社會第 57 期

AI 時代的博士班研究生，是福是禍？

如果博士班應該培養的能力，AI 已經代勞了——那這個學位究竟證明了什麼？

安光涉（Oswarld）· INLEVEL9 作者與編輯

AI 時代的博士班研究生，是福是禍？

前言

各位訂閱者，上週學術界發生了一件相當震撼的事。全球規模最大的機器學習學術會議 ICML1​ 2026 一併拒絕了 497 篇論文（desk reject）。原因很特別——不是論文本身的品質問題，而是這些論文的作者在同儕審查（peer review）他人論文時，被查出偷偷使用了 AI。

他們明明明確同意「不會使用 AI」，卻還是用了。

這起事件有趣的地方在於偵測方式。ICML 組織委員會在審查用論文的 PDF 中植入了肉眼看不見的「浮水印」。這個浮水印中隱藏了只有 AI 才能讀到的指令，一旦 AI 遵循該指令在審查意見中插入特定詞句——就會被偵測到。 詞庫中有 17 萬個詞句，每篇論文隨機抽取兩個，偶然重複的機率不到十億分之一。這個方法其實就是我之前開發的方案。被採用固然高興，但也不免感到一陣苦澀…

不過，比起偵測技術，這起事件讓我想到了一個更根本的問題。身處 AI 研究最前線的研究者，甚至連自己同意的規則都願意違反而依賴 AI——這只是個人的倫理問題，還是背後有某種更結構性的因素在運作？

今天，我想從博士班研究生到資深研究者，在整個研究生態系的脈絡中來探討這個問題。

ICML 的研究者為什麼違反規則？

先來更仔細地剖析 ICML 事件的結構。ICML 2026 針對 AI 使用實施了兩項政策。Policy A（保守型）完全禁止審查過程中使用 AI；Policy B（寬容型）則允許在理解論文和潤飾審查意見時使用 AI。審查者自行選擇想要的政策。也就是說，選擇 Policy A 的人等於自己承諾「不會使用 AI」。

結果呢？選擇 Policy A 的審查者中有 506 人被查出使用了 AI，他們撰寫的 795 篇審查意見（約佔全部審查意見的 1%）被移除。其中 51 人確認自己撰寫的審查意見有一半以上是 AI 生成的，審查者資格直接被剝奪。根據 ICML 的相互審查（reciprocal review）2​ 政策，違反規則的審查者所提交的 497 篇論文（約佔全部投稿的 2%）也被拒絕。

這裡有一個值得注意的地方。正如 ICML 組織委員會所明確指出的，這個偵測方法只能抓出最明顯的違規——把審查對象論文的 PDF 丟給 AI，然後複製貼上結果的那種層級的違規。 浮水印的存在在審查期間絕大多數時間都是公開的，稍微留意一下就能規避。然而仍有 1% 被查出，這意味著實際的 AI 使用比例可能遠高於此。正如我在之前的部落格中提到過的，那個 PDF 浮水印只要經過一次 Python 腳本就能解除。然而…竟然在 ICML 這樣權威且具國際性的學術會議上這樣提交？實在令人感慨。

事實上，學術出版社 Frontiers 在 2025 年針對 111 個國家約 1,600 名研究者進行的調查顯示，53% 的人表示曾使用 AI 進行同儕審查。若縮小範圍到初階研究者（職涯 5 年以下），比例更高達 87%。但許多期刊和學術會議的政策並未能跟上這個現實。

博士班研究生的困境

這個現象在學生層級同樣在重演。Nature 針對約 3,800 名博士班研究生進行的問卷調查顯示，75% 認為 AI 提升了效率，71% 認為在學業中使用 AI 沒問題。但與此同時，81% 完全不信任 AI，65% 擔心 AI 會削弱思考力、研究力和寫作能力。

英國高教政策研究所（HEPI）的調查更清楚地展現了變化的速度。英國學士班學生的 AI 工具使用率一年內從 66% 飆升至 92%，在評量中使用 AI 的比例則從 53% 躍升至 88%。調查負責人 Josh Freeman 表示，這種程度的行為變化「幾乎前所未見」。

前線的故事更生動。清華大學的許英慧每天使用 ChatGPT 和 Gemini，但強調「AI 生成的程式碼必須驗證」。西澳大學的 Richard Ang 曾把肥料用量計算交給 ChatGPT，結果整個實驗徹底失敗——AI 誤解了問題本身。他的教訓是：「AI 永遠不會告訴你你的設計有問題。你要求它做不可能的事，它就直接照做。」

