AI 时代的学术写作，工具、边界、品味与学科未来
一个做人文社科研究的朋友，带着一组关于 AI 使用的问题来找我。如何稳定使用国外 AI 工具，哪个模型更好用，AI 能不能帮忙整理材料，写论文时到底能用到什么程度，怎样降低幻觉，怎样减少「AI 味」，以及在 AI 已经进入学术生产之后，一个研究者还应当怎样保持竞争力。
我们聊了两个小时，发现这些问题其实都指向同一个更大的问题：AI 到底改变了学术写作的哪一部分，又把哪一部分变得更重要了？
我们目前达成的共识是：AI 正在迅速压低学术写作中程序性劳动的价值。查资料、归纳材料、生成初稿、改写语言、搭建结构、做初步审稿，这些过去需要大量时间的环节，正在被工具极大压缩。但这不意味着研究者消失了。恰恰相反，AI 越强，人的问题意识、判断力、品味、责任感，以及与真实世界建立关系的能力，反而越重要。
这篇文章是对那次交流的整理。我尽量保留他的问题路径，因为这些问题本身就代表了很多今天正在使用 AI 的研究者。
一、先把工具用稳定
很多人谈 AI，喜欢直接谈模型能力、学术伦理和未来趋势。但朋友最先提出的，是一个更实际的问题：很多国外 AI 工具并不好稳定使用，账号容易出问题，访问链路也不稳定。对许多研究者来说，AI 首先是一套很麻烦的基础设施。你想用它整理文献、处理材料、辅助写作，前提是你得先能稳定打开它、持续使用它，并且不被频繁中断。
这件事听起来不够学术，却决定了一个人能不能真正进入 AI 时代的研究流程。账户、网络、支付、稳定性和成本，看上去都很琐碎，但它们决定了 AI 对你来说到底是偶尔调用的聊天框，还是日常工作里可以反复试错、持续磨合的工具系统。
我的回应也很直接：我自己为了稳定使用 AI，付出了不低的成本。我会同时使用多个主流模型，不把判断完全押在一个工具上。对重要内容，我更倾向于让多个模型互相验证，尤其是在方案设计、数学推导、程序开发、论文结构这类高风险环节。单个模型再强，也会犯错。多个模型交叉使用，至少可以暴露一部分盲点。
所以，AI 时代的第一层差距，来自于基础设施。谁先建立起稳定、持续、低摩擦的工具环境，谁才有机会真正把 AI 纳入工作流。
而一旦工具真的稳定下来，最先被改变的，就是材料处理和初稿生成这些程序性环节。朋友所在的学科，经常要收集新闻文本、社交平台帖子、用户评论、访谈记录和图表材料，再进行分类、归纳、分析和阐释。过去这些工作非常耗时，而且很多环节本质上是重复劳动。他的直觉没有错：AI 确实可以大幅缩短这个过程。
但前提是任务要说清楚。你拿到的是什么材料，材料来自哪里，你想得到什么结果，你要它做主题归纳、情绪分类、观点聚类，还是生成一份可用于写作的材料综述？如果这些问题没有界定清楚，AI 给出的往往只是看似完整、实则空泛的整理。
在我的学科里也是一样。AI 可以生成论文草稿、实验方案、程序甚至是数学推导，但它会错，而且有些错误非常隐蔽。它让初稿变得便宜，却没有让判断变得多余。材料处理被压缩，不等于研究完成了；恰恰因为整理变容易了，研究者反而更需要知道自己到底要证明什么、解释什么、推进什么理解。
二、真正的边界，是谁负责
程序性劳动被压缩之后，最敏感的问题就出现了：AI 到底能用到什么程度？
朋友最纠结的，就是 AI 写作的边界。很多期刊和老师仍然明确反对 AI 写作，但很多人也已经在偷偷使用 AI：有人让它生成初稿，再自己改写；有人让它整理文献；有人让它写审稿回复；也有人直接让它生成大段论文内容。于是问题就变得很尴尬：什么算辅助，什么算代写？什么可以公开承认，什么又只能私下做？
比较谨慎的人，会让 AI 帮助生成一些学术化表达，但不会原样照搬，而是再用自己的语言重新讲一遍。一方面，这是为了降低「AI 味」；另一方面，也是仍然在意写作主体性：这篇论文到底是不是我自己的？
我对这个问题的判断比较直接：从技术上说，目前没有一种普遍可靠的方法，可以真正判断一篇文本是不是 AI 写的。所谓 AI 检测，更多是一种概率判断或风格判断，并不可靠。它可以被规避，也容易误伤。期刊当然可以提出伦理要求，但如果它无法验证，这种要求就更像道德约束，而不是真正可执行的技术规则。
