随着AI技术在国内高校的普及应用，从实验设计到文献综述，从课堂作业到论文写作，AI的身影无处不在。这种新兴技术普及速度之快、影响范围之广，远超以往任何一次教育技术变革。然而，当便捷与效率扑面而来时，困惑与争议也接踵而至：人们对AI的哪些使用是负责任的？哪些又超越了学术诚信的边界？这些问题，远比我们想象的复杂得多。

　　面对AI带来的各种新机遇和挑战，国家和社会各界的反应不可谓不迅速。比如，国家互联网信息办公室等七部门联合出台了《生成式人工智能服务管理暂行办法》，教育部教师队伍建设专家指导委员会发布了《教师生成式人工智能应用指引（第一版）》，中国社会科学院发布了《中国社会科学院人工智能辅助科研基本规范（试行）》，一些高校、期刊编辑部也纷纷制定AI使用指南，有的详细列出AI使用的“正面清单”和“负面清单”，有的在论文写作环节明确列出了AI禁用条款。

　　然而，政策措施的颁布实施并不等于现实困惑的有效消解。相反，许多师生在实际操作中仍然感到无所适从。一个典型的现象是：许多高校规定毕业论文中AI生成内容的比例不得超过30%，并借助检测工具进行筛查。这一数字乍看限定清晰，细想却令人费解：为什么AI生成内容占比的上限是30%，而不是20%或40%？如果一段文字是学生自己撰写、AI仅做了语言润色，算不算AI生成？如果AI生成了五个论点，学生从中挑选了三个并用自己的话重新表述，AI生成内容所占比例又该如何计量？更关键的是，这种占比思维忽略了AI使用的本质差异：一位学生用AI进行深度头脑风暴后独立撰写出精彩论点，与另一位学生让AI逐句生成全文后仅做微调，两者即便检测出的AI生成内容“含量”相同，其学术诚信含义却天差地别。这种“以量代质”的做法，恰恰反映了当前AI使用制度规范的深层困境。

　　不仅如此，类似的模糊之处仍比比皆是。例如，一些学术期刊虽明确禁止将AI列为合著者，但允许在致谢或方法论部分声明AI的使用；另一些期刊则干脆禁止在论文评审环节使用任何AI工具。这些规定的初衷固然是为了维护学术的严谨性，但由于缺乏对为什么这样规定的详细说明，往往让研究者只知其然而不知其所以然。于是，AI应用检测工具不断升级，规避检测的手段也层出不穷。这种对抗博弈局面恰恰说明，我们还没有真正形成学术共同体内部负责任使用AI的共识。

　　当前，学术界围绕使用AI的争议，主要集中在三个相互关联的问题上。第一，AI能否被用于生成原创性观点？这是一个颇具争议且很有哲学意味的核心问题。其争议的实质在于：AI在生成观点的过程中究竟只是辅助知识生产的工具，还是已经具备了某种“准主体”的特征？AI基于海量数据和算法概率生成的文字成果，能否被视为一种劳动智慧？反对者认为，真正的智力成果源于人类带有意向性的独立思考、批判性审视与创造性劳动，而AI本质上只是概率输出，且这种输出缺乏主体意识与价值判断，不能将其算作真正的智力成果。支持者则辩称，人机协作是时代趋势，研究者通过不断追问引导AI产生有价值的思想，本身就是一种智力活动。AI所激发的“意外发现”，已成为人类认知扩展的重要途径。双方各有道理，但争议之所以持续，是因为我们缺少一个中间层次的判断框架：不是简单地回答“能”或“不能”，而是区分“在什么条件下能”“以什么方式能”“达到什么程度后不能”。例如，一位资深学者在熟悉领域内用AI进行头脑风暴，与一位本科生在入门课程中用AI代写读书报告，显然不应适用同一标准。但当前的制度规范往往“一刀切”，或者完全放任，或者一概禁止，缺乏对使用AI情境差异的敏感回应。

　　第二，AI生成内容的原创性和准确性如何认定？传统学术不端检测主要依赖文本比对，查重率超过一定阈值即被认定为存在学术不端嫌疑。但AI生成的内容往往是基于海量语料的重新组合，既可能与原文献高度相似，也可能呈现出新的表达。这样一来，“抄袭”的边界就变得非常模糊。更棘手的是AI幻觉问题，因为大语言模型可能生成看似合理实则完全错误的引用或事实。如果学生不加鉴别地采纳，不仅涉及学术诚信问题，更可能导致知识性错误。有研究指出，AI在回答教育领域的问题时，如果不接入特定课程的教材和讲义，其答案即使“正确”也可能与教师的教学方法相悖。这意味着负责任地使用AI不仅要做到“不抄袭”，还要求使用者具备足够的学科领域知识来辨别AI输出内容的质量与适切性。