阿布扎比大學的傳染病建模博士班研究生 Leona Dialla 也有類似經歷。她讓 AI 解釋圖表，AI 說數值在增加，但實際圖表呈現的卻是下降趨勢。「使用 AI 之前，我們必須對所提的問題有足夠的知識，才能發現錯誤。」

最終，核心就在這裡。AI 執行很快，但不做判斷。而博士班應該培養的核心能力，恰恰就是那個「判斷」。

「認知負債」——大腦已經在反應了

這個問題之所以不只是一場「該用到什麼程度」的倫理爭論，是有原因的。

MIT 媒體實驗室 Nataliya Kosmyna 研究團隊在 2025 年發表的預印本3​「Your Brain on ChatGPT」的結果相當令人印象深刻。他們將 54 名參與者分為三組——不使用任何工具寫文章的組、使用搜尋引擎的組、使用 ChatGPT 的組——並透過 EEG4​ 測量腦部活動。

結果很明確。外部工具依賴度越高，大腦的功能性連結就越系統性地減弱。不使用工具的組別，大腦在創造力、語言、規劃、工作記憶等方面呈現分散性活化；而 ChatGPT 組別則展現出最弱的連結模式。

更有趣的是後續的實驗。先用 ChatGPT 再改用無工具寫作的參與者，呈現出 α 波與 β 波連結性降低的狀態。研究團隊將此稱為「認知負債（cognitive debt）」。將認知工作委派給 AI，當下雖然輕鬆，但代價是大腦的連結模式逐漸弱化並累積。使用 ChatGPT 的參與者中，很多人甚至記不起自己剛「寫」的文章。對文章的主主人翁意識（ownership）也是三組中最低的。

當然，這項研究尚未通過同儕審查，54 人的小樣本也是其侷限。Kosmyna 研究員本人也謹慎地避免下「AI 有害」的定論。但方向性是明確的——將認知工作外包給 AI，執行該工作的大腦「肌肉」可能會變弱。

將 ICML 事件與此串聯起來，結構就浮現了。研究者承諾「不會用」卻還是用了 AI，可能不只是單純的懶惰。一旦形成將認知委派給 AI 的模式，回歸本身就成了認知上的成本。

那麼，我們應該守護什麼？

大學的應對目前還跟不上這個變化。歐洲大學協會（EUA）針對歐洲 217 所大學的調查顯示，認為現有 AI 指南足夠的僅有5%。38% 正在首次制定政策，13% 則完全沒有相關政策。台灣的狀況也相去不遠。中華民國教育學術資訊網（KERIS）的調查中，超過一半的教師表示「學生的作業過度模式化」，但將 AI 使用標準納入校規的案例非常有限。

那麼，在這樣的處境下，博士班應該培養什麼？

學術支援企業 The Page Doctor 的 Amina Yonis 提出了一個實用的區分。她建議文獻檢索和整理可以用 AI，但數據分析要自己做。論文寫作也是同理。「先讓 AI 寫，就難以跳脫那個框架。自己先寫，再用 AI 潤飾，會更好。」

從更大的框架來看，計算神經科學家 Natalia Bialik 的觀點很有趣。不要和 AI 比速度或記憶力，而是專注在機器仍然做不到的領域——設計好的問題、在模糊中尋找方向、構思在現實世界中驗證想法的方法。博士班真正的超能力是將「系統性地解決問題的方法」內化，而 AI 應該是一個讓你有更多時間投入慢速、概念性工作的工具。

另一邊也有完全拒絕 AI 的研究者。澳洲國立大學的鳥類行為學博士班研究生 Samuele Lamellini 去年 11 月第一次用 AI 畫圖表，兩週後連那段程式碼、自己當初要求了什麼都記不得了。但 10 年前學士班畢業論文的圖表，他卻一一記得。「AI 給的是即時的滿足感，但學不到東西。」他連研究想法都不願交給 AI。「紙張、便利貼、白板好得多。」

UNSW 的氣候科學家 Alex Sen Gupta 在 2025 年 Nature 的散文中提出了更銳利的問題。他主張博士班需要全面重新設計，但也承認這種不確定性。「沒有人能預測這個領域會如何發展。一年後、兩年後可能完全不同。」他認為，科技企業每當發現 AI 做不到的認知領域，就會試圖填補那個差距。

挪威艾斯特福大學的 Manikandan Palanichamy 教授點出了這個問題的時機。「學生從在校期間就應該接受負責任使用 AI 的倫理指引。否則，我們有風險培養出一代研究者——他們知道如何操作 AI 工具，卻缺乏創造真正突破所需的基本能力。」

