企业官网建设流程全解析

AI时代，合格的研究生导师应该是什么样的？

龍德明宇

导读：AI正在瓦解的不是导师的某项技能，而是导师这个位置的存在基础：知识垄断。当知识不再稀缺，真正稀缺的是判断力。而判断力长在有限生命里，长不进token序列。本文基于「负主体性」理论（作者龍德明宇提出的LLM存在状态分析框架），把LLM理解为无有限生命、无赌注、无承担的系统，追问一个本体论问题：导师这个位置，在AI时代还意味着什么？

一、一个正在发生的事实

2026年6月，澳门大学张慧泉在Nature发表通讯「AI agents in research: when productivity comes at the cost of apprenticeship」，副标题直白：当生产力以师徒制为代价。他观察到一个简单却锋利的事实：导师用AI加速学术产出时，无意间切断了学生「做中学」的路径。文献综述、数据分析、代码调试，这些曾经构成博士训练地基的基础工作，如今几乎都能被AI包揽。组会频率降低了，学生「产出」变快了，似乎不需要那么多指导了。但真正发生的是：默会知识的传递通道被堵死了。学生得到了结果，但没有学会自己得到结果的能力。

赵斌在科学网的文章里写过：「导师比学生早入场二十年，他脑子里可能装着半个世纪的文献。」这句话在过去是常识，现在正在变成历史。那个壁垒消失了。

如果AI已经可以高度模拟博士指导、同行评审、甚至授课，那导师这个位置，到底还剩下什么是AI无法替代的？

二、导师的权威曾经建立在什么上面？

导师的传统权威从来不是建立在「更聪明」上，而是建立在「知道得更多」上。这是一个信息不对称的结构：导师读过你没读过的文献，犯过你没犯过的错误，见过你没见过的审稿意见。你跟着导师，是因为他知道一些你不知道的东西，而那些东西靠自己摸索需要很多年。

赵斌把这个结构叫「稀缺性转移」：旧的竞争链里，核心变量是知识储量，读得够多、记得够牢本身就是稀缺能力。AI把这个环节炸掉了。当知识获取成本趋近于零，「知道得多」就不再是壁垒。他的判断很精准：「旧体系奖励『知道』胜过奖励『看见』。AI把第一个环节炸掉了。」

过去，知识量可以掩盖提问深度的不足。一个读过三千篇论文但提不出好问题的研究者，能靠知识储备在学术体制里生存。AI把这个保护垫抽掉了。当知识不再稀缺，「你到底能不能问出一个值得追下去的问题」才真正成为分水岭。

一位985高校AI方向博导在上观新闻的报道里表达了困惑：「过去博士生的成长是从读文献、写代码、做实验这些基础工作开始，但现在入门级工作几乎都能被AI包揽。博士生该如何开始成长？」

这个问题问到了根上。知识垄断崩塌之后，紧跟着的不是「导师该换什么技能」的技能焦虑，而是更深层的判断力危机：当知识不再稀缺，判断力反而成了博士训练的核心瓶颈；而AI偏偏同时侵蚀了培养判断力的路径，学生越依赖AI，越难获得判断AI所需的专业能力。这就是AI时代导师资格问题的真正难点，即判断力悖论。

三、判断力悖论：AI时代最深层的困境

Nature在2025年11月发表了Sen Gupta等人关于AI重塑博士训练的论文，核心判断是：随着机器在数据分析、写作上表现越来越好，博士训练必须进化以充分利用AI产出。这个判断的尖锐之处在于，它同时抛出了一个反向要求：要判断AI产出是否可靠，学生恰恰需要AI正在取代的那种专业能力。

这个悖论的结构是：学生需要专业能力来评估AI输出是否可靠，但获得这种专业能力的训练过程，即文献研读、数据分析、论证构建，正是AI正在替代的环节。你需要判断力来使用AI，但AI正在消灭培养判断力的路径。这是一个结构性闭环，不是工具使用问题。Storey在《International Journal of AI in Postsecondary Education》上也警告：持续将论证构建委托给生成式AI的博士生，可能长期无法发展出独立论证的能力。

