本文来自微信公众号： 生态学时空 ，作者：复旦赵斌，原文标题：《传统博士培养模式，还适用于AI时代吗？ | 一起读顶刊 | 人工智能》
想象一下：你花3个月查文献、整理数据，才写出半篇博士论文的文献综述；而你的同学打开AI，输入一句帮我梳理极端海洋温度对海洋物种影响的研究进展，2小时后拿到了结构完整、引用准确的综述初稿。更夸张的是，AI还帮他整合了全球海洋数据库、跑完了复杂的统计模型，甚至草拟了论文框架——原本要半年完成的工作，现在一天就能搞定。
当ChatGPT、Claude这类AI能写代码、提假设、做分析，甚至主动设计研究流程时，我们不得不面对一个颠覆性问题：传统博士培养模式，真的还适用于AI时代吗？
一、一个事实：博士培训的核心正在被AI改写
在AI出现前，博士教育有个清晰的定位——学术训练的巅峰关卡。你需要靠自己完成从找问题到写论文的全流程：泡图书馆查文献、在实验室蹲数据、对着电脑跑模型、逐字打磨论文……这个过程的核心目标，是培养原创思维和独立探究能力——毕竟，能独立解决一个未知的科学问题，才配得上博士头衔。
但AI正在撕碎这个全流程自主的逻辑。现在的AI早已不是帮你打字的工具：
它能写文献综述，甚至比你更全面（ChatGPT、Claude能整合数千篇文献，识别研究空白）；
它能编代码、跑分析，经人类验证后就能处理真实数据（比如处理海洋温度与物种数量的关联模型）；
更先进的智能体AI（比如文中虚构的HALe），还能自己定小目标、协调任务——比如主动检索数据库、推荐论文评审人，甚至建开放数据仓库。
研究者做过一个极端模拟：用AI辅助完成某个博士项目。结果显示，原本需要数月的工作（文献梳理、数据整合、论文撰写），在AI辅助下仅需几小时就完成了。这意味着，传统博士流程中70%以上的执行性工作，AI都能接手或加速——这不是提高效率，而是直接重构了科研该怎么做。
当然，AI也有短板：像需要采集样本的实验室研究、要去野外观察的生态项目，暂时还难被完全自动化。但即便如此，AI也能帮你设计实验方案、自动记录数据、分析实验结果——它正在渗透科研的每个环节，而非只做边角料工作。
二、一个矛盾困境：判断AI对错，需要AI要取代的技能
AI的高效带来了一个更棘手的问题：当AI能完成大部分硬活，博士生的核心价值是什么？答案藏在一个看似矛盾的需求里——你需要用AI正在取代的技能，去判断AI的对错。
比如，AI帮你跑了一组海洋温度与珊瑚死亡率的数据分析，输出结果是温度每升1℃，死亡率增20%。这个结果看起来合理，但你需要知道：AI用的数据集是不是有偏差？统计方法有没有忽略关键变量（比如洋流、污染物）？这些判断能力，恰恰是传统博士培训中强调的数据分析能力、批判性思维——而这些能力，正是AI试图接管的。
这就是AI时代博士培训的核心转向：
传统技能（如手动做数据分析、逐篇啃文献）可能从核心退为基础；
新核心技能变成三件事：
批判AI输出：识别AI生成的看似合理但错误的内容（比如AI编造不存在的文献引用，或用错统计模型）；
主导研究方向：从执行流程转向提出好问题——比如AI能帮你分析数据，但为什么要研究这个温度区间、这个结论对保护珊瑚有什么用，需要人类来定；
监督自动化流程：AI做数据整合时，你要确保它没遗漏关键数据；AI写论文时，你要把控研究的原创视角，而不是让AI套模板。
举个真实的例子：某高校博士生用AI生成了一段代码处理生态数据，AI看似运行正常，但博士生发现代码忽略了数据采集时间的季节性差异——如果没这个判断，整个分析结果都会出错。这说明，AI时代的博士，更像科研项目经理，而非手动劳动者。
三、博士培训要怎么改？从熬时长到练核心
面对AI的冲击，高校已经开始行动，但很多做法还停留在补漏洞（比如要求披露AI使用、限制AI写论文），真正的变革需要触及培训的底层设计——这也是未来博士教育的三个重要方向：
1.评估方式：从看论文到看能力
以前，一篇写得漂亮的博士论文，往往能掩盖学生对知识的肤浅理解；未来，口头答辩、现场解题、反思决策可能比书面论文更重要。比如：
答辩时，导师不再问你论文第三部分怎么写的，而是问AI给你的数据分析结果有两个疑点，你怎么发现并修正的？；
现场给出一个混乱的数据集，让你用AI分析并实时解释思路——考察的是用AI解决问题的能力，而非背论文的能力。
2.项目结构：从单一流程到灵活跨界
如果AI能压缩数月的工作量，博士项目就没必要再熬3~5年。高校可能有两种选择：
缩短时长：把传统3年的项目压缩到2年，聚焦核心能力培养；
拓宽范围：让博士生做更宏大的跨学科项目（比如极端气候+AI预测+珊瑚保护政策），用AI处理单一领域的基础工作，把精力放在跨界整合上。
3.风险防控：警惕AI变成认知拐杖
最容易被忽视的风险，是智力衰退。如果博士生长期依赖AI写综述、做分析，自己的批判性阅读、科学写作能力会慢慢退化——就像长期用导航，会忘了怎么看地图。因此，未来的博士培训必须加入反依赖训练：比如要求学生先手动做一遍小数据分析，再和AI结果对比；或者让学生故意挑出AI论文中的3个错误，以此锻炼判断能力。
四、最后的追问：是我们掌控AI，还是AI定义我们？
现在的高校，有的在推AI素养课，有的开放了专属AI工具，但这些还不够——它们仍把AI当成高级工具，却没回答最核心的问题：当AI能帮你完成大部分科研工作，原创贡献该怎么定义？
比如，你用AI生成的假设做实验，得出的结论算你的原创，还是AI的？如果AI能自主设计研究方案，博士生的独立探究又体现在哪里？这些问题没有标准答案，但恰恰是AI时代博士教育最有价值的探索方向。
对我们来说，这个变革不是AI要取代博士，而是博士需要升级——从会做科研流程，变成会驾驭AI做更有价值的科研。未来的博士，不再是熬论文的人，而是用AI突破科研边界的人。
而现在，你需要思考的是：如果明天AI就能帮你搞定数据分析，你今天该练什么能力，才能在未来的博士生涯中不可替代？
解读文献：
https://doi.org/10.1038/d41586-025-03572-w