这几年我有个很深的感受：学术写作这件事，正在被AI静悄悄地重塑。前阵子我帮一本期刊做外审，收到一篇讨论算法伦理的投稿，结构工整、术语精准、论证链条严丝合缝，可我越读越觉得不对劲——每个段落都太“顺”了，那种训练有素的流畅感，几乎没有任何一个人类写作者会犯的犹豫、跑题或者别扭。我不是说它写得不好，而是它让我意识到一个我们这代人必须直面的问题：当AI已经深度嵌入学术生产流程，我们到底是在使用工具，还是在被工具的使用方式反向定义？“AI元人文”这个提法，就是在这样的背景下逐渐清晰起来的。它不是要给AI套上一个高大上的帽子，而是要追问：AI介入学术研究之后，我们该如何重新理解“研究”这件事本身，如何保持学术的自觉。这篇东西，我想把这个问题摊开来聊透。
1. 一个写作者的尴尬瞬间：当审稿意见开始出现“AI味”
先讲两个我实际遇到的小事。
第一件事。我在某核心期刊做外审，收到一篇关于数字人文的投稿。文章引用了大概四十篇文献，每一篇都格式规范、页码准确，看起来非常专业。但我顺手抽查了几篇，发现其中两篇的标题在知网上根本检索不到——不是标题记错了，是文献本身就不存在。作者很可能是用AI工具生成了参考文献，而AI在编造文献这件事上，至今仍然是个惯犯。更麻烦的是，这位作者自己可能完全不知道文献是假的，因为AI给他的回答看起来太可信了。
第二件事。我自己带的研究生，用AI跑了一版文献综述初稿，逻辑漂亮、结构清晰，几乎是教科书级的标准答案。但她在组会上汇报的时候，我问了一个作者原文里根本没提的问题，她愣住了。因为她只读了AI帮她提炼的摘要和核心观点，那些真正隐藏在原文语境里的细节、论证的缝隙、作者自己都没意识到的偏见，全部被AI的“信息压缩”过滤掉了。她不是在偷懒，她是真的以为那一版综述已经足够好了。
这两件事指向同一个问题：AI正在改变我们对“研究成果”的感知标准。当AI生成的内容在形式上越来越接近优秀论文，甚至比很多初学者写得更好，我们就会不自觉地用“AI标准”来衡量自己的研究——追求逻辑完美、结构工整、表述流畅，却慢慢忘记了学术生产的真正起点：对问题的困惑、对材料的反复咀嚼、对已有结论的怀疑。
我把这种现象叫作“学术感知的AI化”。它的危险不在于AI替你写了什么，而在于它悄悄改变了你认为什么才算“写得好”。
所以“AI元人文”的第一个含义，不是要我们去研究“AI的人文关怀”这种大词，而是要建立一种元层面的警觉：在AI介入知识生产的每个环节，我们都得问一句——这里发生了什么？我的判断力是在做研究，还是在被工具的输出习惯驯化？
2. “AI元人文”不是什么玄学：它正在重构学术生产的最底层逻辑
我知道“元人文”这词听起来有点玄。拆开说，它其实就是把AI放在“元”（meta）的位置上——把AI当作研究方法的方法、反思工具的工事。
传统学术生产链条可以简化成四个环节：发现问题、收集材料、分析论证、表达传播。AI对每个环节的介入深度是完全不一样的，带来的挑战也完全不同。
2.1 问题发现：AI能帮你找到题目，但找不到“你的”题目
我在帮学生选题时，最怕听到的一句话是：“老师，我用了AI帮我生成十个选题方向，您帮我挑一个。”AI在选题上的确高效——它能基于已有文献快速聚类出研究空白，甚至能预测某个方向的文献密度和热度。但这里有个根本性的错位：研究题目不只是一个待解决的认知问题，它还承载着研究者个人的知识结构、问题意识和学术关切。
我举一个实际的例子。有学生想研究“算法推荐对用户信息茧房的影响”，AI给他的建议是“基于公民信息素养的干预策略研究”，非常正确、非常合理，但完全没有个性——因为AI的选题逻辑是从已有文献的共性出发，它永远不会知道这位学生本科做过新闻传播学田野调查、硕士阶段关注过老年群体的媒介使用，也不会知道他家里有位天天刷短视频的长辈。而这些看似“不专业”的个人经验，恰恰是他能做出差异化研究的最大优势。
