而是持续学习、判断并

使用新工具的能力我花两个月整理了108篇硕博科研写作干货，总共66元

封面图｜工具会更新，持续学习与判断能力才是博士训练值得带走的本领

读博不是为了筛选“最会用AI的人”，而是为了培养一种更稀缺的能力：永远愿意学习新工具

前几天，我看到一个挺有意思的说法：读博，说到底就是为了筛选出最会使用AI的那批人。这句话当然有些夸张，但它会让人忍不住往下想：为什么今天越来越多科研工作者开始把AI放进自己的研究流程？

更重要的是：如果今天的新工具是AI，那么五年、十年以后，又会是什么？到那个时候，我们是不是还要重新讨论一遍，博士生究竟该不该用？

我越来越觉得，真正值得从博士训练里带走的，不是“会不会用某一个具体工具”，而是面对不断出现的新工具，始终愿意学习、试用、判断，并把真正有价值的东西纳入自己的科研流程。

这可能比“会不会用AI”本身，更接近博士训练的长期价值。

一、AI已经进入科研，但它最擅长的还不是替你做判断

AI在科研中的应用，已经不只停留在翻译和润色，还进入文献发现、信息整理、代码辅助、数据分析、科研写作和部分实验设计等环节。

Nature Research Intelligence、复旦大学和上海AI for Science研究院联合开展的2026年全球调查覆盖117个国家和地区、超过1万名科研人员。调查显示，AI已进入多个科研环节，尤其集中在信息检索、文献发现和论文修改；在同行评审等涉及责任判断的场景，研究者使用AI则更谨慎。[1]

Nature在2025年对约5000名研究者开展的调查，也显示不少研究者愿意让AI帮助编辑或翻译论文，但对让AI直接撰写论文初稿、参与同行评议更加谨慎。[2]

这说明的不是“AI已经可以替代科研人员”，而是科研人员正在学习把AI放到合适的位置。

图1｜AI在科研中的常见应用：文献检索、代码与数据分析、实验设计、写作及数学探索

AI可以帮助扩展检索关键词、整理候选文献、解释陌生代码、生成程序原型、梳理备选思路、整理表格和润色语言。但研究问题是否值得做、证据是否可靠、假设是否成立、实验设计是否合理、结论是否超出数据支持范围，仍然需要研究者判断。

二、真正拉开差距的，可能不是AI熟练度，而是工具学习能力

我认识的一些科研做得很好的老师，并不一定追逐每一个新工具，也不会看到新技术就把它全部搬进自己的工作流。但只要某个工具可能改变研究方式，他们通常愿意花时间了解它。

科研方法本身就在不断更新。统计软件改变了数据分析方式，数据库改变了文献检索方式，计算模拟改变了许多实验学科的研究路径，自动化实验平台开始进入化学和材料研究，如今又轮到生成式AI和科研Agent。

2026年《Science》关于自驱动实验室的文章，讨论了机器人、高通量实验、多模态测量和AI如何形成闭环，让系统参与实验选择、执行与结果解释。[3] AI并不是孤立事件，而是科研工具持续演化的一部分。

真正值得培养的能力，不是记住ChatGPT、Claude、Gemini或某个Agent的操作方法，而是当陌生工具出现时，能理解它的能力边界，测试它是否适合自己的问题，并决定是否将它纳入工作流。

具体产品可能几年就过时；发现、评估、验证和整合工具的能力，却可以长期迁移。

三、数学研究是一个典型例子：AI可以辅助探索，但不能省略验证

数学研究常被认为很难被AI真正介入，因为它不仅需要检索资料，更要求严谨推理，一个局部错误就可能让整套证明失效。

近年的研究正在探索大语言模型与形式化数学系统的结合，包括定理证明、自动形式化、证明搜索和人机交互式定理证明。相关工作已出现在2025—2026年的预印本中。[4][5][6]

AI可以帮助整理证明思路、寻找可能的反例、生成候选推导或编写程序检查特殊情况；Lean等形式化工具则可以在形式系统内检查证明是否满足规则。

但这不意味着AI已经能够替代数学家。研究者仍要判断问题是否重要、定义是否准确、假设是否充分、形式化表达是否忠实于原命题。形式化检查能验证编码进系统的证明步骤，不会自动替人判断研究问题的价值。

真正值得关注的不是“AI会不会证明数学题”，而是研究者能否把AI生成的候选思路，转化为可以检查、复现和讨论的数学对象。

四、AI越强，科研判断力可能越值钱

AI工具会让很多科研动作变得更快，但“更快”并不自动意味着“更好”。Nature在2024年发表的研究讨论了AI可能带来的“理解幻觉”：研究人员获得更多结果、更快的输出，却未必真正理解问题。[7]