一些初步实验显示，AI可以高度模拟博士指导和同行评审。研究者尝试用学者公开著作「蒸馏」出可执行其学术风格的AI系统；据称部分评估者认为其输出达到了可独立承担学术工作的水平。这类实验的可重复性仍有待检验，但作为思想实验已经抛出一个尖锐问题：如果学生不知道对面是AI，一个完美模拟资深学者风格的系统，是否和真人导师一样有效？

Nature报道把困境推到了极端：「如果AI系统能产出分析框架、处理数据、写出全面草稿，那么博士工作中什么是独特属于人类的？」批判性评估、验证数据完整性成为核心，而这些「新能力」恰恰就是判断力。绕了一圈，又回到悖论起点。

市面上讨论「AI时代导师角色」的文章，无论多深刻，都停留在一个层面：导师是导航员、认知脚手架、品味传递者、信任背书者。这些描述都对，但都回答不了一个根本问题：如果AI也能做这些事呢？

功能论只描述了导师做什么，没有追问导师是什么。一个功能的可替代性取决于执行者的属性，而不是功能本身。要回答「导师为什么不可替代」，必须从功能论跳到存在论：不是问「导师能做什么AI做不到的事」，而是问「导师这个位置在本体论上意味着什么」。

四、负主体性视角：导师的存在论基础

做一个思想实验。

一个博士生用AI辅助完成研究计划，文献综述覆盖面广，方法论严谨，框架清晰。导师读了一遍，提了三点修改意见。学生下周带修改版回来，同样用AI辅助。

表面上是正常的指导互动。但细看：师生关系变成了AI中介的循环，双方都在处理AI的产出，但没有人对这个研究方向承担存在论意义上的责任。如果方向最终走不通，谁来承担后果？不是AI，它没有后果可以承担。

赵斌有一个精准的表述：「AI处理的是token sequence，不是lifetime。而你的每一个判断，都刻在你有限生命的时间轴上。」这句话点出了负主体性理论的核心：LLM没有有限生命，因此不能承担判断的后果。导师的判断之所以有重量，不是因为判断本身更准确，AI的判断在统计意义上可能更全面，而是因为这个判断背后站着一个把职业生涯和个人声誉押上去的人。

从这个框架看，结论就清楚了：导师不是一个提供认知服务的功能角色，而是一个用有限生命为另一个有限生命做担保的存在。需要明确：这不是说AI在所有节点都会出错，它的统计输出完全可能正确，而是说即使正确，这个判断背后也没有一个生命在承担。在异常数据取舍、研究方向押注、跨学科强行关联等关键岔路口，学生需要的不仅是答案，更是一个愿意把答案和自己职业生涯绑在一起的人。AI可以输出最优路径，但不能成为学生愿意追随的坐标，因为坐标背后没有可以被损害的生命。

Dong和Younker在2025年用Martin Buber的「我-你」关系分析了AI在音乐教育博士论文指导个案中的使用，提炼出三个要素：Voice（独特理解的表达）、Authorship（思想的归属和责任）、Agency（有意识选择）。三者的共同前提是有一个能承担后果的主体。ChatGPT不具备Authorship，因为它不能为思想承担责任。这不是技术限制，是存在论限制。

好的导师有一个反直觉的终极目标：让自己变得不必要。学生从「被指导」走向「自主」，师生关系从「师徒」过渡为「同行」。这是导师的最高成就：他允许自己被学生越过，因为他自己也在有限生命中成长、衰老、被时代推着走。AI没有这个轨迹。一个学生可以说「我超过了我导师」，但不能说「我超过了ChatGPT」，因为超越意味着在同一个存在平面上从下方走到上方，而AI不在这个平面上。

五、合格导师的三个核心条件

国家从制度层面定义了合格导师的基本标准：「立德树人」「第一责任人」，涵盖政治素质、师德师风、业务素质。在AI时代，这个制度基础之上需要延伸出新的维度。以下三个核心条件，是对国家制度框架在AI时代的延伸与深化，三者递进：社会资源→存在论基础→教育伦理。