AI能生成“好题目”，但好题目不等于“属于你的题目”。我的建议是：让AI帮你找线索、列边界、排查重复，但最终的问题域，必须由你自己的学术直觉来锁定。这种直觉的培养没有捷径，就是大量的阅读和持续的追问。
2.2 材料收集：效率革命背后藏着“幻觉引用”的雷
AI在文献检索和材料整理上的能力，说实话，已经超过了十年前我刚读研时能想象的极限。你给它一个主题，它几分钟内就能给你一份按主题聚类的文献清单，还附带摘要和关键词。这要放在二十年前，得在图书馆泡好几天。
但效率的背面是风险的转移。AI生成参考文献时出现的“幻觉引用”（hallucinated citations）已经成了学术出版领域人尽皆知的坑。我之前提到的外审案例不是孤例，有几项针对学术论文引用准确率的实证研究显示，大语言模型生成的参考文献中，确有相当比例的条目根本不存在，或作者名字、年份、期刊名被篡改。
怎么防？我给你三条实操经验：
- 所有AI给出的文献条目，必须回到数据库中逐条核验。不要嫌麻烦，也不要被AI那种自信的语气带跑。我自己的习惯是建一个Excel表，左边是AI给的条目，右边是知网/WoS的实际检索结果，一一对照。
- AI适合做“线索发现”，不适合做“文献清单”。你真正要用的核心文献，得从你读过的论文的参考文献列表里顺藤摸瓜去找。这种引文网络式的追踪，AI目前替代不了，因为文献之间的亲缘关系是藏在行文逻辑里的，只有真人读得出来。
- 警惕“综述式幻觉”——AI在总结一篇文献时，经常会把相似主题的多篇文献观点混在一起，给你一个非常圆滑的综合摘要。这会导致你引用时张冠李戴。如果你对一个观点的归属没有把握，请一定去读原文，至少读摘要和结论。
2.3 分析论证：AI是高效的对话者，不是可靠的裁判
在我的研究实践中，AI用的最顺手的位置其实是“对话伙伴”——不是让它给我答案，而是让它质疑我的论点。
具体操作是这样的：我会把论文中自己觉得最薄弱的那一段论证单独拎出来，用几段话把逻辑结构写清楚，然后让AI扮演一个“专挑逻辑漏洞的审稿人”，要求它只攻击、不夸赞。它经常能指出我确实没注意到的跳跃：比如我把两个相关性当成因果性，或者在类比论证时忽略了边界条件。这些不一定能直接修复，但能帮我看见思维的盲区。
但你千万不能让AI当“裁判”——即用AI来评判你的研究是否成立、结论是否可靠。原因在于：AI的推理本质上是对人类文本的统计模拟。它能给你一个看起来很严谨的论证，是因为它的训练数据里充满了严谨的文本；但它没有能力判断这个论证在你的研究语境里是否真的成立。尤其在人文社科领域，一个论证的有效性高度依赖语境、立场和解释传统的约定，这些是统计模型根本抓不住的。
说白了：AI可以是一个犀利的对手辩手，但绝不能是法庭上的法官。
2.4 表达传播：当“学术腔”被AI标准化，我们的语言正在悄悄失去体温
最后说一个大家心知肚明但很少摆到台面上的问题：AI正在把学术写作变成一种“标准化工业品”。
不信你去看看那些用AI辅助写作的论文，你会发现它们的风格高度趋同：段首句一定是观点总起，段中一定是“一方面/另一方面”，论证推进一定用“因此”“然而”“值得注意的是”，结尾一定是“综上所述”。不是说这些句式不能用，而是当所有人都用同一套句式时，学术语言本身所承载的个性、风格、思考和温度就消失了。
我常跟学生说，学术写作不是“穿制服”。好的学术文本是有作者指纹的——有些人擅长用长句制造思辨的密度，有些人偏爱用生活化的类比说明抽象概念，有些人的行文中总带着一种克制的幽默感。这些风格差异不是可有可无的装饰，它们是思维方式的直接外化。当AI把所有文本磨平成同一副面孔，我们失去的不仅是风格，也是思考的多样性。
所以我的建议很朴素：AI可以用来润色语言、调整结构、甚至辅助翻译，但尽量不要让它“通篇重写”。你自己写的那个笨拙的初稿，可能有很多毛病，但至少它是你的文字，骨子里流着你的思维习惯。
