> ## Content Index
> Fetch the complete content index at: https://eponews.com/llms.txt
> Use this file to discover other available public pages before exploring further.

# 研究发现：用AI生成博士论文的毕业生更少留在学术界
- URL: https://eponews.com/yan-jiu-fa-xian-yong-aisheng-cheng-bo-shi-lun-wen-de-bi-ye-sheng-geng-shao-liu-zai-xue-zhu-jie/
- Published: 2026-10-17T00:16:43.000Z
- Updated: 2026-10-17T00:16:43.000Z
- Description: 一项覆盖22.6万余名美国理工科博士毕业生的研究发现，2026年前五个月，近三成博士论文摘要被检测出人工智能生成文本。更引人关注的是，使用AI的毕业生更可能进入企业，而不是留在大学任职。这究竟意味着AI正在削弱科研训练，还是新一代博士正在重新选择自己的职业道路？
- Author: 沈知远
- Tags: 教育, 人工智能, ChatGPT, 博士教育, NBER, AI写作, 学术诚信, 科研人才, 美国大学, STEM, 博士论文, 国际留学生

一篇博士论文，通常是一名年轻研究人员数年工作的最终成果。

在这段漫长的训练中，博士生需要提出问题、阅读文献、设计研究、分析结果，并最终将自己的发现写成一部能够接受同行审查的学术作品。

论文写作从来不只是把研究结果整理成文字。

对于许多科学家来说，写作本身就是思考的一部分。一个模糊的概念，往往只有在被准确表述时，研究者才会发现自己是否真正理解了它。

但生成式人工智能正在改变这一过程。

如今，一名博士生可以将研究结果交给AI，让它帮助整理摘要、修改语言、组织段落，甚至生成一份看起来符合学术规范的初稿。

问题是，当越来越多博士生开始这样工作，博士教育究竟会发生什么变化？

10月16日，国际科学期刊《自然》（Nature）发表一篇报道，介绍美国国家经济研究局（NBER）的一项最新工作论文。

研究团队分析了2019年1月至2026年5月期间，美国大学超过22.6万名科学、技术、工程和数学（STEM）领域博士毕业生的学位论文摘要。

结果发现，2026年前五个月提交的论文中，约29.4%的摘要被AI检测工具判定含有生成式人工智能撰写的文本。

研究还发现，在部分博士毕业生群体中，论文摘要被识别出AI生成文本的人，毕业后更可能进入企业工作，而不是留在学术界。

这项发现迅速触及了高等教育中的一个敏感问题：

当AI开始参与博士论文写作，我们究竟是在培养更高效的研究人员，还是正在改变科学家形成独立思考能力的方式？

## 七年间，博士论文中的AI痕迹迅速增加

研究团队使用AI文本检测工具Pangram，对美国博士论文数据库中的摘要进行分析。

研究范围涵盖22.6万余名STEM博士毕业生，时间跨度从2019年初延续到2026年5月。

其中最明显的变化，发生在生成式人工智能开始普及之后。

2023年，被识别为AI生成的博士论文摘要占比约为1.7%。

到2025年，这一比例上升至18.8%。

2026年前五个月，比例进一步达到29.4%。

**美国STEM博士论文摘要中被检测出AI生成文本的比例**

![](https://storage.ghost.io/c/7a/e9/7ae90ae4-a352-4f5a-b807-a898da1c53dc/content/images/2026/10/chart-bar-1.png)

这些数字说明，AI辅助学术写作已经从少数人的尝试，迅速变成美国博士教育中不可忽视的现象。

不过，必须明确研究方法的局限。

研究人员并没有逐一询问22.6万名博士毕业生，是否使用过ChatGPT或其他生成式AI。

他们也没有直接检查博士论文的完整写作过程。

研究团队使用的是文本检测工具，根据论文摘要的语言特征，判断其是否可能由AI生成。

研究将摘要分为AI生成和非AI生成两类，并没有进一步区分是整篇摘要由AI撰写，还是只有部分内容使用了AI。

研究作者之一、经济学家丹尼尔·格罗斯（Daniel Gross）表示，在被工具标记为AI生成的摘要中，约90%被Pangram归类为完全由AI生成。

但这仍然属于算法检测结果，而非对每一篇论文写作过程的直接证实。

AI文本检测可能出现误判，也可能遗漏经过人工大量修改的AI文本。

因此，29.4%更准确的含义是：约29.4%的论文摘要被所使用的检测工具识别出AI生成文本特征，而不是已经证实近三成博士论文由AI代写。

两者之间存在重要区别。

## 数学和计算机科学，AI使用比例最高

![Graduate School of Arts and Sciences | Fordham Graduate School of Arts and Sciences](https://images.openai.com/static-rsc-4/n402r5OP6_NtylK91XEP5JWsivX6jqmuAJ8iDUa19eGzd-DD9H31M7Vu53e5cZSkf0PiFjjV1BMRU6_EKNx2rDXpH6jpDFpwvRA9Dm2i0nkwgZHKfuRqAa9lWXX3sF3JMlOU3CayIaBgCPz4nU_UdfoSlZz_eQohCa1GCb9_3FE?purpose=inline)