　　第三，使用AI的透明度应达到何种程度？这是最接近形成共识的领域。多数政策规定都要求使用者声明AI的参与情况，但声明本身也存在“灰色地带”：是仅在致谢中笼统提及，还是在方法论中详细描述使用过程？是否需要披露使用的具体工具名称、版本号、提示词？是否需要保留对话记录以备查证？国际上的最佳实践已经指向更精细的要求：不仅要声明“用了什么”，还要说明“用于什么目的”“哪些内容被采纳或修改”，甚至要求将AI的完整输出作为补充材料上传。不同学科、期刊、导师对此期望各异，导致研究者常常不确定“说多少才够”。

　　导致上述三个问题的深层次原因并非技术本身，而在于当前的制度规范较多停留在操作执行层面，即各相关机构制定出各自的操作办法，但这些办法之间缺乏协调，更缺乏对背后价值原则的充分解释。而学术界真正需要的，是通过制定实施一系列关于“在什么情况下以什么方式使用AI是恰当的”跨学科、跨机构的制度规范，逐步形成对“何为负责任使用AI”这一问题的共识。规范不同于策略，它不局限于某一所大学或某一个期刊编辑部的单方规定，而是通过持续对话、案例积累和同行评议等逐渐达成共同认知和一致行动。

　　要走出当前AI使用的困境，不能单纯依靠更繁复的政策文件或更先进的检测技术，而是需要开展一场学术共同体内部的集体讨论，让规范在对话中生成、在实践中检验、在反思中完善。为此，以下三条路径值得尝试。

　　一是学科分会应牵头制定场景化的使用指南。不同学科的学术实践差异巨大，一套通用指南无法覆盖所有应用情境。计算机学会、历史学会、教育学会等学术团体，可以组织本领域的资深学者，围绕本学科典型的学术任务（如文献综述、数据整理、假设生成、模型构建、文本润色、同行评议等）逐一讨论：在哪些环节可以支持AI参与、哪些环节应谨慎使用AI、哪些环节必须完全由作者独立完成，尤其需要明确的是，AI的使用指南不应只面向学生写作业，还应覆盖教师出题与评阅、审稿人撰写评审意见等各种场景。这些指南不必追求强制统一，而应呈现不同场景下的主流观点与争议焦点，使高校和科研院所等在制定具体制度规范时有据可依。

　　二是推动“AI使用声明”成为新的学术惯例。透明度是建立信任的基础。学术期刊、学位授予单位、科研项目管理部门可以联合倡导一种标准化的AI使用声明格式，要求作者在方法论或致谢部分明确说明：是否使用了AI工具，使用了哪些AI工具，用于哪些具体任务，AI生成的内容中哪些部分被采纳、哪些被修改或拒绝，作者在哪些关键环节作出了实质性贡献。当声明成为惯例，使用AI就不再是需要隐藏的行为，而是可以被理解、被讨论、被评价、被改善的公开实践。一些领先的出版商已经开始要求作者将AI的完整输出作为补充材料上传，这种做法值得借鉴。

　　三是建立“案例研讨—规范提炼”的反馈循环。规范的形成需要现实的土壤。高校、学会、期刊编辑部可以定期组织“负责任AI使用案例工作坊”，邀请师生分享他们在实践中遇到的伦理困境与解决方案。例如，一位研究生发现AI生成的某个论点非常有启发性，但无法确定是否属于自己的贡献，该如何处理？一位导师发现自己学生的作业明显由AI代写，但检测工具无法提供确凿证据，该如何裁量？一位审稿人不确定能否用AI辅助撰写审稿意见——如果能，哪些信息绝对不能输入AI？这些真实的案例经过匿名化处理后，可以成为学习讨论的素材。参与者可以在研讨中表达自己的观点，倾听他人的见解，逐渐形成一种默会的知识。这些交流讨论的成果又可以被提炼为指导性意见或常见问答，反过来影响下一轮探索实践。

　　随着AI越来越深地嵌入我们的知识生产过程，抗拒它既不现实也不明智，但盲目拥抱AI同样危险。负责任地使用AI，不是寻找一个一劳永逸的答案，而是在每一次使用中保持清醒的自觉。当前，我们最需要的不是更多的检测工具，而是一场真诚的集体对话。在这场对话中，不同学科、不同立场、不同经验的人可以坐下来，共同探讨一个看似简单实则深刻的问题：在AI时代，什么样的学术实践可称之为“负责任的”？

　　（作者系浙江师范大学高质量教育发展研究院教授；浙江师范大学资深教授）