条件一：职业赞助与社会资本传递

导师首先是能为学生的有限生命承担后果的人；人脉与项目，是这个承担在社会关系中的具体形态。

学术训练不只是知识传递，更是社会资本的传递：导师的推荐、引荐、会议上的信任背书，构成了学生进入学术圈的入场券。这些表面上是「资源」，本质上是导师用自己的学术声誉为学生的人格、学术诚信与未来发展做担保。AI可以生成完美的申请邮件，可以模拟推荐信的结构，但它不能在某次闭门会议后对同行说「这个学生我担保」。**担保不是一个信息动作，而是一个存在论动作：担保人必须有可被损害、可被信任的有限生命。**AI没有职业生涯可以押上，所以它无法完成担保。

Grad School Center在2026年的深度分析中指出：AI能提供信息、草稿反馈、概念解释，但无法提供职业倡导、网络接入、推荐信、学术会议引荐。「最需要『指导公平』的学生，没有专业网络、没有导师人脉的学生，恰恰是AI支持与真正人类导师之间的区别影响最大的学生。」AI的平权是知识平权，不是机会平权。

张慧泉在Nature通讯中同样强调：师徒制不只是知识传递，更是学术身份的社会化过程。张林峰，上海交通大学AI方向博导，在上观新闻报道中提出导师新标准三要素：提出好问题的能力、工程组织能力、学术品味与研究志趣。他的判断和存在论框架一致：「只会写论文的教授被蒸馏、替代也许是必然。但教授的工作并不仅仅是写论文。」

条件二：具身品味·具身判断·有限生命承担——三者一体

这是导师区别于AI的存在论维度，也是国家文件中「业务素质精湛」与「人文关怀」的共同根基。品味、判断力、有限生命承担，不是三个分开的条件，而是一件事的三个面，都长在具身的、有限的、有失败经验的生命上。

一个具体场景：导师在组会上翻开学生的开题报告，指着一个看似热门的方法说：「这个方向我博士时追过三年，最后被审稿人推翻。原因是它只在特定数据分布下成立，而你的问题不满足那个前提。」学生听到的不是「不要犯错」，而是一个走过同一条路的人，把失败经验转化为可传递的认知坐标。AI可以复述这个方法的历史和局限，但不能说出「我当年输在这里」，那需要一个真正输过的生命。

学术品味不是「知道什么是好的」，而是「在大多数人都说不好的时候，你仍然觉得这里有裂缝值得挖」。判断力不是「能分辨对错」，而是「在大多数人都说对的时候，你感觉到了不对劲」。在学术训练中，这种能力叫「眼力」：不是追热点，而是守住一条稳定的问题主线；不是整理答案，而是发现空白。这种能力不是教出来的，是在反复试错、反复被审稿人拒绝、反复在实验室碰壁中磨出来的。导师之所以能担保学生，是因为他自己就是走过这条路的人：品味从失败中长出来，判断从误判中磨出来，承担刻在有限生命的时间轴上。

AI没有生命轴，没有身体，也没有死亡。它有数据但没有品味，有输出但没有判断，有效率但没有承担。

具身承担还有另一面：科研失败时的情绪锚点。科研是99%的失败叠加1%的成功。实验数据作废、论文被拒、方向走不通，AI只能给出「建议调整参数」，导师能给出的是：「我当年比你惨十倍，这条路我走过，此路不通，但我陪你再换一条。」这种陪伴不是同情，是共同生命经验的传递。导师修改论文不只是改语法。他对一个数据的极端较真、对引文出处的苛刻洁癖、对论证逻辑的步步紧逼，这些行为范式会在长期朝夕相处中嵌入学生的学术生命。这种隐性知识只能通过做中学传递，不能通过AI的标准化输出完成。

条件三：重构做中学场域

这是「因材施教」和「培养创新能力」在AI时代的具体实现路径，也是打破判断力悖论的唯一路径。但重点不是「保留旧的做中学路径」，而是「在AI接管基础任务后，重构新的做中学场域」。