研究团队还发现，不同学科之间存在明显差异。

在数学和计算机科学领域，约36%的博士论文摘要被识别出AI生成文本。

这一比例高于STEM学科的整体水平。

从某种程度上说，这并不令人意外。

计算机科学研究人员通常更早接触大型语言模型，也更熟悉AI工具的能力与局限。

他们可能使用AI帮助编写代码、检查程序错误、整理研究文献，或者改善论文的语言表达。

对于数学研究者，AI也开始被用于探索证明思路、验证部分推理步骤和辅助形式化表达。

但这些应用之间存在本质区别。

让AI帮助修改一段英文摘要，并不等于让AI完成数学证明。

使用AI检查代码，也不意味着研究者没有理解程序背后的算法。

同样，一篇摘要没有被检测出AI生成文本，也不代表作者在研究过程中完全没有使用人工智能。

研究所衡量的，主要是最终摘要中的文本特征。

它并不能完整反映AI参与科学研究的深度和方式。

因此，数学和计算机科学领域的较高比例，既可能反映这些学科更容易接受AI工具，也可能与研究人员的写作习惯和工具使用方式有关。

不能简单将其解释为这些学科的博士生更加依赖AI，或者学术训练质量正在下降。

## 非英语国家背景的博士生，更倾向于使用AI

![Postdoctorate scholar working on research in a library.](https://images.openai.com/static-rsc-4/prXtBqbrhug_bGx_iw2XfIU4cLCbwmd_MfG34rCOzb8ccMTVNshtwtI8K2yyxcFotrKHqmSdj7VwHrolHbBh7MWu_a1s9iFCvZD093ha7B0daRRdBuKpZan97CzueV0aoJzIreUcgPqfWPD73TNldwFcach6U6iO7Sqb_BHJFHs?purpose=inline)

研究中另一项值得注意的发现，与博士毕业生的教育背景有关。

在本科阶段接受教育的国家以非英语为主要语言的毕业生中，约41%的博士论文摘要被检测出AI生成文本。

相比之下，本科阶段在英语国家接受教育的毕业生，这一比例约为23%。

**不同教育背景的博士毕业生**

![](https://storage.ghost.io/c/7a/e9/7ae90ae4-a352-4f5a-b807-a898da1c53dc/content/images/2026/10/chart-bar--1--1.png)

