前面写了关于“研究生与AI大模型的伴生与共生”的博文，从矿物学和生物学的"伴生"与"共生"概念出发，谈了研究生与AI大模型正向的相处策略，即从顺手提取的伴生期走向结构性的共生期。今天换个视角，来谈负向影响。综合网络上的讨论和近期学术界的实证研究，在和看山AI交流讨论后，对研究生使用AI大模型的负向影响进行归纳和综述。

一、认知层面的负向影响

1. 认知卸载与认知债务积累

这是目前实证证据最扎实的一条。

MIT媒体实验室2024年的EEG实验（Your Brain on ChatGPT）让54名被试分三组写议论文——纯脑组、搜索引擎组、ChatGPT组——同时戴脑电帽记录。结果显示ChatGPT组大脑神经连接活跃度最低，且83%的人事后无法准确复述自己刚写的文章内容。研究者正式提出认知债务假说：AI提供的即时便利，以牺牲长期的基础性思维能力为代价，就像借了短期贷款，还的不是钱而是思考过的痕迹。MIT认知债务研究

Anthropic今年1月的编程学习实验也给出类似量级：用AI辅助学新Python库的那组，事后知识测试平均50分；自己硬啃文档那组67分。知乎上有位物理领域答主用认知卸载这个词精准描述了这个现象——把最痛苦的推导和调参过程全卸载给大模型，表面上课题推进飞快，脑子里空空如也。AI冲击下的数理科研讨论

2. 批判性思维的渐进退化

Gerlich（2025）发表在《Societies》上的研究对600多名被试做了HCTA标准量表测量，发现AI工具使用频率与批判性思维呈显著负相关，且17-25岁年轻组负相关最强，年长组反而更扛得住。研究者解释：年长者先有了独立思考的底子，AI是叠加在上面的辅助；年轻人直接在AI的脚手架里长大，没机会搭自己的架子。博士生和青年学者恰好就在最脆弱的年龄带里。AI依赖与批判性思维

更微妙的是一种恶性循环：你越依赖AI→自己掌握的知识越薄弱→越难发现AI回答中的漏洞→越相信AI→更依赖。微软研究院与卡内基梅隆大学2025年调查了319名知识工作者也发现，对自己专业越有信心的人反而更愿意审查AI的回答，而对AI越有信心的人投入的批判性思考越少——这被称为自动化悖论。长期依赖ChatGPT的影响

3. 知识虚假掌握的错觉

读懂一个答案 ≠ 想明白了一个问题。AI输出的流畅感会制造理解上的错觉：读着条理清楚、逻辑严密，但一旦追问"市场规模怎么算的？竞争对手为什么做不到？收入增长需要多少资本？"就答不上来。网络上很多导师的反馈很一致：组会上一追问具体细节，学生大脑空白。北大复旦校长警告AI依赖

4. 问题提出能力的萎缩

这是最根本的一条。AI擅长在已知中找关联，擅长生成热门、安全、反复验证过的选题，但不具备结合领域经验进行创造性思考的能力。西北农林科技大学一位副教授说得很好：真正有价值的问题往往来自工程现场（一处异常裂缝、一组不合常理的监测数据）这些不对劲的信号只有在试验台前反复观察才能捕捉到。科研能力退化讨论

二、学术规范与诚信层面的负向影响

1. 学术不端的隐蔽化

AI让学术造假从技术活变成了流水线作业：伪造数据成本趋近于零，论文工厂2.0一天能水出十篇结构严谨、引用合理但缺乏实质创新的灌水论文。有调查发现某领域AI生成参考文献中30%为虚假文献。现在很多高校都出台了AI使用规范，学位论文AI率超标直接取消答辩资格。AI水论文现象

2. 产出同质化与创新萎缩

AI生成的文本结构完美但缺乏人的视角，大量正确却无灵魂的废话堆砌。985高校研究生87%用过AI辅助写作，但只有23%能说清AI给的东西靠不靠谱。中国科学院一位研究员提醒：长期交由AI完成课题构思，研究思路会趋于同质化，出现成果数量增长、颠覆性创新萎缩的局面。AI工具双刃剑

3. 导师与学生间信任的瓦解

这是一个容易被忽视但实际影响很大的负向效应。导师看什么都像AI代写，学生写什么都不敢说自己完全没碰AI。《自然》杂志调查发现68%的导师说能看出论文里的AI痕迹，43%承认这影响了他们愿意在学生身上花多少时间。有导师苦笑：改学生论文变成了替AI当校对。导师与学生信任瓦解

三、培养体系层面的结构性冲击

1. 学徒制底座被抽掉

导师手把手带读文献、写综述的环节，学生直接问GPT了。旧的评价手段——作业、课程论文——在AI面前完全失效，一篇三千字课程论文这类考核方式已经形同虚设。有调查显示71%的学者预计未来博士考核得改成口头面试为主，因为光看论文已经分不清是学生自己想出来的还是AI生成的。数理科研AI冲击

2. 能力断层的加剧

清华教育研究院2025年基于955份研究生调查数据的实证研究给出了一个关键结论：生成式AI的使用与科研能力之间呈倒U型关系——适度使用提升能力，过度使用反而降低能力。知识习得和知识启发在其中起非线性中介作用，研究生的人机关系认知有显著的调节效应。清华教育研究院实证研究

这意味着AI不会让所有人整体变强或变弱，而是加剧分化：把问题、方案、代码、结果解释都交给AI的人短期效率高但独立能力持续下降；自己定义问题、让AI提供候选再反向攻击自己结论的人，思考反而更深。科研能力分化

3. 培养周期与节奏的错位

菲尔兹奖得主Duminil-Copin提到，他在攻克某个概率论猜想时经历的多次失败产生了大量新想法，后来用于其他研究。AI直接给出证明，可能跳过这段探索过程。用于培养年轻研究者的训练题被模型迅速完成，学生的论文、职位和职业前景往往依赖少数几个问题，一旦被AI抢先，数年积累可能失去价值。菲尔兹奖得主谈AI冲击

四、小结

研究生利用AI的负向影响的核心可以浓缩为一句话：把伴生误认为共生——实质上还在把AI当效率工具（伴生组分），却以为自己已经在结构性共生，结果认知责任被不知不觉外包了。

负向影响不是用了AI本身造成的，而是在伴生期就停止了向共生期的探索，却用AI的效率掩盖了这一停滞。表面上跑得飞快，实际上培养体系最核心的试错→反思→直觉形成这条闭环，已经被悄悄跳过了。

支持单位：