■郭英剑

10月20日，美国《高等教育纪事》的一篇文章提出了一个颇有意味的概念：“前人工智能（AI）博士”。

文章中，作者自称是最后一批在AI出现前完成全部学历教育的人。他将其视为一种幸运，并认为前AI教育具有某种特殊价值。在他看来，不借助AI的独立写作、批判性思考的习惯等，可能成为这一代研究者的稀缺优势。

这个提法之所以吸引我，是因为我和我的同代人也属于他所说的“前AI博士”，但更重要的是，它改变了我们审视自身教育经历的角度。过去，我们很少因为读书时没有某种工具而感到庆幸。毕竟，技术的发展让没有电脑、没有网络、没有数据库的艰辛成为往事，我们通常将其视为进步。

但是，AI的出现似乎让事情有些不同。它可以帮我们寻找材料、整理观点、修饰语言，还可以直接提出论题、搭建结构、展开论证，写出有模有样的文章。于是，一个过去不那么迫切的问题如今摆在了面前：如果写作可以代劳，我们还怎样通过写作学会思考？

在我看来，这才是“前AI博士”这一提法值得讨论的地方。

值得珍惜的是曾经走过的路

首先要明确，“前AI博士”并非一张天然的学术质量证书。

在AI出现前获得博士学位，并不意味着一个人必然善于思考。那个时代同样存在粗疏的阅读、拼凑的论文、陈旧的问题和空洞的表达。反之，今天进入博士阶段的年轻人，也完全可能借助新工具，提出更有价值的问题，做出比前人更出色的研究。以技术出现时间划线，给两代人的能力排定高下，这既不公平，也不符合学术发展的实际。

即便如此，这种教育经历的价值仍然值得重新认识。

过去，我们面对一本艰深的书，即便读不懂，也只能继续读。查词典，翻资料，请教老师，与同学讨论，然后回到原文。面对写不下去的论文，也很难请来随时待命、能迅速续写的助手。你必须重新整理笔记，寻找论据，甚至承认此前的想法有问题，把已经写好的内容全部推翻。

这些过程当然并不都值得赞美。有些困难只是工具落后造成的，能被技术消除自然是好事。而有些困难却与能力的形成紧密相连。

读不懂一个概念，需要分辨它在不同语境中的含义；两个材料相互矛盾，需要判断各自的可靠程度；一个结论难以成立，需要寻找它遗漏的条件。这些工作看似拖慢了进度，却在训练一个人的理解力和判断力，不能因为它们耗费时间，就视其为应该清除的障碍。

“前AI博士”值得珍惜的，正是其中一部分人曾走过这样的路。他们明白看似顺畅的结论，背后可能有多少迟疑；一段简洁的文字，需要排除多少似是而非的说法。这些经验会在后来发挥一定作用：当一个答案来得过于轻易时，他们可能意识到，还需要再多问一问。

在写作中，才知道自己想说什么

人们容易把写作理解为表达——先有一个完整的想法，再用文字记录下来。按照这种理解，只要意思没变，请AI代笔，似乎只是换了一种表达方式。

有过认真写作经历的人都知道，事情往往没有那么简单。

很多时候，我们坐到书桌前时，只有一个想法、一点感觉、一则疑问。我们以为想清楚了，但写作时才发现第一句话就难以落笔。一个词看似合适，放进句中却显得含混；一个判断似乎很有气势，写下来却找不到足够依据；两个观点分别正确，摆在一起却彼此冲突……

写作会把这些问题完全暴露。例如，一个学生想写“短视频使人失去深度阅读能力”。这句话很容易说，也很容易扩展成一篇立场鲜明的文章。但如果认真写下去，他就必须回答：此处的“人”指哪些人？“深度阅读能力”如何理解？观看短视频与阅读减少之间是直接的因果关系，还是受到其他条件影响？短视频是否也可能把一些人带向书籍？

这些追问未必会推翻他最初的担忧，却会迫使他把担忧变成可以讨论的判断，把笼统的批评变成有条件、有依据的分析。这就是写作的教育意义。一个人把想法写出来，再检查、修改，逐渐学会约束自己的武断，也学会为真正能成立的观点提供支持。

AI的便利在此处可能带来风险。它能迅速把模糊的念头整理成结构完整的文章，让尚未解决的问题被流畅的语言暂时掩盖。开头有引入，中间有分论点，结尾有升华，读起来似乎已经很清楚了。但使用者有没有意识到概念的含混？有没有检查论证的跳跃？有没有认真考虑与自己立场相反的材料？

如果这些步骤都没有发生，那么文本虽然完成了，思考却可能尚未真正开始。

尤其需要警惕的是，人们很容易把对一段文字的认同，误认为是自己具备生成这段文字的能力。看懂一个答案与独立找到答案是两回事；觉得一篇文章说得很好，与能解释其立论为何成立也有相当远的距离。