比较的是本科教育所在地的语言环境，不是博士毕业生的国籍或母语。

这一差异，可能与学术英语写作的门槛有关。

在国际科研体系中，英语已经成为最主要的学术交流语言。

对于来自中国、日本、韩国、德国、法国或其他非英语国家的研究人员来说，能够熟练使用英语，并不意味着能够轻松写出符合国际期刊标准的学术文章。

博士生可能花费大量时间修改语法、调整句子结构，或者寻找更准确的专业表达。

生成式AI恰好擅长处理这些工作。

一名中国博士生可能已经独立完成实验、数据分析和理论推导，却仍然需要反复修改英文摘要。

如果AI能够帮助他把研究成果更清楚地表达出来，这未必意味着他的科研能力较弱。

相反，它可能减少语言背景带来的不平等，让研究人员把更多精力投入科学问题本身。

不过，这只是对研究结果的一种合理解释。

现有数据并不能证明语言困难就是两组毕业生使用AI比例不同的主要原因。

不同群体还可能在学科分布、学校、AI工具使用习惯和职业规划方面存在差异。

研究也没有证明这些被检测出的AI文本全部用于语言润色。

这正是讨论AI与教育时需要避免的一个陷阱：把工具使用的差异，直接解释成能力差异。

## 使用AI写论文的博士，为什么更少留在大学？

这才是研究最引人关注的部分。

研究团队不仅分析论文摘要，还通过职业社交平台LinkedIn，追踪部分博士毕业生的教育经历和就业去向。

他们发现，在本科阶段于美国接受教育的博士毕业生中，论文摘要被识别出AI生成文本的人，进入学术界工作的可能性相对低17%。

与此同时，他们进入产业界工作的可能性相对高16%。

这里的17%和16%是相对差异，不是相差17或16个百分点。

例如，如果某个群体进入学术界的基准概率为30%，相对降低17%，对应的概率大约为24.9%，而不是13%。

更重要的是，这些结果反映的是统计关联。

研究没有证明使用AI导致博士毕业生离开学术界。

![China’s Biotech Inflection Point: Fast Follower to Strategic Force](https://images.openai.com/static-rsc-4/crluOavLFGME15ZRKk54NsljoL3Jo-HtfiM34BEFV5bP_xQFCTFXp3hkHU6WbBJaTHhGeM9vNrT1YZFnQH1u7miR6oqzMuqfKPW5zrorFDaVbhtbHJT5VKpI4LvJ3fvgF2cAL0t3Yj38pgWyYr1bYBuQwMsQfCvTVbW-p3Hruk0?purpose=inline)

事实上，可能存在多种解释。

首先，原本就希望进入企业工作的博士生，可能更愿意使用AI工具。

在科技公司，人工智能已经成为许多岗位的日常生产工具。

从编写代码到整理技术文档，从数据分析到项目管理，AI的使用能力正在成为一种新的职业技能。

一名计划进入人工智能企业或软件公司的博士生，可能更积极地尝试AI。

而希望留在大学从事基础研究的博士生，则可能对学术写作中的AI使用更加谨慎。

其次，不同学科的就业市场本来就不同。

计算机科学和部分工程学博士毕业生，拥有更多高薪产业岗位选择。

基础数学、理论物理或其他领域的博士生，则可能具有不同的职业发展路径。

如果AI使用比例较高的学科，恰好也是产业就业机会较多的学科，那么两者之间就可能出现关联。

此外，毕业生的个人偏好、学校声誉、研究方向以及当地就业市场，也都可能影响最终去向。

研究团队在分析中试图理解这些关系，但观察性数据仍然无法完全排除所有潜在因素。

尤其值得注意的是，在本科阶段于美国以外地区接受教育的博士毕业生中，AI使用与进入学术界之间的关联没有那么明显。

这说明，同样的AI使用行为，在不同背景的研究人员群体中，并不一定对应相同的职业结果。

因此，把这项研究概括成“使用AI写博士论文的人不适合做科学家”，显然超出了证据所能支持的范围。

## AI是否正在削弱博士生的独立思考能力？

![Exploring the Human Side of Math | Dordt University](https://images.openai.com/static-rsc-4/2NYj8oDnD6t-gYxjqiQyUJorzKPZS99ubYGjEQuHl_J8KA2n-35XCSxEbloX1Rfk0b0nCx1YgjoMmZ6i-zxbZrktH6-Q5K9HlGge91V3gZRHjVALUTRfV_qaTgatiMG0Ls31rqzNPgs5o6QEbPJ9vq5GHJULb0FkFx8JBwfziKc?purpose=inline)

尽管如此，研究仍然提出了一个值得严肃讨论的问题。

博士教育的目的，究竟是什么？

如果只是为了完成一份符合格式要求的研究报告，那么AI能够显著提高效率。

它可以帮助研究者整理文献、润色文字、生成程序、总结实验结果，甚至提出可能的研究方向。

但博士训练的价值，并不只是生产一篇论文。

它还在于培养研究者面对未知问题时的判断能力。

科学研究与完成一份标准化作业不同。

在真正的研究前沿，答案往往并不存在于任何一本教科书或已发表的论文中。

研究者需要判断一个问题是否重要，识别已有方法的局限，设计新的实验，并理解为什么某种结果与预期不同。

这些能力很难仅靠生成流畅的文字来衡量。

《自然》采访的澳大利亚新南威尔士大学工程学者刘昂（Ang Liu）指出，AI在已有大量知识积累的领域能够发挥很大作用，但当研究进入知识不完整、不确定性很高的领域时，严格的科研训练仍然格外重要。