Oz 的視角

看到 ICML 事件，我想到兩件事。

第一件，是在制定 GTM 策略時無數次看到的「工具採用曲線」模式。新工具導入初期，「效率提升」的敘事框架總是主導一切。 CRM 如此，行銷自動化也是如此。但真正的问题不在工具本身，而在工具讓哪些行為變得容易、讓哪些行為變得困難。AI 極度地讓「快速瀏覽他人論文並寫出像樣的審查意見」變得容易。同時，它讓「慢慢讀論文、建立自己的批判性觀點」相對變得困難——更精確地說，是成本變高了。

第二件，是 ICML 今年 7 月将在首爾舉行。這起事件不是遠方的故事。這是韓國的 AI 研究者作為審查者和作者參與的學術會議上發生的事。 而台灣研究所的現實也相去不遠。根據 2025 年發表於《中華民國產業與技術學術期刊》的調查，台灣大學生對 ChatGPT 的認知度為 85.7%，實際使用經驗為 89.3%。

我認為這起事件中最具結構性意義的，是將 MIT 研究的「認知負債」與 ICML 的「規則違反」串聯起來的那個環節。研究者違反承諾，可能不只是單純的懶惰。一旦習慣了認知的便利，回歸本身就成了成本。就像習慣了導航之後，展開地圖找路變成一種痛苦一樣。

那麼，「專注在 AI 做不到的事」這個建議也需要重新檢視。正如 Sen Gupta 所說，AI 做不到的領域會持續縮小。在我看來，更穩固的策略是：定義出無論用不用 AI 都應該維持的思考肌肉——批判性驗證、原創性問題設計、在不確定性中做判斷。這些不會因為工具改變而減損價值。

問題在於，培養這些肌肉的訓練過程本身正在被 AI 取代。這不是工具的問題，而是教育設計的問題。 而正如 ICML 所展示的，這不只是學生的問題，而是整個研究生態系的問題。

結語

  • AI 提升了研究的效率，但正在侵蝕讓研究者成為研究者的核心能力——獨立思考、批判性判斷、原創性問題設計。
  • 這個現象不只適用於學生。ICML 事件表明，資深研究者同樣未能擺脫 AI 依賴的認知慣性。
  • 大學和學術會議的制度跟不上這個變化，目前只能靠個人自行尋找平衡點。 Yonis 的建議意外地實用。

「AI 才不過 3 年左右。大多數人都是沒有 AI 就完成了博士學位的。你們也可以。」

也許核心問題不是「要不要使用 AI」，而是 Lamellini 的那個問題。

「（多虧 AI）省了一小時。那接下來要做什麼呢？」

📎 參考資料 & 延伸閱讀

作者 安光涉（Oswarld） 現任世宗大學兼任教授，INLEVEL9 策略顧問。職涯經歷、研究、著作與近期活動會持續更新在作者介紹。 最新動態 · 2026年7月：HEMA-2: A Consolidation-Aware Tri-Memory Architecture with Multi-Channel Scheduling for Lifelong Conversational AI。

각주

  1. ICML（International Conference on Machine Learning）：全球規模最大的機器學習學術會議之一，與 NeurIPS、ICLR 並列為 AI 領域「三大會議」。2026 年 7 月將在首爾舉行。全部投稿論文超過 2 萬篇，規模之大使得同儕審查系統的壓力也相當沉重。 ↩

  2. 相互審查（Reciprocal Review）：向學術會議投稿論文的作者，必須同時審查他人論文的制度。為解決審查者不足的問題而引入。ICML 的情況下，審查者若違反規則，其自身論文也會被拒絕，形成連帶責任機制。本次事件中 497 篇論文被拒絕，正是基於這個機制。 ↩

  3. 預印本（Preprint）：學術論文在通過同儕審查之前，先上傳至 arXiv 等公開伺服器的形式。可以快速分享最新研究，但需注意尚未完成驗證。 ↩

  4. EEG（Electroencephalography，腦波檢查）：在頭皮上貼附電極，即時測量大腦電氣活動的方法。相比 fMRI，空間解析度較低但時間解析度較高，適合追蹤特定認知任務中大腦的反應模式。 ↩

延伸閱讀

第 56 期社會

年預算 670 萬美元的論文平台，35 年來首次走向獨立

arXiv 將離開康奈爾大學。

第 55 期社會

當新聞業被數據量化時，會發生什麼事

貝佐斯移植到《華盛頓郵報》的不是組織重組，而是亞馬遜的營運哲學

第 50 期社會

如果人工智慧必須納稅，該繳多少？

對勞動課稅的時代正在終結。問題在於之後的事。