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

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

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

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

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。

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？

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？

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

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

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。