这种担忧并非没有道理。

如果一名博士生每次遇到困难，都立即要求AI给出答案，他可能失去反复推敲、独立验证和发现错误的训练机会。

如果AI替他完成文献综述，他也可能错过理解某个研究领域如何形成的过程。

但另一方面，如果AI承担的是重复性工作，让博士生能够把更多时间用于设计实验和提出原创问题，那么它也可能提高科研训练的质量。

真正重要的区别，不是使用AI与否，而是研究者把哪些工作交给了AI。

让AI修改语法，与让AI代替自己解释实验结果，并不是一回事。

让AI帮助检查代码，与不加验证地接受AI生成的结论，也不是一回事。

博士教育需要建立的，可能不是一套简单的禁用规则，而是一种更清晰的责任边界。

研究人员可以使用工具，但必须理解并能够独立解释自己的研究。

## 一篇博士论文，还能证明一个人具备科研能力吗？

![Defensa de la tesis “Infraestructura de datos abiertos basada en tecnologías semánticas para la gestión inteligente de incidencias de tráfico en carretera y variables meteorológicas”](https://images.openai.com/static-rsc-4/JDI1HjckPkeGbwQE-0MA7PQecodS1s8ckWcMAvPEOWHPYRmT-_Gy_5u5HIsBDHxfYhTnPBhSPb6g_mxzHbCWcz6Db9EjWDpYvx01rAxGOQYFA89z9tWkgQ7FeQQxU1mouKRkbs18AuAQEpz1frwRDb2xHewQIBr_b7_p65cE-Vg?purpose=inline)

生成式AI普及之前，博士论文已经不是衡量研究能力的唯一标准。

博士培养通常还包括课程训练、资格考试、实验室工作、学术报告、论文发表，以及最终的学位答辩。

这些环节共同帮助大学判断，一个学生是否具备独立开展研究的能力。

AI的出现，使这种综合评价变得更加重要。

如果论文中的语言越来越容易由机器生成，那么一篇文字流畅、结构完整的论文，就不一定能够充分证明作者具有相应的研究能力。

大学可能需要更加关注研究过程。

例如，博士生能否解释为什么选择某种研究方法？

能否说明实验中的异常结果？

能否在没有AI帮助的情况下，回答导师提出的关键问题？

能否判断AI给出的解释是否错误？

这些能力比一段摘要是否使用了AI润色，更接近博士教育的核心。

与此同时，大学也需要避免过度依赖AI文本检测工具。

生成式AI与人类写作之间，并不存在永远清晰的语言边界。

一篇由研究人员独立撰写、但经过AI修改的摘要，可能被识别为AI生成。

一篇主要由AI起草、经过大量人工修改的文本，也可能逃过检测。

如果学校仅凭算法评分就认定学生存在学术不端，可能造成严重的不公平。

合理的制度应该要求研究者透明说明AI在研究与写作中承担的角色，并对研究结果的准确性负责。

是否构成学术不端，则需要结合具体行为、学校政策和其他证据判断。

## 产业界与学术界，正在形成不同的AI文化

![Devin AI Deployment: Infosys Ushers in Agentic Engineering Era - AI CERTs News](https://images.openai.com/static-rsc-4/LoPESD9fyzECs3W89bODZ7XwOeJC7gJLPZiehXiKWMfri5hnE-tb4LC2ojvwu_MuX9amZ0jxyppzmRfqrsEQicyLIwesw_AsdjV314FLl5dT7zPI_9Ul8jbT6qSoSc5efBI3lpLfUO_yrQnOksGxFPZn0HPYFJ4GS7I85GG7tR0?purpose=inline)