3. 效率与失范的一体两面：学术不端的边界正在被AI重新定义
说句不太好听的实话：AI对学术伦理带来的冲击，远比很多人以为的更大。因为它不是让“照抄”变得更方便，而是让“不端”变得更容易被合理化——甚至变得无意识。
3.1 谁该为AI生成的内容署名？边界比你想的更模糊
去年我和几位同行私下聊过一个很实际的问题：如果在论文的致谢里明确写了“本文借助某AI工具进行了语言润色和结构优化”，这算不算学术不端？答案是：目前没有统一的规范。不同期刊、不同学科的态度差异很大，有的明确禁止，有的要求披露即可，有的干脆还没想好。
但署名的问题更麻烦。如果AI实质性地参与了文献梳理、数据分析甚至部分论证框架的搭建，作者是否披露？如果一篇论文的核心论证框架由AI生成，作者只做了局部修改和补充，这篇论文的“作者”到底是谁？这些问题至今没有共识，但现实中的使用已经全面铺开了。
我个人在数学和工程领域的同事中间做过小范围的调查，结果不太乐观：相当比例的人承认在日常科研中“广泛使用”AI辅助，但几乎没人知道所在机构对此有明确政策。这就是一个巨大的规范真空——不是大家不用，而是用的时候假装没看到那些刺眼的问题。
3.2 查重系统已经失灵，我们缺的不是“反AI”，而是“人的把关”
传统意义上的学术不端检测依赖查重，也就是文本相似度比对。但AI生成的内容在本质上是基于概率的重新组合，它可以轻松绕过任何基于表面文本的查重系统。更麻烦的是，如果你让AI用自己的话改写一篇论文，输出的文本和原文在表达上几乎完全不同，但思想和结构完全照搬——这算不算抄袭？理论上算，但技术上极难检测。
我不主张搞什么“AI文本检测神器”。这类工具目前的准确率并不高，而且误伤率惊人——我见过好几篇完全由人类书写的论文被判定为“疑似AI生成”，理由仅仅是“过于流畅”。真正可靠的办法只有一个：回归同行评议的本义，让审稿人认真读文章，而不是让机器给文本打分。
我在审稿时的做法是这样：拿到一篇稿子，我会先看它的“问题意识”是否真实——就是作者为什么觉得这个问题值得研究。AI写的文章在“论述”上往往完美，但在“追问”上总是很薄弱：它不会真的感到困惑，它只是在组织答案。真正的学术研究是从困惑开始的，而困惑是有刺的、有温度的、有个人痕迹的。当你开始读一个作者的真实困惑时，AI与人的差别会变得非常明显。
3.3 “学术自觉”不是道德说教，而是一套具体的自律机制
说了这么多风险，得给点建设性的东西。我觉得在AI时代谈学术自觉，不能只是喊口号——“我们要坚守学术底线”——没用。要落地，必须建立一套可操作的自律机制。我这里列几条自己一直在用的规则，供参考：
- 明确记录工具边界。凡是用AI做了检索、梳理、翻译、润色的部分，在论文完成后统一补记一个“工具说明”段落。不用等期刊要求，自己先做到透明。这不是给别人看的，是给自己建立使用的底线感。
- 关键论证必须“无AI痕迹”。我给自己定的规矩是：论文里最核心的论点、最重要的三段论证、最关键的结论，必须是脱离AI独立写出来的。因为你如果用AI帮你搭核心框架，你在深度上就已经被工具的天花板限制住了。
- 每用一次AI，反问自己三个问题：它给的答案我自己能解释吗？如果审稿人当面问我这个论点来自哪里，我能回答得清楚吗？如果AI从一开始就不存在，我还会这样思考吗？
- 同门互查。组会的时候，每个人都带上自己的“AI使用记录”，互相抽查核心段落有没有依赖AI的痕迹。这个方法在我们小圈子里效果很好，它不是监督，而是让每个人都意识到：AI的使用习惯是可以被讨论的，我们应该把这件事放在明面上，而不是藏起来。
4. 从个体自律到共同体自觉：中文学术生态的“元人文”考验