2026年发表于Nature的一项大规模分析发现，AI工具可能扩大个体科学家的影响力，同时使整体科学研究的关注范围收窄。这提示我们：工具提高效率的同时，也可能影响研究主题的多样性。[8]

AI能帮助我们快速发现“大家都在做什么”，也能总结“已有答案是什么”。但它不一定能替我们判断：什么问题虽然暂时不热门，却值得研究？什么结果看起来合理，实际上缺少关键证据？

未来博士生之间的差距，可能更多体现在谁能提出更好的问题、识别错误答案、发现模型遗漏的条件，并判断一个结果究竟有没有研究价值。

AI提高的是部分科研动作的效率；博士训练真正应该提升的，是科研判断的质量。

图2｜AI的边界：幻觉与虚构引用、错误推导、偏见、数据隐私及作者责任

五、“AI会出错，所以我不用”，并不是最稳妥的策略

AI经常幻觉、引用会编、推理也可能错，所以最安全的方法就是不用？这听起来谨慎，但一个工具不可靠，和一个工具没有价值，是两件不同的事。

科研里几乎没有绝对可靠的工具：实验仪器有误差，统计模型有假设条件，数据库会漏文献，代码也可能有bug。我们仍然使用它们，是因为建立了校验机制。

AI也一样。成熟的使用方式不是“AI给出答案，所以我相信”，而是“AI给出候选结果，我知道怎样验证”。

UNESCO关于生成式AI在教育与研究中的指导文件强调以人为本、数据隐私、透明度和人类监督；美国NIH也针对研究申请中的生成式AI使用发布了政策要求，强调原创性和申请者责任。[9][10]

因此，真正需要训练的不是盲目接受，也不是一概拒绝，而是在知道它会犯错的前提下，判断哪些任务可以使用、如何核验、何时停止使用。

六、博士生最应该学的，不只是Prompt，而是四种基本能力

第一，知道哪些任务适合交给AI。例如检索词扩展、代码原型、思路发散、表格整理和语言修改。

第二，知道哪些事情必须自己负责。研究问题、关键假设、数据真实性、统计选择、核心论证和最终结论，不能因为AI参与就转移责任。

第三，知道怎样验证AI。查原始文献、复算数据、运行代码、寻找反例、交叉验证模型；数学推导必要时使用形式化工具或独立证明检查。

第四，知道什么时候不能把材料交给AI。未公开研究、敏感数据、受保密约束的项目材料、同行评审内容和机构机密，必须先遵守学校、资助方、期刊及数据管理规则。

七、一个博士生可以这样训练自己的“新工具学习力”

