人工智能常被描述为可以为学者节省时间。它可以快速草拟、摘要、编码、格式化、搜索、翻译和整理资料。

但更困难的制度问题是:当人工智能节省了时间,谁真正取回了这些时间?在不少学术环境中,效率提升往往被吸收为更高的产出期望,而不是变成受保护的深度思考时间。

加速的问题

学术职业本来已围绕可见产出运作:论文、研究资助、学生完成、服务、教学创新、影响和协作。当工具令其中一部分工作变快,制度很少因此降低工作量,反而通常会提高节奏。

人工智能不会例外。能更快草拟的研究者,可能很快会发现快速草拟变成基本假设。导师可能期待更快修改,团队可能期待更广泛搜索,委员会可能期待更短时间内有更完整文件。

瓶颈变成判断

如果人工智能承担更多执行工作,剩下的工作不一定更容易,反而更困难。真正的瓶颈变成方向:哪个问题值得问、哪个结果重要、哪个设计能测试真正的问题、哪个论点是自己的而不只是流畅。

这些不是机械任务,而是需要领域知识、判断、品味和问责。

专家获得杠杆,初学者可能失去发展

对专家而言,人工智能可以像认知外骨骼。专家已经知道领域、标准和好作品的形状,因此能拒绝流畅但空洞的答案,并把人工智能用来放大思考。

对初学者而言,同一工具可能成为陷阱。如果人工智能产生研究问题、理论摘要、导师会议回应或委员会答辩,而学习者不能为它们辩护,学术工作的表面会先于真正发展出现。危险是过早流畅。

成品从来不是全部目的

论文、文章、作业或计划书都是成品。它们重要,但一直也是过程的证据。更深层的目的,是培养一个能作决定、解释决定、修正决定并承担决定的人。

因此,口试式提问、导师讨论和计划书审查仍然重要。它们要求研究者解释为何这样界定问题、考虑并排除了什么,以及现在会如何修改。

问决定,不只问提示词

许多人工智能讨论集中在提示词。这有用,但不完整。更重要的是决策层次。

  • 为何在那一刻问这个问题?
  • 如何处理回应?
  • 核实或拒绝了什么?
  • 暴露了什么资料,又能否交代资料流向?
  • 能否为最终论点辩护?

两个负责任使用的问题

对研究训练而言,两个问题很有用:这样使用人工智能是否正在建立我作为研究者的能力?我能否为塑造这份工作的决定辩护?如果两者都成立,人工智能较可能支持学术成长;如果其中一项失败,即使没有违反明文规则,也值得重新考虑。