真正的问题不是“能不能用”，而是“放在哪个位置用”
现在高校和科研环境对 AI 的态度，已经越来越少是简单的“全面禁止”或“全面放开”。更常见的真实口径是：
允许辅助，但不能替代；允许提效，但不能逃避责任。
如果把这个边界讲得再直白一点：
你可以让 AI 帮你查资料、做初步整理、润色语言；
但不能让它代写核心学术内容，不能让它替你做本应由人负责的判断；
更不能把它产出的未经核验内容直接当成事实、数据或引用交出去。
这篇文章不打算泛泛地说“大家要谨慎”，而是直接点名几个已经公开可核验的学校和规范，看看今天比较稳妥的边界到底在哪里。
一、当前公开规则的共同趋势：允许辅助，严禁代写和伪造
1. 清华大学：AI 是辅助工具，不能替代学术训练
清华大学公开发布了《清华大学人工智能教育应用指导原则》。从公开解读能提炼出几个非常清晰的方向：
AI 可以作为辅助工具使用；
不能代写、不能伪造、不能剽窃；
不能用 AI 去替代本应由学生或研究者本人完成的学术训练；
涉及实质性使用时，需要披露；
敏感、涉密、未授权数据不能随便送入外部模型。
这意味着一个很重要的判断：
AI 可以进入科研流程，但不能拿走人的责任。
2. 上海交通大学：强调以人为本、透明、隐私与安全
上海交通大学教学发展中心公开提供了 AI 教学应用指南页面，以及教师版、学生版两份指南 PDF。它的基调不是“完全不让用”，而是把使用前提说得更系统：
以人为本
数字公平
数据隐私与安全
伦理保障
透明度
换到科研语境里看，这套逻辑非常有代表性：
你可以用 AI 提高效率，但必须知道它用了什么数据、产出了什么、哪里可能错、最后谁负责。
3. 厦门理工学院：允许辅助，但明确划出论文写作红线
厦门理工学院教务处发布了《2025届本科毕业设计（论文）规范使用 AI 工具（试行）的通知》。这份规则非常适合拿来说明“允许区”和“禁区”的区别。
它允许的包括：
文献检索与整理
格式整理
非创新性辅助工作
它禁止的包括：
直接生成论文主体内容
替代研究设计
替代数据分析
替代结果解释
生成或篡改原始数据
同时，它还要求填写 AI 工具使用申明书，并设置 AIGC 检测阈值。
这已经非常接近很多科研场景最实用的边界线了：
AI 可以做“查、搬、整、润”，不能替你完成“设计、判断、论证、担责”。
二、哪些事情一般可以用 AI 做
结合上述学校规则和当前主流公开口径，科研人员在相对安全的范围内，通常可以把 AI 放在这些位置上：
1. 文献检索与线索扩展
帮你想检索词
帮你按主题分支展开
帮你把 PubMed / PMC / Europe PMC / bioRxiv 等来源中的结果做初步归类
2. 语言处理与格式支持
中英文润色
结构梳理
标题候选
表格整理
会议纪要归纳
3. 公开资料的信息提取
从网页、公告、平台说明页里提取关键信息
对多个版本页面做差异对比
把零散资料整成笔记
4. 非最终性的初稿辅助
这里的关键是“非最终性”。
你可以让 AI 帮你：
先起一个框架
先出一版提示性草稿
帮你做待核问题清单
但你不能把这版未核验内容直接当正式学术产出提交。
三、哪些事情是明确高风险甚至不该碰的
1. 让 AI 直接编参考文献
这是最典型、也最容易出事的用法。
很多人图快，直接问模型“给我列 20 篇相关参考文献”。问题在于，模型非常可能给出：
看起来很像真的标题
看起来很像真的作者
看起来很像真的期刊
但 DOI、年份、页码、卷期、甚至整篇文献本身都可能是错的，或者根本不存在。
所以更稳妥的做法应该是：
先去真实论文站点里检索，再让 AI 帮你整理。
2. 让 AI 替你完成研究设计、数据分析和结果解释
这也是厦门理工学院的公开规则里明确点出来的红线。因为这些环节不只是“机械执行”，而是学术判断的核心部分。
如果这些判断环节被外包出去，你最后其实无法真正对结果负责。
3. 上传敏感、涉密、未授权数据
清华的公开原则里也明确强调了数据合规问题。科研里这点尤其重要，因为你手里可能有：
未发表数据
涉及合作协议的数据
涉及受试者隐私的信息
实验室内部文档
这些内容不能因为“想省事”就直接丢给外部模型或不透明的平台。
4. 用 AI 代写后不披露
现在很多规则并不是简单地说“用了就违规”，而是强调：
你用了什么
用到什么程度
最终由谁负责
如果已经实质性地借助 AI 参与了写作、整理或分析，却完全不披露，这本身就是风险点。
四、一个更接近真实情况的“合规使用”例子
假设你要写一段项目申请背景，比较稳妥的做法是：
先自己确定研究问题和核心论点；
用 AI 帮你列检索词、拉补充线索；
通过论文站点和原始资料拿到 DOI、链接、PDF；
让 AI 帮你整理成笔记或对比表；
由你自己重写成正式表述，并核一遍引用和事实；
按单位或期刊要求说明 AI 的辅助使用情况。
这里 AI 的角色是：
助手、检索员、整理员、语言助理。
而不是：
署名作者、数据负责人、结论裁判。
五、为什么我建议科研人把 AI 放在“查、搬、整、润”这一层
因为这是目前风险最可控、收益最明显的一层。
1. 这层最容易保留证据链
你能看见它查了哪些网页、保存了哪些 DOI、下载了哪些 PDF、做了哪些摘录。
2. 这层最容易人工复核
检索结果、链接、引用、表格、摘要都可以被人类逐项检查。
3. 这层能显著提效，又不必让渡核心责任
真正耗时间的很多步骤，其实正是：
找资料
归档
摘要
排版
反复整理
把这部分交给 AI，往往既省时间，也更容易守住边界。
六、如果你现在就要开始用，最简单的自检清单
正式把 AI 放进科研流程之前，可以先问自己 6 个问题：
这一步是检索/整理，还是核心判断？
这份内容是否涉及敏感、未授权或涉密数据？
我有没有保留 DOI、原文链接、PDF 或原始网页证据？
我是否还能独立复核这一步的结果？
如果今天就要提交，我是否愿意对这段内容签字负责？
单位、课程、期刊是否要求披露 AI 使用情况？
如果前 4 个问题里有两个以上答不上来，就不要直接往正式产出里放。
真正安全的用法，不是“不用 AI”，而是“不把责任让出去”
从清华、上海交通大学、厦门理工学院这些公开材料里，你大致能看到一个共同方向：
AI 不是绝对禁区；
但它也绝不是责任替代器。
科研人员更稳妥的用法，不是让 AI “替你完成”，而是让它：
帮你找
帮你搬
帮你整
帮你润
最后的判断、引用、解释和责任，仍然必须回到人身上。
如果只记一句话：
你可以把 AI 放进科研流程，但不要把学术责任交给 AI。
