之下，来自挪威的导师 Manikandan Palanichamy 则特别强调语言支持的积极意义：对于非英语母语的博士生而言，AI确实可能大幅降低获取前沿知识和表达复杂思想的门槛，从而在一定程度上推动博士训练的“民主化”；但前提仍然是，AI只能放大思考，不能替代思考。

文章还揭示了一个更深层的问题：高校治理明显落后于技术扩散。 根据文中援引的欧洲大学协会报告，在接受调查的欧洲高校中，只有 5% 认为现有博士教育中的AI指南是充分的；38% 还在第一次建立相关政策，13% 则完全没有政策。这意味着，大量博士生实际上是在一片规则尚不清晰的地带中“摸着石头过河”。他们的导师也未曾在博士阶段面对过这样的技术环境，因此今天的博士培养出现了某种前所未有的代际断裂：学生正在穿越一片连导师都没有完整地图的新地形。很多规范、尺度与伦理边界，并不是现成给出的，而是在使用中被临时协商、不断修正。

在这篇文章里，我尤其认同的一点是：AI真正迫使博士教育重新回答的，不是“如何教学生更快完成任务”，而是“在机器越来越擅长检索、归纳、润色甚至编程之后，人类研究者还必须牢牢掌握什么”。文中引用的职业转型顾问 Natalia Bielczyk 给出了一个非常精准的回答：博士生不应再与AI比拼速度和记忆，而应把自己的价值放在机器仍然不擅长的地方，比如提出好问题、在模糊与不确定中推进判断、为真实世界设计检验方案。她认为，博士训练最珍贵的“超能力”在于赋予人一种系统性解决问题的方法；AI可以接管某些例行性的工作，从而把人释放出来，去做真正缓慢、概念性、具有突破可能性的工作。文章还引用气候科学家 Alex Sen Gupta 的观点指出，AI如果被正确使用，确实能够极大增强博士生的能力，让他们把更多时间投入到思考问题、构想解决方案和连接现实影响这些“大图景”工作上；但若把AI当成逃避思考的捷径，最终形成的就不是能力增强，而是专业空心化。

值得注意的是，文章并没有假设所有人最终都会走向“平衡使用”。它还呈现了另一种声音：彻底保持距离。澳大利亚国立大学的博士生 Samuele Ramellini 讲述了自己第一次用AI作图后的感受。AI确实帮他完成了任务，但几周之后，他已经记不清当时的代码，也记不清自己到底是如何向AI提问的；相比之下，他却清楚记得自己本科毕业论文里每张图是怎么一步步亲手做出来的。这种“立刻得到结果，却没有真正学会”的感觉，让他对AI产生了强烈抵触。他甚至明确表示，绝不会把自己的研究想法喂给AI，因为在他看来，研究的乐趣本来就来自自己在纸上、便签上、白板前一点点推演想法的过程。这个案例提醒我们：AI带来的问题不只是效率与准确性问题，也涉及学习记忆、认知沉淀、研究乐趣乃至学术主体性的保留。

文章第二页还专门用一个侧栏梳理了目前面向学术场景的一批AI工具：例如用于文献发现和关系可视化的 ResearchRabbit、Elicit、Consensus、Scite、Connected Papers、Litmaps、Inciteful，用于数据分析和代码辅助的 Julius、Bohrium、GitHub Copilot，以及用于写作润色的 Paperpal 和 OpenAI 的 Prism 工作区。这个工具清单本身也传递出一个信号：AI在科研中的嵌入，已经不再只是“通用聊天机器人”的层面，而是在朝着更细分、更专业、更贴近学术工作流的方向发展。与此同时，文章也明确提醒：无论使用何种工具，都不应上传敏感、专有或可识别的研究数据；也不应在没有充分理解与测试的前提下直接使用AI生成代码，更不能在不披露的情况下让AI代写整篇论文或大段手稿内容。

如果要用一句话概括这篇 Nature 文章的核心判断，那就是：AI不会自动毁掉博士训练，但它会把博士训练中真正重要的东西暴露得更加清楚。 过去，一些能力之所以被认为重要，部分原因是机器做不了；而今天，当机器开始接管阅读摘要、语言润色、代码生成乃至结构搭建时，我们才更清楚地意识到，博士培养真正不能外包的，恰恰是那些更慢、更难、也更不容易被量化的能力：提出问题、定义问题、识别错误、承受不确定性、维护学术伦理、建立个人判断。AI不是博士训练的终结者，它更像是一面放大镜：它放大了效率，也放大了偷懒；放大了能力，也放大了空心化风险。对博士生而言，未来真正的分野，可能不在于“会不会用AI”，而在于“能不能在使用AI时，仍然持续生成属于自己的思想”。

若把这篇文章放在更广阔的研究训练场景中看，它其实提出了一个值得所有导师、学院和研究型大学认真回答的问题：我们究竟要培养会操作AI的人，还是要培养能够驾驭问题、定义问题并超越AI的人？ 这恐怕才是“AI时代博士教育”最重要的命题。

来源：Nordling, L. (2026, March 19). AI and the PhD student: Friend or foe?Nature, 651, 842–844. https://doi.org/10.1038/d41586-026-00843-y，转载自微信公众号智能公众号AI4MGMT.