AI会不会取代研究者？“AI生成率”该不该检测？使用AI的比例要不要申报？近来，围绕人工智能进入学术写作的争论此起彼伏。2026年10月14日下午，“AI时代的历史与人文探索”工作坊在上海理工大学档案馆会议室举行。四川大学历史文化学院副研究员张涛以“非对称人机协作”为题作主旨讲座，围绕AI辅助论文写作的原理、误区与实践技巧展开讨论。工作坊由上海理工大学档案馆、沪江文化研究所与中国近现代国情研究所联合主办，上海理工大学档案馆馆长、沪江文化研究所所长孔娜与中国近现代国情研究所所长刘振华教授共同召集，来自《上海视觉》杂志、华东师范大学、上海师范大学、上海理工大学等单位的十余位学者参与与谈。
一、从“想象”回到“原理”
张涛表示，当前公共讨论里有一个普遍现象：人们谈论人与AI的关系，大多靠想象。有人把AI想象成无所不能、迟早取代研究者的“替代者”，也有人把它想象成随时出错、不可控制的“威胁”。这两种想象看上去相反，其实出自同一个根源，就是对技术怎样运作缺乏了解。
在他看来，正是因为缺少原理层面的认识，许多讨论最后只能停在道德批判和道德呼吁上。比如“给AI划界”的说法经常被提起，却很难说清这条界线依据什么划、在研究和写作的哪一步划。“生成率”检测、按比例申报使用情况等做法，也默认人和AI在一篇文章里“各贡献一部分”，可以按比例拆分。张涛认为，这个前提本身就值得追问：如果人机协作的结构根本不是这样，那么围绕这个前提展开的规范设计，就可能是在处理一个假问题。
这次讲座没有从抽象理论讲起，而是从具体的写作技巧和工作流程入手，从实际操作中遇到的问题出发，最终追问背后的技术原理。在张涛看来，讨论人机关系如果不能落到具体的实践环节上，就很难超出想象的层面；反过来，实践中的每一个具体困难，也都是理解技术原理的入口。
二、“对话—提纲—生成—核查”：流程不新，难在理解
在技巧部分，张涛介绍了自己的AI辅助论文写作流程，概括为“对话—提纲—生成—核查”四个环节。他以自己的一篇习作为例，详细介绍了如何与大语言模型协作：对话如何展开，提纲要细致到什么程度，生成具体文本时如何避免被AI误导，等等。
他坦言，这个流程本身并不新，和传统的自主写作流程大体相同，许多使用者也多少已经摸索出类似的步骤。真正的问题在于，大多数人不了解模型的技术原理，所以每个环节都可能碰到障碍：生成的内容千篇一律、缺少新意；论证读起来流畅，细看却经不起推敲；模型总是顺着自己的思路说，提不出有价值的反对意见。由于不知道这些问题从哪里来，他们也找不到有效的解决办法，结果往往在尝试了几次之后就得出“AI写不了论文”的结论，过早放弃。
张涛强调，在整个流程中，研究者必须全程把控。尤其是文章的创新点和整体框架，不能交给机器。
三、非对称人机协作
为什么必须如此？讲座的第二部分转入原理层面，张涛提出了这次讲座的核心概念：非对称人机协作。
他特别说明，“非对称”并不是在比较人和AI谁的能力更高，而是指由技术原理所决定的一种协作结构。大语言模型的生成并不建立在对意义的理解之上，而是受概率分布和形式结构的支配；在现有技术范式下，模型不具备“主动阐释”的能力，生成的内容始终以用户提供的上下文为前提。所以，人机协作并不是双方“各贡献一部分”，而是由人设定方向，模型在这个方向之内生成内容。关键决定以及随之而来的责任，必然落在人这一边。
许多使用者抱怨的AI“平庸”“同质化”，正是这一结构的直接体现。在缺乏明确引导时，模型倾向于调用训练语料中最常见、最稳定的叙述范式，而越有创新性的思路，往往越处在概率分布的“低密度区域”，很难被优先调用。张涛举例说，面对一组十九世纪德国政府的内部档案，如果不加引导，模型最可能从“决策过程”这类常规角度解读；只有研究者明确提出话语结构分析等框架，它才会沿着新的方向展开。要让模型离开高概率空间，必须借助精心设计的上下文或其他工程手段；即便如此，往哪个方向创新、生成的内容是否真的有新意，最终仍要由研究者判断。这也正是创新点和框架不能交给机器的原因。
同样由这一结构决定的，是写作中必须由人持续把关的三个层面。一是事实层面，如事实错误、引用谬误等，这类问题正随着检索增强等技术的进步逐步缓解。二是事实关系的建构：模型几乎能在任意材料之间建立联系，却无法判断这种联系是否真的成立。三是逻辑框架层面：模型模仿的是文本中的形式规范，在复杂的论证链条和理论一致性上却经常出错，而流畅的表述恰恰会掩盖深层缺陷。后两个层面最难察觉，也最依赖研究者的学科素养，这正是“核查”环节的重心所在。