图3｜持续学习新工具的六步闭环：发现、上手、判断、接入、核查、沉淀

1. 先发现，再判断

适用场景：领域出现新模型、新数据库、新软件或自动化平台。

操作：先看官方文档、同行评议论文和可信用户案例，弄清它解决什么问题、适用什么任务。

模板：这个工具针对【任务】；核心能力是【功能】；官方限制包括【限制】；我想验证【具体问题】。

错误：看到别人推荐就立刻迁移。正确：先确认它是否解决自己当前的真实问题。

2. 用小任务快速上手

适用场景：不确定工具是否值得投入时间。

操作：选一个已有标准答案的小任务，先做最小试用；记录完成时间、错误类型和人工核查成本。

模板：我用工具完成【小任务】，预期结果是【标准答案】，实际结果是【结果】，差异是【差异】。

错误：直接把整篇论文或整套数据交给新工具。正确：先用公开、低风险、可核验的小样本测试。

3. 判断适不适合自己的研究

适用场景：工具功能很多，但不确定哪项真正有用。

操作：从准确性、效率、可复现性、成本、隐私和学习成本六个维度评估。

模板：它节省了【时间/步骤】，但新增了【核查成本/风险】；对我的工作流，净收益是【判断】。

错误：只看演示效果。正确：比较工具介入前后的完整流程，而不只比较生成速度。

4. 接入一个明确环节

适用场景：小规模测试显示工具确有帮助。

操作：只把它接入一个重复性任务，保留原有核验步骤；确认收益稳定后再扩大使用范围。

模板：从本周起，我只在【环节】使用【工具】，输入为【材料】，输出必须经过【核验】。

错误：一开始就让AI接管整个科研流程。正确：先接入边界清晰、失败成本低的环节。

5. 每次输出都回到原始材料

适用场景：文献、数据、数学推导、代码和实验结果。

操作：核查原始论文、数据来源、运行日志、代码结果和关键假设；重要结果由独立方法复核。

模板：AI提供了【候选结果】，我通过【原文/代码/计算/实验】核验，确认【哪些成立、哪些不成立】。

错误：把流畅、完整的回答当成正确。正确：要求来源、复算结果，并保留核验记录。

6. 把经验沉淀成自己的方法库

适用场景：工具已经稳定用于某项科研任务。

操作：记录适用任务、输入要求、常见错误、核验方式、隐私限制和可复用提示词；每隔一段时间重新评估。

模板：工具【名称】适用于【场景】，不适用于【场景】；使用前检查【条件】，输出后核验【项目】。

错误：只收藏工具链接和提示词。正确：沉淀成可复现、可交接的工作流程。

图4｜给博士生的四条工具使用建议：先了解、用工具提效、回到原始材料核查、把会用工具升级为会学习工具

八、不同科研环节，AI能做什么？哪些地方必须人工核验？

这张表的核心不是“哪些环节可以用AI”，而是每次使用都要提前想清楚：工具能做哪一步、输出怎么核验、最终责任由谁承担。

九、导师/PI视角：团队需要的不只是“允许用AI”，还要有清晰规则

对导师和PI来说，AI工具的使用不应只停留在个人偏好。团队需要明确哪些任务可以使用、哪些数据不能上传、哪些输出必须复核、是否需要在论文或报告中披露，以及工具使用记录如何保存。

比较可行的做法，是建立一页纸的团队AI使用规范：列出允许使用的任务、禁止输入的材料、必须人工核验的输出、记录与披露要求，并定期根据学校和期刊政策更新。

学生也应主动向导师确认边界。尤其是未公开数据、受试者信息、合作方资料、专利相关内容和同行评审材料，不要仅凭个人判断上传到外部服务。

导师真正应该培养的，不是学生对某个产品的依赖，而是学生能解释为什么选择这个工具、如何验证输出、出现错误如何发现，以及最终如何对研究结果负责。

科研工具素养自查清单

·□ 我会主动了解可能改变本领域研究流程的新工具，而不是只凭传闻评价。

·□ 我能说清一个工具适合解决什么问题、不适合解决什么问题。

·□ 我会先用低风险、可核验的小任务测试新工具。

·□ 我比较的是完整工作流的净收益，而不只是生成速度。

·□ 我会回到原始文献、数据、代码和实验记录核验重要输出。

·□ 我不会把AI生成的引用、推导或统计结果未经核查直接写进论文。

·□ 我了解学校、资助方、期刊和合作项目对AI使用及数据保密的要求。

·□ 我能说明AI参与了哪些环节，并按要求披露。

·□ 我会把有效用法沉淀为可复现的工作流程，而不是只收藏提示词。

·□ 即使工具不断更新，我仍愿意重新学习、试用和调整方法。

写在最后

今天我们讨论AI，十年后可能会讨论科研Agent、自驱动实验室、自动形式化系统，或者现在还没有出现的新工具。

我不认为博士生必须追逐每一个新产品，也不认为使用AI越多，科研能力就一定越强。真正值得培养的是一种开放但不盲从的习惯：愿意了解新工具，敢于用小任务测试它，能够识别它的局限，也愿意在它不适合时放弃。

工具会更新，具体方法会被替代；提出问题、判断证据、验证输出、保护数据，并持续学习的能力，才更值得带走。

#博士 #研究生 #AI科研 #科研工具 #学术写作 #博士成长

参考资料与延伸阅读

[1] Nature Research Intelligence / Fudan / Shanghai AI for Science Institute. AI for Science 2026: Executive Summary.查看原文

[2] Is it OK for AI to write science papers? Nature survey shows researchers are split (2025).查看原文

[3] The lab that learns. Science (2026).查看原文

[4] From Solvers to Research: Large Language Model-Driven Formal Mathematics at the Research Frontier (2026 preprint).查看原文

[5] Mathematics with large language models as provers and verifiers (2025 preprint).查看原文

[6] Advancing Research via Human-AI Interactive Theorem Proving (2025 preprint).查看原文

[7] Artificial intelligence and illusions of understanding in scientific research. Nature (2024).查看原文

[8] Artificial intelligence tools expand scientists’ impact but contract science’s focus. Nature (2026).查看原文

[9] UNESCO. Guidance for generative AI in education and research.查看原文

[10] NIH. Supporting Fairness and Originality in NIH Research Applications (2025).查看原文

说明：本文区分了科研工具应用案例、学术研究结果与政策指导。部分数学AI资料为预印本，尚不能与正式同行评审论文等同；工具能力和机构政策更新较快，实际使用前请再次核对最新官方文件。

#研究生 #博士 #硕士 #论文选题 #开题 #科研方法 #论文写作 #SCI #SSCI