但这并不意味着可以随便用。真正的边界，不该放在「来源」上，而应该放在「责任」上。如果你用了 AI，却没有理解它写了什么，也没有能力判断其中的错误，那问题就在于你放弃了作者责任。
在数学里，这一点尤其清楚。我们真正关心的，从来不是一段证明是不是 AI 起草的，而是结论对不对，证明能不能成立，读者能不能理解。如果有人借助 AI 证明了一个重要定理，只要证明是真的，可以理解的，它仍然是重要成果。数学共同体不会因为草稿里有 AI 参与，就自动否定它的价值。
但反过来说，AI 也会很快生成大量看起来像论文的东西，而审稿人需要花很大精力判断它到底对不对。如果研究者只是把 AI 生成的半成品丢给期刊和审稿人，等于把自己的责任转嫁给整个学术共同体。这已经不是工具使用的问题，而是学术生态的问题。
所以，AI 写作最重要的边界，在于「你是否真正理解、判断并承担了它写出的东西」。
三、「AI 味」可以修，真正难修的是不理解
朋友对「AI 味」很敏感。他提到，很多 AI 生成的文字有明显的机械感：句式固定，喜欢整齐对仗，形容词过满，语气像老套的学术腔。有些模型还特别爱用某几种转折句式，文章读起来很像机器拼出来的。更严重的是，在文科论文里，它经常会出现论证跳跃：从一个概念跳到另一个概念，中间的因果链条并没有真正建立起来。
他也很在意幻觉问题。在人文社科里，幻觉常常表现为 AI 编造不存在的文献，或者文献确实存在，但其中根本没有它声称的那个观点。这些问题近来有所改善，但并没有消失。AI 可能比以前更会找文献、更会引用，但它仍然需要人去核对。
我的回应是：单纯的「AI 味」不是最根本的问题。风格是可以训练的。你可以给它范文，规定句式，建立写作规范，甚至把自己的文风沉淀成一套固定的编辑规则。只要使用者足够熟练，AI 生成的文字完全可以摆脱那种常见的机械腔。而且，可以通过某些技术性的手段，让几个AI轮流互相检查，最终形成一个更自然的文本。
真正的问题在于理解。AI 很擅长模仿论文的外观，却不一定真正明白材料内部的关系。它像一个没有受过扎实训练、但很会模仿格式的人，赶鸭子上架写出了一篇论文。它知道论文应该长什么样，却不一定知道每一步为什么要这样走。
在数学中，这表现为隐秘的推导错误；在人文社科中，这表现为概念滑移、因果偷换，以及材料和结论之间的距离过大。它能把话说得漂亮，但漂亮不等于成立；它能把结构排得整齐，但整齐不等于有判断。
所以，降低「AI 味」并不难。难的是让文章有真正的判断，有材料的质感，有概念的准确性，有逻辑上的必要性。风格可以靠提示词修，理解只能靠人来做。
四、当过程变便宜，竞争就会前移
也正因为如此，AI 时代的竞争力，会从「谁更能熬」转向「谁更会看」。
朋友在交流里提到一个非常关键的判断：AI 出现之后，论文中的证明过程、材料整理过程、语言组织过程都会被压缩，但问题意识会变得更重要。他越来越觉得，选题本身比具体写作过程更关键。一个问题有没有价值，是否击中某种真实的人的处境，是否能打开新的理解，比机械地把文章写完整更重要。
这点在人文社科里尤其明显。很多研究都是从某种现实触动开始的：你看到一个人怎样使用 AI，怎样和 AI 产生依赖，怎样在虚拟关系里体验亲密或失落；你看到一个群体怎样被技术改变，看到一种新的情感结构和生活方式正在出现。这个触动不是 AI 能替你完成的。AI 可以帮助你展开论证，却不会替你在现实中被某个现象击中。
在数学里也是同样的道理。一篇数学论文如果证明的是一个很平庸的问题，即使证明过程完全正确，也未必真的有价值。真正重要的是，这个问题是否让我们更接近某个深层结构，能否去接近真理世界中属于数学的那个部分。努力当然重要，但努力不能替代问题本身的价值。
这就是 AI 时代最残酷的地方。过去很多人还能靠勤奋弥补问题意识的不足。现在，勤奋型流程正在被工具压缩。AI 可以帮很多人更快地达到「形式上过得去」的水平，于是差距会转移到更前端的地方：你能不能发现问题，能不能判断问题的价值，能不能把一个现象命名出来，能不能让别人读完之后意识到，原来这件事可以这样理解。
未来的学术竞争力，会在用了 AI 之后仍然知道自己在做一件有意义的事情。更具体地说，是知道自己为什么写这个问题，为什么选择这批材料，为什么这样解释，以及这篇文章到底把人的理解往前推了哪一步。
