这两年带学生做科研，一个很明显的感觉是，学生遇到问题以后，已经不一定会第一时间来问导师。过去他们可能拿着一个新想法、一篇文献、论文初稿、代码来办公室或者在组会上讨论，现在很多问题会先交给ChatGPT、Claude、DeepSeek、豆包等这类AI工具。概念不懂，可以让AI解释。代码报错，可以让AI修改。论文写得不顺，可以让AI润色。甚至连选题、文献综述、实验方案和论文框架，也可以先让AI给出一个初步版本。这当然是一个很大的变化，以前导师在学生培养中承担了大量基础答疑工作，学生问得细，导师通常答得也细。比如，一个模型怎么用，一个公式怎么理解，一段文字怎么改，往往都需要来回讨论。现在这些事情AI确实做得很快，而且覆盖面很广。很多时候，学生问AI得到的答案，至少可以作为一个起点。当然，由于最近出现很多采用AI工具导致学术不端的案例，也进一步促使导师的指导方式要快速调整，导师如果还主要停留在具体知识和技术细节的答疑上，就很容易被AI的速度和覆盖面替代，或者发生学术不端的事情。

目前来说，由于已经存在的研究生师生关系体制比较稳固，研究生和导师会长期存在，那么，AI越强，导师的作用越需要回到科研本身——即到底要解决什么问题。因为科研最难的地方，通常是找到一个值得研究的好问题。AI可以给出很多看起来完整的方案，也可以生成很漂亮的文字，还可以推荐一堆方法和模型。但它并不真正知道哪个方向有持续价值，哪个结果足以支撑创新，哪个结论已经超出了数据能够证明的范围。

学生最容易被AI带偏的地方，也正在这里。一个新想法交给AI，很快就能得到一套完整路线，里面有文献综述，有模型设计，有实验验证，看起来非常成熟。但真正往下做，往往会发现数据并不支持，实验条件不具备，创新点并不清楚，最后的图表可能也无法证明方法确实有效。导师的价值就在于帮助学生把这些看起来很完整的想法压实，判断哪些能做，哪些不能做，哪些需要先做小实验，哪些应该尽早放弃。

所以，AI时代的导师指导学生，不应再是学生问一句、导师答一句。更好的方式是让学生带着AI探索后的结果来讨论，即AI帮学生做信息扩展，导师帮学生做质量判断。当然，导师必须在这个领域深耕多年，确实是这个领域的专家，才能做出质量判断，如果课题是这位导师新开的方向或者导师本身水平不够，那导师做质量判断的风险就很大。所以还是那一句话，这个课题到底要解决什么问题，学生和导师双方就不能胡咧咧，多一点真诚、少一点套路或许是解决之道。

指导过学生的都知道，很多课题做不下去，并不是因为学生不努力，而是因为前期判断太粗。方向还没有想清楚，就开始跑模型。数据还没有检查，就开始做结果。创新点还没有明确，就开始写论文。AI可以让这个过程变得更快，但快并不等于对，如果方向判断错了，AI只是让学生更快地走向一个不成立的结果，最终就是浪费时间和精力，以至于换课题。

因此，学生把AI结果拿来讨论时，导师可以重点追问几个问题。哪些内容来自AI，哪些内容已经查证，哪些内容还不确定，哪些判断是学生自己形成的。这样一来，AI就不是替学生完成任务，而是帮助学生提高效率的工具。学生真正需要被训练的应该是在AI提供的信息、思路的基础上进行筛选、验证、修改和反思。真正高效的研究生指导，并不是让学生一点弯路都不走。科研本来就不可能完全避免弯路，况且有时候让学生在可控范围内走一点弯路，对学生的成长反而有好处。更现实的目标是让学生的每一步探索都能留下积累。失败的实验要留下原因分析，读过的文献要形成研究空白判断，跑过的模型要形成对比结果，改过的论文要形成表达经验。只要探索能够转化为证据、图表、文字和判断能力，弯路本身也有价值。

从这个意义上看，在使用AI工具的时代，导师的价值并没有降低，而是被推向了更高层次。导师不应只是知识传授者，而要成为成果质量把关者和科研判断力训练者。学生可以向AI提问，但最终必须学会判断AI的答案能不能用于科研。学生可以借助AI加快文献、代码、绘图和写作，但最终需要在导师的帮助下知道什么样的真问题、真方案、真结果才构成真正的学术贡献。

支持单位：