我为啥一直用“学术共同体”而不是“学术界”这个词？因为“界”只是边界，而“共同体”意味着共享规则、共担责任。AI时代的学术自觉，单靠个人修行是不够的，它必须在整个学术生产的生态层面发生回应和调整。
4.1 AI正在加剧学术生产的“马太效应”，但方向可能反了
过去我们谈马太效应，说的是资源向头部机构、头部学者聚集。AI的介入让这件事变得更有意思：理论上AI应该降低研究门槛，让那些资源不足的研究者也能享受高效的工具支持。事实却可能相反——真正能利用好AI做前沿研究的，仍然是有数据库访问权限、有计算资源、且受过严格方法训练的头部团队。
我认识几位做计算社会科学的年轻学者，他们能用AI完成大量文本的编码和分类，这确实缩短了研究周期。但在很多基层院校，老师和学生连稳定的API调用权限都不一定申请得到，更不要说搭建本地模型了。工具的鸿沟会叠加在原有的资源鸿沟上，让学术生产的差距更大，而不是更小。
这不是某个个体能解决的，但我们每个人至少可以做的事情是：在公开场合分享AI工具的使用教程和经验时，不要默认“大家都已经有账号了”“API配额对我不是问题”。把门槛说清楚，本身就是一种共同体关怀。
4.2 期刊、出版和评价体系的滞后：规则缺位比滥用更危险
我在前面提到期刊对AI使用的规定很不一致，这里再展开说一下。目前国际上一部分期刊已经开始要求作者披露AI使用情况，用的是比较宽泛的表述，比如“如果使用了AI辅助工具，请在方法部分说明”。但中文语境下的很多学术期刊——尤其是人文社科类——还没有形成系统的、可执行的披露规则。
这就带来了一个很糟糕的局面：规则缺位不会阻止AI使用，只会让AI使用变得更加隐蔽和不透明。那些老老实实披露的人反而可能被盯上，而那些闭口不提的人反而高枕无忧。这完全违背了学术伦理管理的初衷。
我的态度是：不急着出台“一刀切”禁令，但必须尽快建立“最低限度的披露共识”——也就是说，不管你怎么用AI，在哪一步用了，用了多少，都应当有一条最基本的底线规则：在论文中如实说明。披露不一定等于违规，但隐瞒必然损害学术诚信的根基。
这个过程中，负有评价功能的机构扮演着枢纽角色——学校评职称、学院评奖项、期刊做约稿函，如果能率先在各自环节加入“AI使用披露”的选项，后面的人就知道该怎么做了。
4.3 “AI元人文”最终要回答的是：在机器面前，什么是不能被替代的“人文学”
我得说清楚，“AI元人文”不是反对AI的保守立场。我从头到尾没有说大家别用AI——恰恰相反，我自己每天都在用AI做检索、翻译、润色、甚至寻找灵感。我真正想强调的是，AI的介入迫使我们必须重新回答一个本来被我们搁置很久的问题：人文学术的核心价值，到底是什么？
如果说知识生产的效率可以外包给AI，那剩下的——问题意识的形成、意义的阐释、价值的判断、伦理的权衡——恰恰是AI最不擅长的，也是人文研究最不该放弃的。这不是一句漂亮话，而是一个实际的方法论判断：只有当你把AI能做的事剥离出去之后，你才能看清自己作为研究者真正要面对的那些问题，那些没有标准答案、需要你用一生去完成的问题。
在给别人推荐AI工具这件事上，我这几年也踩过不少坑。最典型的是一次给入门者的培训，我一股脑介绍了十几个工具，结果对方回去之后完全不知道该用哪个，最后什么都试了一遍就放弃了。后来我调整了策略：只推荐两三个，而且一定配一个具体的使用场景，比如“用这一个去整理你手头那篇综述的文献标题”。工具本身不难，难的是让人在真实的研究场景里真正用起来。这就涉及到下一步——具体怎么做的问题。
5. 可落地的实践路线：把AI请进研究流程，但关上几扇门
前面谈了这么多关于“为什么”和“是什么”的东西，最后这节我来讲点实在的：在具体的研究流程中，如何既能享受到AI的红利，又能守住学术自觉的底线。我的建议不是“少用”，而是“分层用”——给AI划定明确的工作边界，同时给研究者自己划出不可让渡的自治领地。
