What is Left for Us? Second Scholarship Against the Degradation of Research by AI
AI 深度解读
背景
近年来，生成式 AI（如大型语言模型）在学术研究中的应用日益普及。从文献综述、代码生成到论文写作，研究者越来越多地将原本需要亲自完成的认知任务委托给这些系统。这种趋势引发了关于研究质量、学术诚信以及研究者自身发展的广泛讨论。本文（arXiv:2607.00001，提交于2026年7月4日）正是针对这一现象，提出了一种批判性反思：AI 虽然能够高效模拟研究输出，但也可能侵蚀形成学术判断和建立学术信任的根本实践，进而导致研究本身的「退化」。作者呼吁学术界重新审视研究的本质，并倡导一种被称为「第二学术」（Second Scholarship）的立场。
核心内容
论文的核心论点可以概括为：生成式 AI 会通过消解那些构成学术判断和学术信任的实践，从而降低研究质量。这些实践——如隐性知识的传递、个人对问题的深度投入、在学术共同体中的社会化以及深度阅读——是知识生产与验证的构成性条件，不能仅仅被还原为研究的最终输出。而 AI 恰恰在对最终输出的模拟上极为高效。当研究者将核心的探究任务（例如提出假设、设计实验、解释结果、撰写论证）委托给大语言模型时，他们实际上停止了执行这些实践，也因而失去了这些实践所提供的「养成」（formation）。一个由 AI 辅助生成的个体研究输出，可能在表面上比人类独自完成的结果更「精良」，但其背后的研究者却并未得到真正的成长。
仅让人类留在循环中充当提示者或质量检查者，不足以保护研究作为智力养成（intellectual formation）的场域。作者认为，真正需要的是对研究作为「生活实践」（lived practice）的重新承诺：在这种实践中，判断力是逐步形成的，常常需要通过摩擦（例如难题、失败、同行批评）以及参与学术共同体来培育。这种实践植根于四个无法被自动化的来源与保证：
- 隐性知识（tacit knowledge）：通过亲身实践和师徒传承获取的、难以言传的技能与直觉。
- 个人承诺（personal commitment）：研究者对问题的真诚投入与责任感，包括在不确定性中坚持的意愿。
- 社会化（socialisation）：通过参与学术共同体（如研讨会、同行评议、非正式讨论）内化规范、标准和价值观的过程。
- 深度阅读（deep reading）：对文本进行专注、批判、沉浸式的阅读，而非仅扫描摘要或关键词。
作者将这种实践所体现的学术立场称为「第二学术」（Second Scholarship）。这不是对传统学术的简单回归，而是对学术手艺（scholarly craft）的一种「重新占有」（reappropriation），它源于对生成式 AI 能做什么和不能做什么的批判性体验。不能也不应委托给 AI 的那些东西——正是研究共同体必须珍视并为之负责的核心。这正是「留给我们的」（what is left for us）。
关键要点
- AI 导致研究退化的机制：通过模仿研究输出（论文、代码、数据），AI 使研究者绕过构成判断形成的关键实践（隐性知识、个人承诺、社会化、深度阅读），从而阻碍研究者自身的智力发展。
- 输出质量 ≠ 研究者成长：一个 AI 辅助的论文可能在表面上很专业，但研究者并未得到相应的训练与判断力提升。研究不仅是产出，更是过程。
- 「人在环路」不够：仅作为提示者或验证者的人类角色，无法替代实践本身的养成功能。研究需要的是主动的、有摩擦的、沉浸式的参与。
- 四个不可自动化的来源：
- 隐性知识：无法通过输入输出对来编码。
- 个人承诺：涉及情感、伦理与持续投入。
- 社会化：需要真实的人际互动与共同体接纳。
- 深度阅读：要求专注、批判与文本间的内在对话。
- 第二学术的定义：基于对 AI 能力的批判性认识，有意识地重新夺回学术手艺（craft），将不能也不应委托的任务视为研究价值所在。
- 对学术共同体的呼吁：应该评估和回答的不是 AI 能做什么，而是什么留给了我们——那些必须由人类亲自完成的核心实践。
意义与影响
这篇文章对当前 AI 辅助研究的争论提出了一个更根本的批判。它没有停留在诸如「AI 会导致抄袭」「AI 会制造虚假数据」等表层问题，而是深入到研究的认识论根基——学术判断是如何形成的？信任是如何建立的？在知识生产中，什么才是真正不可替代的人类贡献？
从实践层面来看，论文建议学术机构、期刊、导师和研究者个人应当重新重视那些无法被自动化、且被当前效率至上文化所忽视的活动：导师与学生的深度对话、对经典文献的沉浸式阅读、在失败中学习的过程、以及共同体中非正式的知识交换。这对于博士培训、课程设计、同行评议标准以及研究评价体系（如过度依赖论文数量与引用指标）都有直接的启示。
从哲学层面看，本文呼应了技术哲学中关于「工具与人类实践」的长期讨论——技术不应该仅仅是工具，它也会重塑人的认知和实践方式。如果研究共同体不主动捍卫那些构成性实践，AI 的便利可能会悄悄改变「研究」本身的内涵，使其变成一种纯粹的信息操作，而不再是人的智力磨砺。
当然，本文也存在争议的空间。例如，它可能低估了 AI 在某些环节中增强而非替代人类实践的潜力（如通过辅助阅读帮助非母语研究者跨越语言障碍）。但无论如何，它提供了一个重要的反向视角：不是问「AI 能帮我们做什么」，而是问「我们自己还应当做什么」。这个问题的答案，正如作者所说，就是留给我们的。