五、人文学科，仍然在回答「人的处境」
我对人文学科的理解，在与朋友的交流里逐渐变得清楚。我越来越确认，人文社科的价值不只是生产结论，而是不断描述和阐释人的生存处境。
时代一变，人就会遇到新的问题，产生新的情感结构，也会发展出新的关系形式。十年前，人们未必会认真讨论人和 AI 的亲密关系；今天，这已经成为现实经验的一部分。有人把 AI 当恋人，有人把 AI 当心理咨询师，有人把 AI 当朋友，有人把 AI 当成自我理解的镜子。
这些问题不是单靠数据就能穷尽的。它们需要研究者进入具体经验：去访谈，去观察，去阅读材料，去感受一个人说话时的犹豫、兴奋、羞耻、依赖和痛苦。朋友特别强调，田野中的气味、空间、人脸、语气、沉默和身体反应，这些细节不是模型坐在屏幕后就能得到的。
这正是我觉得人文学科在 AI 时代不会消失，甚至会越来越重要的原因。AI 可以帮你整理访谈，归纳主题，提出理论解释，甚至把材料写成很漂亮的论文段落。但它没有真正的具身经验，也没有真正的同情心。它可以模拟同情的语言，却没有被人的苦难触动过；它可以生成关于情感的段落，却没有亲自处在某种关系里。
朋友还区分了人文社科内部不同的研究类型。有些研究更偏量化，关注数据、变量、模型和统计关系；有些研究更偏社会学，需要访谈、观察和材料阐释；还有一些研究更偏哲学思辨，主要通过概念之间的推演来推进理解。这些路径对「人味」的要求并不相同，但都绕不开人的问题。
对传播学来说，这个问题还更复杂一点。AI 不只是一个新的研究对象，它同时也在改写研究者自己的工作方式。它正在改变内容生产、平台分发、用户信任、亲密关系、虚拟身份、公共讨论和情感表达，也正在进入研究流程本身，帮助研究者爬梳材料、生成编码框架、做初步主题分析、比较文本差异、整理访谈笔记，甚至辅助写作和审稿回复。
朋友给出的那些选题，本身就说明了这种变化的复杂性：有人和 AI 谈恋爱，有虚拟偶像与粉丝情感，有深度伪造内容在平台上传播，也有老年人与智能工具的初始信任，以及青少年在 AI 陪伴中的社会化过程。AI 不只是一个工具，它正在重新组织人与信息、人与媒介、人与他人、人与自我的关系。
当然，我研究的不是传播学，我也完全不了解这门学科。相反，我更需要从这个学科的人那里理解，传播到底如何被界定，什么样的问题才算它的核心问题。但有一点至少是清楚的：AI 已经不只是一个可以被研究的对象，它同时也是研究过程本身的一部分。
所以，传播学研究者不仅要研究别人怎样使用 AI，也得反过来审视自己怎样使用 AI。这才是朋友那个问题真正尖锐的地方：如果整个学术生产流程都被 AI 改写，那么训练、规范、写作伦理和学术竞争力都要重新理解。
在我看来，一篇好的人文社科文章，或许有时更像一件艺术品。它不一定像数学证明那样，在每一步上都完全客观可验证；它可能有主观性，也可能有可攻击的地方。但如果它提供了一个新的角度，让人更准确地看见自己、看见他人、看见时代，它就是有价值的。这说明人文学科的标准从来不只是形式正确，它还要求一种判断力：什么问题值得被看见，什么经验需要被命名，什么概念能真正击中现实。
六、数学面对的是另一种同样剧烈的冲击
朋友也反过来问我：数学是否真的那么容易被 AI 替代？他的疑问很自然。数学史上总有一些灵感性的突破，像某种突然出现的火花。如果 AI 只能在已有材料里训练，它能不能产生真正新颖的数学直觉？
我的回答是，数学中确实会有大量工作被 AI 替代，尤其是平凡的推导、计算、整理和推广。很多数学研究之所以存在，本来就是因为人类还需要花大量时间去补完细节。如果 AI 能把这些细节补完，许多普通研究的价值就会迅速下降。
但这不意味着数学本身消失。数学最核心的部分，不是把一个已知套路勤勤恳恳推到底，而是发现某些抽象结构之间意想不到的联系。真正重要的数学直觉，往往不是熟练劳动的线性结果，而更像是某些人天然更靠近那个抽象的真理世界。他们能看见别人看不见的结构，然后再用人类能够理解的语言把它说出来。