同一件工具，为何产生不同结果

由此也就容易理解，AI对不同使用者的作用可能存在很大差异。

一个长期从事研究的人，看到AI给出的提纲时，可以判断哪些问题真正值得展开；看到一段分析，能识别它遗漏的背景和未经论证的推断。他也许会借此发现新线索，但也深知线索需要核实。但一个刚接受学术训练的学生却未必拥有这样的判断基础。他可能恰恰因为不知道一篇好论文应怎样提出问题、处理材料才求助于AI。而当AI给出的内容比自己能写出的文字成熟得多时，他又很容易将这种成熟理解为正确。

这里存在一个值得重视的教育难题——判断工具输出是否可靠需要一定的知识与能力；但如果学习者过早让工具替自己完成关键训练，这些知识与能力又从哪里获得？

这并不意味着初学者不应使用AI。如果使用得当，AI完全可以成为有益的学习伙伴。学生可以请它解释一个陌生概念，比较几种论证方式，针对自己的草稿提出质疑。尤其当身边暂时没有可以讨论的人时，一个能及时回应的工具确实能降低学习的门槛。

关键在于学生在此过程中做了什么。同样是请AI处理一篇文章，有人让它直接生成，稍作修改后提交；有人先独立写出初稿，再请它指出问题，然后逐条检查，决定哪些建议可以接受、哪些必须拒绝。两类人都使用了AI，但其经历的思维活动显然不能等量齐观。

区别也不必然来自年龄。年轻学生可以保持清醒，资深学者同样可能失去警惕。一个人过去具备独立判断力，并不能保证这种能力永远不会退化。如果长期只接收整理好的结论，很少再核查材料、重建论证，原有的敏锐也可能逐渐迟钝。

论文完成了，博士生训练完成了吗

对于博士生教育而言，这个问题更直接。

博士生论文不仅是等待交付的成果，也应体现研究者接受训练后的能力。他需要逐渐学会识别有价值的问题，理解已有研究，处理复杂材料，形成自己的判断，并且清楚说明判断的依据与条件。然而，当AI能参与越来越多的写作环节时，论文的外在与作者的实际能力之间可能出现更大差异。

设想一位博士生交来一份语言成熟、结构清楚的开题报告。导师如果只看文本，可能觉得准备充分，但进一步交谈才发现学生说不清楚为何选择这个问题，不熟悉报告中几项关键研究。此时，报告写得越漂亮，越不能掩盖训练尚未落实的事实。

因此，博士生培养需要更关注研究是怎样发生的。导师可以请学生比较两篇意见相反的论文，说明自己赞同什么、保留什么；可以围绕一份具体材料，追问它能够支持哪些结论、不支持哪些结论。这样做的意义是让学生把自己的思考过程呈现出来，也让指导真正进入研究内部。有时，一个学生能坦率地说“我原来这样想，后来发现证据不够，所以调整了结论”，其学术成长可能比又完成一篇四平八稳的文章更值得重视。

当然，过程评价也有可能变成新的形式主义。如果要求学生每天填写记录、不断上传截图，最后只是增加了一套可供检查的材料，那就偏离了目的。教育需要看见真实的思考，前提是师生有时间讨论、有空间试错，也允许一个尚不成熟的想法慢慢成熟。

让思想有机会跟上文字

面对AI，我们没有必要为艰苦本身辩护，也不必把写作效率的提高看作威胁。能够减少重复劳动，让人把精力放到更重要的问题上，这是值得欢迎的变化。我们真正需要辨别的是哪些劳动可以交给工具，哪些过程仍需要学习者亲自经历。

对于已掌握的内容，借助AI整理、压缩、润色可能节省大量时间；对于正在学习的能力，则需要保留足够的独立练习。一个人正在学着提出问题，就应先尝试提出自己的问题；正在训练论证，就需要自己面对证据不足与逻辑不通；正在学习写作，就应当自己写出笨拙的初稿，再把它一点点改好。

初稿写得笨拙并不可耻。它让老师看见学生真正站在何处，也让学生知道自己需要往哪里走。如果每次不成熟的表达都能立即被机器加工妥帖，教育反而可能失去最有价值的起点。

我们也可以把使用AI变成更有思考含量的活动。例如，先阅读一篇文章并写下理解，再与AI的摘要比较，找出它遗漏了什么、自己误解了什么；先提出判断，再请AI提供反对意见，然后回到材料中寻找答案。这类方式让工具带来新追问，而研究者仍承担判断的责任。

说到底，一篇文章的观点无论最初来自哪里，只要由我们署名发表，就需要由我们解释并负责。参考文献的失实、材料的被误读、结论超出证据……都不能因为使用过AI而免于追问。工具能提供帮助，责任仍需要由人承担。

“前AI博士”这个提法，最终应将我们引向一种面向未来的教育责任。已经接受过独立阅读与写作训练的人，应努力说明这些训练为何重要，怎样与新工具相结合，又怎样让年轻人依然有机会获得它们。

倘若我们一方面感叹自己的教育经历珍贵，另一方面又在教学中只催促学生尽快交出成果，我们怀念的东西就可能被自己忽略。

真正值得期待的，是AI时代的博士拥有更广阔的知识条件，也拥有扎实的独立思考能力。他们能借助技术走得更远，同时知道自己为何出发、怎样判断方向，并能为走过的每一步作出解释。