这项研究还有一个值得关注的角度。

AI可能正在扩大大学与企业之间原本就存在的工作文化差异。

在许多科技企业，生产效率、项目进度和产品交付是重要的绩效指标。

如果一项工具能够帮助工程师更快完成代码、分析数据或撰写报告，企业往往有较强动力推广它。

学术研究则需要同时考虑效率、原创性、可重复性和学术诚信。

研究人员不仅需要得到结果，还需要证明结果如何产生，以及为什么可信。

这并不意味着企业不重视严谨性，也不意味着大学不需要提高效率。

但两类机构对AI工具的接受方式，可能确实不同。

一名博士毕业生如果已经习惯将AI融入日常工作，可能更容易适应某些企业岗位。

另一方面，一名希望从事基础科学研究的博士生，可能更加重视独立推导和对研究细节的全面掌握。

不过，目前还没有足够证据证明，AI使用本身正在推动博士毕业生从大学流向企业。

研究发现的关联，也可能反映年轻研究人员原本就存在的职业选择。

这项研究更像是一张关于学术文化变化的早期照片，而不是对未来科研人才流向的最终预测。

## 对中国博士生来说，AI可能是一把双刃剑

中国是全球重要的STEM人才培养国家，也是美国国际博士生的重要来源之一。

对于在美国攻读博士的中国学生来说，生成式AI的普及可能同时带来机会和风险。

机会在于，它能够降低学术英语写作门槛。

过去，一名研究能力出色但英语写作经验有限的学生，可能需要花费大量时间反复修改论文。

现在，AI可以帮助改善语言表达，让研究者更加专注于研究内容。

AI还可以辅助程序开发、文献整理和数据处理。

但风险同样存在。

如果学生过度依赖AI生成研究解释，可能削弱自己对实验结果的理解。

如果AI生成了不存在的参考文献、错误的公式或不准确的科学结论，而作者没有仔细核实，也可能损害论文的可信度。

此外，不同大学和期刊对于AI使用披露的要求并不一致。

国际学生尤其需要了解所在学校、研究机构及目标期刊的具体规定。

这项研究中，非英语国家本科背景毕业生的AI文本检出比例较高，并不能直接代表中国学生的使用比例。

但它提示了一个值得进一步研究的方向：生成式AI是否正在改变国际科研体系中的语言不平等？

如果AI让更多非英语背景的研究者能够清楚表达自己的科学发现，这可能是一项重要的积极变化。

前提是，语言便利不能取代对研究真实性和准确性的要求。

## 这项研究本身，也需要接受检验

尽管数据规模庞大，这项研究仍有明显局限。

首先，它目前是一篇尚未经过同行评审的工作论文。

美国国家经济研究局发布工作论文，是为了促进学术讨论，并不意味着研究结论已经通过正式期刊的同行评审。

其次，研究使用的是AI文本检测工具，而不是学生自报的AI使用记录。

因此，它无法完整识别博士生究竟使用了哪些AI工具、使用频率如何，以及AI参与了哪些研究环节。

第三，研究主要分析论文摘要。

一篇博士论文可能长达数百页，摘要只占其中很小一部分。

摘要中的AI生成文本特征，并不能直接代表整篇论文的写作方式。

第四，研究中的就业信息来自LinkedIn等公开职业资料。

这类数据可能存在信息更新不及时、部分毕业生未填写职业经历，以及不同人群使用平台习惯不同等问题。

最后，也是最重要的一点：观察到AI使用与职业去向之间存在关联，不代表两者之间已经建立因果关系。

要回答AI是否真正影响博士生的科研能力和职业选择，还需要进一步研究。

例如，长期追踪博士生的AI使用方式、独立研究能力、学术成果，以及毕业后的职业发展。

只有这样，才能判断AI究竟改变了什么。

## 博士教育真正面临的，不是学生会不会使用AI

![Shot of a young scientist solving equations on a glass screen in a lab](https://images.openai.com/static-rsc-4/gV8P-1ebytcDLGLuqWRJDlPkOpr76JRQbNErhK_7iedBs8F5-UCqSZJfCtv5mnjlT2mQdGxG5-xc3Jmy1OoF97SuVKJ8PfMyIgYQrSWzFnOBNwvuAox_gxFkHdo7Dcz97Z98rZW8sU1jRhkFrs1DUKJxi-1F9DmCifrZGq_Rr9FkIjUW3oboZdcWXqbaxvpg?purpose=inline)

对于今天的博士生来说，完全不接触生成式AI，正在变得越来越困难。

人工智能已经进入搜索引擎、编程软件、文献管理工具和办公系统。

即使大学希望限制AI在论文写作中的使用，也很难将它与研究者的日常工作彻底分开。

问题因此不再只是如何防止学生使用AI。

而是大学应该如何重新定义科研训练。

过去，一名优秀博士生需要能够独立阅读大量文献，掌握研究方法，并完成复杂的学术写作。

未来，这些能力仍然重要，但可能还需要增加新的要求。

研究者必须知道什么时候可以信任AI，什么时候应该怀疑它。

必须能够识别看似合理却缺乏证据的结论。

也必须在AI提供多个答案时，独立判断哪一个值得进一步研究。

最重要的是，他仍然需要有能力提出AI无法替他决定的问题。

一项真正有价值的科学发现，往往始于研究者对既有解释的不满足。

它可能来自一次失败的实验，一组无法解释的数据，或者一个与主流理论不一致的观察。

AI可以帮助整理已有知识，但科学研究仍然需要有人决定，哪些未知值得探索。

NBER这项研究表明，生成式AI正在快速进入美国博士教育。

它也发现，论文摘要中出现AI生成文本的毕业生，在部分群体中更倾向于进入产业界。

但这些数字还不足以说明，AI正在制造一代科研能力不足的博士。

同样，它们也不足以证明，AI已经让博士生变得更加优秀。

真正值得担心的，不是博士论文里出现了多少AI写出的句子，而是当AI写完这些句子之后，研究者是否仍然理解自己所写的一切。

博士学位的价值，最终不应取决于一个人能否独自写出几百页文字。

而应取决于他是否有能力，在没有现成答案的地方，提出问题、寻找证据，并作出值得信赖的判断。

这项能力，才是博士教育最不应该交给机器的部分。