那为什么还要称之为“协作”，而不只是“使用”？张涛解释，数据库、统计软件这类传统工具的输出可以预知，不会影响研究方向；大语言模型却会对研究过程产生隐蔽的方向性影响。经过人类反馈强化学习，模型带有明显的“讨好”倾向，习惯在用户的框架里补充细节，却几乎不会对核心假设提出根本性的反驳。用他的话说，模型生成的内容在本质上是“用户自身思维倾向的显性化与扩大化”，会把用户的偏见和盲区包装得更完整、更“合理”。
因此，张涛认为，AI并不会削弱学术研究的主体性，反而对研究者提出了更高的要求。他打趣说，原本写一篇论文可能需要一年，借助AI或许能缩短到半年，甚至两三个月，但这意味着，原本分散在一年里的“脑力”消耗，被集中到了短短几个月之中。脑力劳动并没有减少，而是被更高强度地调用了：确定研究方向、识别模型的迎合、批判研究框架的合理性与逻辑，核查每一处论证等，这些都无法交给机器。
四、署名者的判断力才是关键
讲座最后，张涛回到了开头的问题。他认为，在非对称的协作结构里，使用者的思维水平决定写作的水平。使用得当，成果仍然体现署名者的研究能力和判断力；使用不当，问题也不在工具本身，而在于署名者没有尽到核实、判断和把关的责任。
从这个角度看，“AI会不会取代研究者”“生成内容占多大比例”这类问题，或许都需要重新提出。张涛说，对各个学科来说，真正重要的不是给AI划出一条凭想象得来的界线，而是在理解技术的基础上使用新技术，把它纳入学科方法论的反思框架，让它成为可以掌控的研究工具，而不是主导研究方向的外在力量。
五、与谈与讨论
主旨讲座结束后，与会学者结合各自的研究与编辑经验展开与谈。
《上海视觉》杂志编辑陈云度从期刊编辑的角度谈到，近来不少来稿文字流畅、结构齐整，读来却面目相近。张涛所说的“高概率区域”在编辑案头有直观的体现，审稿时编辑部因此越发看研究的质量，也就是张涛老师提及的形式层面。思勉人文高等研究院讲师章含舟则围绕“AI是否‘理解’”这一问题，与张涛深入到技术层面，展开了一场颇为激烈的交锋。社会主义历史与文献研究院的丁夏阳结合OCR识别与数据库搭建的实践，介绍了自己遇到的种种问题，这些经验恰好印证了张涛对大语言模型底层原理的判断。
上海师范大学人文学院讲师姚汉昌从柯林武德的史学思想切入。他指出，柯林武德把问答逻辑视为历史认识的根本方法，张涛所强调的“提问决定答案”，与此颇有相通之处。同院讲师许超雄以唐史为例谈到，两税法、元和中兴这类问题，教科书式的叙述在语料中占了大头，模型说起来头头是道，但真正的推进往往来自对个别史料的细读，这一步无法交给AI。
几位青年学者则更多从自身的写作经验出发。华东师范大学历史学系博士程一玮坦言，自己写作时也有过被模型“带着走”的经历，提纲先行、逐章生成的做法很有参考价值。上海师范大学人文学院博士曹旭阳提出，核查不宜留到全文完成之后，AI给出的每一条引文，都应在生成时就回到原书核对。同院博士梁庭瑞则追问：如果多数研究者都借助相似的模型写作，会不会在学术共同体的层面造成整体的趋同？张涛回应说，这正是他接下来准备处理的问题。
上海理工大学中国近现代国情研究所研究员苏晓涵关注的是默会知识。他认为，如何让难以言明的默会知识进入人工智能应用，是值得深思的问题，而分布式表征、神经符号AI、知识图谱嵌入等新技术，或许为此提供了可能的路径。华东师范大学中国诸子研究院副研究员方达、上海理工大学社会治理能力现代化研究所研究员陈沛超，均赞同张涛关于训练语料与模型调用“主流阐释”之间关系的分析。
最后，孔娜、刘振华先后作总结。孔娜介绍了档案馆近年推进数字档案馆建设的情况。她表示，档案的数字化与智能检索已是大势所趋，但档案的鉴定、编研与校史书写，终究离不开人的判断。刘振华认为，讲座谈的虽是写作技巧，牵涉的却是AI时代学术训练的根本；高校教师在“中国近现代史纲要”等课程的教学中，也应把提问能力的培养放在更重要的位置。
工作坊以“通古今之变，究人机之际”为题。在AI深度进入学术研究的当下，关于“怎么用、谁来负责”的讨论，或许才刚刚开始。
