人工智能常被描述為可以為學者節省時間。它可以快速草擬、摘要、編碼、格式化、搜尋、翻譯和整理資料。

但更困難的制度問題是:當人工智能節省了時間,誰真正取回了這些時間?在不少學術環境中,效率提升往往被吸收為更高的產出期望,而不是變成受保護的深度思考時間。

加速的問題

學術職涯本來已圍繞可見產出運作:論文、研究資助、學生完成、服務、教學創新、影響和協作。當工具令其中一部分工作變快,制度很少因此降低工作量,反而通常會提高節奏。

人工智能不會例外。能更快草擬的研究者,可能很快會發現快速草擬變成基本假設。導師可能期待更快修改,團隊可能期待更廣泛搜尋,委員會可能期待更短時間內有更完整文件。

瓶頸變成判斷

如果人工智能承擔更多執行工作,剩下的工作不一定更容易,反而更困難。真正的瓶頸變成方向:哪個問題值得問、哪個結果重要、哪個設計能測試真正的問題、哪個論點是自己的而不只是流暢。

這些不是機械任務,而是需要領域知識、判斷、品味和問責。

專家獲得槓桿,初學者可能失去發展

對專家而言,人工智能可以像認知外骨骼。專家已經知道領域、標準和好作品的形狀,因此能拒絕流暢但空洞的答案,並把人工智能用來放大思考。

對初學者而言,同一工具可能成為陷阱。如果人工智能產生研究問題、理論摘要、導師會議回應或委員會答辯,而學習者不能為它們辯護,學術工作的表面會先於真正發展出現。危險是過早流暢。

成品從來不是全部目的

論文、文章、作業或計劃書都是成品。它們重要,但一直也是過程的證據。更深層的目的,是培養一個能作決定、解釋決定、修正決定並承擔決定的人。

因此,口試式提問、導師討論和計劃書審查仍然重要。它們要求研究者解釋為何這樣界定問題、考慮並排除了甚麼,以及現在會如何修改。

問決定,不只問提示語

許多人工智能討論集中在提示語。這有用,但不完整。更重要的是決策層次。

  • 為何在那一刻問這個問題?
  • 如何處理回應?
  • 核實或拒絕了甚麼?
  • 暴露了甚麼資料,又能否交代資料流向?
  • 能否為最終論點辯護?

兩個負責任使用的問題

對研究訓練而言,兩個問題很有用:這樣使用人工智能是否正在建立我作為研究者的能力?我能否為塑造這份工作的決定辯護?如果兩者都成立,人工智能較可能支援學術成長;如果其中一項失敗,即使沒有違反明文規則,也值得重新考慮。