5.1 给AI的来源分个“交通灯”:哪些环节放心用，哪些环节要谨慎
我自己的习惯是把AI的使用场景分成绿灯、黄灯、红灯三档：
- 绿灯区（放心用）：文献线索的初步检索、非核心术语的翻译、格式排版、语言的局部润色、数据清洗的辅助编码。这些环节出错率低、好修正、即便有问题也不会动摇研究根基。
- 黄灯区（谨慎用）：文献综述的初稿生成、研究方法的辅助设计、数据分析中间步骤的自动化。这些环节AI给出的结果有参考价值，但必须经过严格的“人审”，尤其是文献综述的初稿，只能当作草稿看，不能直接采信。
- 红灯区（绝不外包）：研究问题的最终确定、理论框架的搭建、核心论点的表达、结论的阐释。这些是研究的“灵魂”所在，一旦外包，你就等于把思考的自主权交给了统计模型。
这个分法不是学术规范，只是我个人的工作习惯，但对我是有效的。它能帮我把“用AI”变成一个有意识的决策过程，而不是顺手就开一个对话框。
5.2 一个可复用的“AI辅助研究”工作流模板
如果非要给一套在手把手层面可复用的工作流，我会推荐下面这个五步流程。它不复杂，每一环都留了“人的决策”接口。
第一步，定问题（人来做）。用你自己的知识积累和对领域的感觉，先写下3-5个感兴趣的问题。这时候不要去开AI，让问题先属于你。
第二步，找线索（人机协同）。把这些问题输入AI，让它给你提供：可能的文献线索、主要的研究机构和学者、常见的方法路径。这个过程的核心不是索取答案，而是获取线索地图。
第三步，做综述（人为主，AI为辅）。重点文献必须自己读，建议读的时候在笔记本上记下你自己的评论——“这里论证不够有力”“这里和我的问题相关但还差一步”“这里可能是个方法论误区”。然后让AI帮你做一份“主题聚类笔记”，把散落的想法整理成结构。注意是整理你的想法，不是让AI生成新的综述。
第四步，写论证（独立完成）。核心章节、核心论点、最终结论，全部自己写。写的时候别开AI，让它安静地待在另一个窗口。这是红灯区，必须留给自己。
第五步，检验与打磨（AI作为挑战者）。写完初稿后，让AI扮演审稿人、扮演反对者、扮演“对该领域不熟悉但对逻辑敏感的普通读者”，对文章进行挑刺。你根据它的提问逐一回复或修改，但要保持警惕：AI的批评不一定对，你必须有能力判断哪些意见是中肯的，哪些是“看起来有道理但偏离语境”的。
5.3 我们还缺一个“可公开讨论AI使用习惯”的文化氛围
最后我想说的是，技术问题最终都会变成文化问题。现在圈子里对“用AI写论文”这件事，存在一种隐秘的耻感——大家背地里都用，但谁都不愿意公开承认，更不愿意公开讨论具体怎么用、在哪一步用、用到了什么程度。这种讳莫如深对学术生态的伤害，甚至比滥用更大。
我特别想看到更多这样的公开讨论：有人站出来说“我用AI做了文献梳理，但核心框架是自己搭的”，有人坦诚分享“我让AI写过一段引言，改了三遍，最后只用了一句”，也有人坦白“我一开始让AI帮我写了整段综述，后来发现里面全是幻觉引用，花了三周才全部剔干净”。这些真实的、具体的经验，比任何道德宣示都有用。
正因如此，我才会在一篇篇看似偏思想性的文章里，坚持给出这种可落地的细节和案例。因为我相信，“AI元人文”这个命题要真正从口号变成行动，靠的不是再多喊两句“我们要保持学术自觉”，而是每个研究者都愿意在具体的研究环节里，一次次地追问：这一步，AI可以做，但应该由它做吗？我让AI做了这一步之后，我自己的判断力是更敏锐了，还是更迟钝了？这个追问本身，就是自觉的开始。
说到底，技术工具永远只是放大器——它放大你的效率，也放大你的惰性；放大你的探索能力，也放大你对现成答案的依赖。能不能让AI成为学术研究的催化剂而不是替代品，取决于你我在每一次使用它的当下，有没有保留那一点点“自己来决定”的执拗。我的体会是，保住这一点执拗，研究的路才能越走越宽；丢了这一点执拗，工具再强大，也只是替别人打工的手。