张涛：AI辅助论文写作，人机协作为何“非对称”？

AI会取代研究者吗？“AI生成率”要不要检测？用AI的比例是否该申报？近来，人工智能进入学术写作引发的争论接连不断。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办。四川大学历史文化学院副研究员张涛作主旨讲座，题目是“非对称人机协作”，讨论的是AI辅助论文写作的原理、误区与实践技巧。该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，《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”

张涛提到，当前公共讨论中存在一个普遍现象：谈到人与AI的关系，多数人靠的是想象。一种想象把AI看成无所不能、迟早取代研究者的“替代者”，另一种想象则把它视为随时出错、无法控制的“威胁”。两种想象看似对立，根源其实相同——对技术如何运作缺乏了解。

张涛认为，正因为原理层面的认识不足，很多讨论最终只能落在道德批判和道德呼吁上。比如“给AI划界”常被提起，可这条界线究竟依据什么来划、划在研究和写作的哪一步，却很难讲清楚。“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”、可以按比例拆开。张涛说，这个前提本身就该追问：倘若人机协作的结构并非如此，那么建立在这一前提上的规范设计，处理的可能就是一个假问题。

讲座没有从抽象理论开场，而是先讲具体的写作技巧和工作流程，从实际操作中碰到的问题出发，再追问其背后的技术原理。张涛的看法是，讨论人机关系若不落到具体实践环节，就很难跳出想象；反过来，实践中的每一个具体困难，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

技巧部分，张涛讲了自己的AI辅助论文写作流程，归纳为“对话—提纲—生成—核查”四个环节。他拿自己的一篇习作当例子，细说了如何与大语言模型配合：对话怎么展开、提纲要细到什么程度、生成具体文本时怎样防止被AI带偏，等等。

他直言，这套流程本身不算新，和传统的自主写作流程大体一致，不少使用者也已摸索出相近的步骤。问题在于，大多数人不了解模型的技术原理，于是每个环节都可能卡住：生成的内容千篇一律、没有新意；论证读着顺畅，细看却站不住脚；模型总顺着自己的思路讲，提不出有价值的反对意见。由于不清楚这些问题从何而来，也就找不到有效的解决办法，结果往往是试了几次就得出“AI写不了论文”的结论，放弃得太早。

张涛强调，整个流程中研究者必须全程把控。文章的创新点和整体框架尤其不能交给机器。

三、非对称人机协作

为什么必须这样？讲座第二部分转到原理层面，张涛提出了本次讲座的核心概念：非对称人机协作。

他专门说明，“非对称”比较的不是人和AI谁能力更强，而是指由技术原理决定的一种协作结构。大语言模型生成内容，依据的不是对意义的理解，而是概率分布和形式结构；在现有技术范式下，模型没有“主动阐释”的能力，生成的内容始终以用户给出的上下文为前提。因此，人机协作不是双方“各贡献一部分”，而是由人来定方向，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。

不少使用者抱怨AI“平庸”“同质化”，恰恰是这一结构的直接反映。缺少明确引导时，模型会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，若不加引导，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，它才会沿新方向展开。要让模型离开高概率空间，得依靠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、生成的内容是否真有新意，最终仍要由研究者判断。创新点和框架不能交给机器，原因也在这里。

这一结构还决定了写作过程中始终需要人来盯住的三件事。头一件是事实，事实写错、引文引错都算，随着检索增强等技术往前推进，这类毛病正在一点点减少。第二件是事实之间的关系怎么搭：材料与材料之间，模型几乎想连就能连上，可这条线到底站不站得住，它判断不了。第三件是逻辑框架，模型学的是文本表面的形式规矩，碰上复杂的论证链和理论前后是否自洽，就常常掉链子；偏偏话写得顺，反而把底下的毛病盖住了。后两件最难发现，也最吃研究者的学科功底，“核查”这一步的重心就落在这里。

那为什么说“协作”，光说“使用”不行吗？张涛的解释是，数据库、统计软件这些老工具，输出什么样事先能料到，不会把研究方向带偏；大语言模型不一样，它会在研究过程中悄悄施加方向性的影响。经过人类反馈强化学习之后，模型有明显的“讨好”倾向，顺着用户的框架往里填细节，对核心假设却几乎不会提出根本性的反驳。按他的说法，模型生成的内容，说到底就是“用户自身思维倾向的显性化与扩大化”，用户那些偏见和盲区，被它包装得更完整、更“合理”。

所以张涛认为，AI不会削弱学术研究的主体性，反而对研究者要求更高。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，这些都无法交给机器。

四、署名者的判断力才是关键

讲到最后，张涛又绕回开头的那个问题。他的看法是，在这种不对称的协作结构里，写作水平高低取决于使用者自己的思维水平。用得对，成果照样是署名者的研究能力和判断力；用得不对，毛病也不出在工具上，而是署名者没把核实、判断和把关的责任担起来。

这样看来，“AI会不会取代研究者”“生成内容占多大比例”这些问题，恐怕都得换个提法。张涛表示，各学科真正该做的，不是凭想象给AI画一条界线，而是在弄懂技术的前提下把它用起来，纳入学科方法论的反思框架，使其成为可掌控的研究工具，而非左右研究方向的外力。

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。

在《上海视觉》做编辑的陈云度，从审稿人的位置讲了自己的感受：近期送来的稿子读着顺、框架也完整，可彼此之间像是一个模子刻出来的。张涛提到的“高概率区域”，在编辑案头看得见摸得着，编辑部审稿时也就更看重研究本身的质量，即张涛所说形式那一层。思勉人文高等研究院讲师章含舟把话题推到技术层面，围绕“AI是否‘理解’”与张涛来回辩了几个回合，交锋相当激烈。社会主义历史与文献研究院的丁夏阳则讲起自己搭数据库、做OCR识别时碰到的各种麻烦，这些实践中的经验，正好对上了张涛对大语言模型底层原理的判断。

上海师范大学

几位青年学者则更多从自身的写作经验出发。

上海理工大学中国近现代国情研究所研究员苏晓涵盯的是默会知识。他的看法是，那些说不清道不明的默会知识怎么才能进入人工智能应用，这个问题需要认真想；分布式表征、神经符号AI、知识图谱嵌入这些新技术，也许给出了可行的路子。华东师范大学中国诸子研究院副研究员方达和上海理工大学社会治理能力现代化研究所研究员陈沛超，都认可张涛对训练语料与模型调用“主流阐释”之间关系的分析。

收尾环节由孔娜、刘振华依次作总结。孔娜谈了档案馆这几年数字档案馆建设的进展。她说，档案数字化和智能检索已是大方向，可档案鉴定、编研以及校史书写，到头来还是得靠人来判断。刘振华的说法是，讲座表面讲写作技巧，实际碰到的是AI时代学术训练的根本问题；高校教师在上“中国近现代史纲要”这类课时，也该把培养学生提问能力摆到更靠前的位置。

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。