从这个意义上说，数学研究的未来可能不是被 AI 整体消灭，而是回到一种更纯粹的形态：少数真正有直觉的人提出关键问题和核心结构，AI 帮助补全繁重细节。对大多数普通研究者来说，AI 会成为一种强大的证明助手、计算助手和写作助手；但对真正原创的数学而言，人仍然需要决定什么结构值得研究，什么问题真正接近数学的核心。
朋友也提到，数学工作者让数学公式进入工程、统计、社会科学和技术系统，本身当然有价值。我同意这一点，但那已经不完全是纯数学本身，而是数学与其他学科结合之后形成的工作，这可能也是部分没有被上帝吻过的非天才，能发挥自己作用的地方。AI 在这些应用环节会非常强，因为它很擅长把已有工具迁移到具体任务里，但总归需要人来与他人进行合作。
所以，数学学科面临的冲击会非常剧烈。它会让很多平凡的劳动失去意义，也会让真正的问题意识和结构直觉变得更稀缺。人文学科面对的是「人还能不能被理解」的问题，数学面对的是「人还能不能看见数学真理」的问题。两者看似不同，其实都在问同一件事：当 AI 把流程大幅加速之后，人还剩下什么不可替代的能力？
七、未来不是端到端代工，而是重构工作流
回到最初的问题。未来的学术写作，不会是 AI 从零到一端到端代工生成一篇论文，而是研究者借助 AI 去重构自己的研究流程。
朋友的担心很有代表性：端到端生成出来的论文往往质量很差。它看上去有题目、有摘要、有结构、有文献回顾、有结论，但细节空、逻辑松、材料薄，甚至没有真正的问题意识。我感觉他的判断是对的。AI 目前还不能独立完成一篇真正合格的人文社科论文，也不能产出合格的数学论文。
但这不能推出「AI 不行」，只能说明使用方式不对。我们不应该期待 AI 像一个完整研究者那样独立完成所有步骤。更合理的做法，是把它当成一种新的研究基础设施，让它进入每个具体环节。
过去，计算器和计算机改变了数学、工程和科学研究。它们并没有让人类不再研究问题，而是让人类不必再把大量生命耗在繁复的初等计算上。AI 也类似。它不一定能替你提出最好的问题，但它能帮你更快尝试结构，更快整理材料，更快暴露漏洞，更快比较不同写法。
朋友用了一个很好的比喻：AI 像一匹马。有人骑上去，可以把马驾驭得很快；有人骑上去，只会被马带着乱跑。差别不只在马，也在骑手。研究者的训练、判断、学科素养和问题意识，决定了 AI 最后是帮你扩大能力，还是放大你的混乱。
所以，未来真正有竞争力的人，不是拒绝 AI 的人，也不是把一切交给 AI 的人，而是能把 AI 纳入自己工作流的人。他知道什么时候让 AI 生成，什么时候让 AI 检查，什么时候必须自己判断，什么时候必须回到原始材料，什么时候不能相信模型给出的漂亮答案。
八、最后留下来的，不是手工写作的优越感，而是人的责任
这次交流之后，朋友更确信了一件事：他使用 AI 辅助论文写作，并不是错的。真正的问题不是能不能用，而是怎么用，以及用到什么程度。他没有把 AI 当成替自己完成研究的代工厂，而是把它当成压缩材料处理、语言组织和初步论证的工具。他仍然要提出问题，判断材料，修正逻辑，承担文章最后的责任。
我也从这次交流里更清楚地理解了人文学科。以前我更习惯从数学的角度看研究：一个结论是否成立，一个证明是否可靠，一个结构是否接近真理。但在人文学科中，很多有价值的工作并不是把世界变成可验证的公式，而是把人的处境说清楚。它让一种模糊经验获得名字，让一个正在发生的社会变化变得可理解，让读者意识到自己身处其中。
或许我对数学的认知也能有所改变，更好的数学研究，不仅能让读者更接近真理世界，还能让人们普遍从中获益，而不是只让少数人看得懂。它也需要以人为中心。
AI 当然会继续变强。它会写得更像人，会更少编造文献，会更会模仿风格，会更擅长处理访谈、平台文本、统计数据和理论框架。很多今天看起来还需要人手工完成的环节，将来都会被半自动化。
但这不意味着人的退出。恰恰相反，当流程越来越便宜，人的责任会越来越集中。你不能再用「我很努力」来证明一篇文章有价值，因为努力本身会被工具稀释。你必须回答更尖锐的问题：这个问题值得写吗？这个材料可靠吗？这个解释推进了理解吗？这个结论由谁负责？
AI 真正逼出来的，正是这几个问题。
你到底看见了什么？
你为什么要把它写出来？
你愿意为这篇文章承担什么责任？