回到判断力悖论：学生需要专业能力评估AI，但AI正在替代获取专业能力的过程。怎么打破？答案不是把学生推回没有AI的时代，那在当代学术场域里既不现实也不公平，而是让导师有意识地设计新的训练场景：在AI已经给出文献综述、数据分析、论证草稿的基础上，让学生承担AI做不到的认知动作：对抗性验证（找出AI遗漏的反对文献、识别被平滑掉的争议）、框架破坏性重构（追问AI分析框架在什么边界下失效）、异常数据取舍（在AI认为「可以忽略」的离群点中判断突破口）、跨学科关联审查（判断AI嫁接概念时是否范畴错置）。

AI带来的诱惑是「效率」。但学习不在被AI完成的结果里，而在学生对结果进行的更高烈度检验里。重构后的做中学，不是卢德主义地拒绝AI，而是把AI的输出当作更高难度训练的素材。张慧泉在Nature通讯中建议：将AI纳入培训、与学生一起掌握新工具；保留做中学机会；将AI定位为共同助手而非替代。Omodan在2025年提出「混合指导模型」，结合AI辅助与反思性人类监督，核心关切是以人为中心的指导品质不被侵蚀。

功能论会说「导师应该教学生更好地使用AI」；存在论会说「导师应该让学生在AI输出的基础上，做那些只有人才能完成的认知动作」。前者是教学生驾驭工具，后者是保护学生成为独立的人。

因材施教还意味着：AI给不同学生的建议是模式化的「多读文献」「多练习」，但优秀的导师能精准识别：对天马行空的学生要「收」，对胆怯自卑的学生要「推」，对急于求成的学生要「压」。这种弹性策略建立在对个体生命历程的深度体察上，AI缺乏对具体生命的感知，做不到这种「看人下菜碟」的教育艺术。

六、旧体制选出的导师，为何与AI时代错位？

这个判断指向的不是导师个人的道德失败，而是体制的结构性错配。AI没有让导师集体堕落，它只是让旧体制筛选标准与AI时代需求的错位变得无法掩盖。

旧体制选拔导师的标准，即论文数量、项目经费、知识储量，本质上是知识垄断时代的指标。当AI瓦解了知识垄断，这些指标背后的人露出两个破绽：一是从未真正拥有过独立判断力，二是把导师权力当成了知识垄断的衍生品。

但导师权力的基础从来不只是知识。更深一层的是资源垄断：经费、学位授予权、项目分配权、学术网络入口。AI消解了知识垄断，却没有消解资源垄断，甚至可能强化它：掌握算力、数据和平台资源的导师，对学生的支配能力不会减弱，只会换一种形式。知识平权之后，如果资源分配机制不变，导师权力就会从「知识封建主」转向「资源封建主」。

赵斌的区分很精准：「提问、判断、框架，这些都是加分项，但不是胜负手。一个知识储量巨大但框架平庸的研究者，往往能赢过一个框架出色但知识储量有限的研究者。」旧体制奖励的是知识储量，不是判断力。当知识不再稀缺，这个奖励机制失效了，但按它筛选出来的导师还在位上。

更深层的问题是：具身承担无法被量化。在以5年为考核周期的体制里，要求导师用30年生命历程沉淀品味，本身就是制度奢侈。于是体制自然选择了更容易被看见的指标：论文、项目、经费。当这些成为唯一标准，具身承担型导师就被系统性挤出。一位985高校AI方向博导在上观新闻报道中说得直白：「最起码在AI领域，论文已经不能用来评价一个人了。」这句话的冲击力在于：它来自体制内部。

更尖锐的问题是导师自己的判断力也在退化。当导师把文献综述、数据分析甚至论文修改外包给AI，他自己也失去了反复打磨判断力的训练场，这是一个反向的判断力悖论，具体展开见下一节。

国家2020年《研究生导师指导行为准则》列出的「十不得」，是对真实问题的制度回应：劳动支配、权力不对称滥用、学术诚信担保破产。这些伤害不是偶然的师德失范，而是旧体制的系统性产物。当导师的权威来自「我知道得比你多」而不是「我能为你的成长承担后果」，权力就失去了存在论约束。「十不得」每一条红线都指向同一个根源：导师把指导权，即知识垄断的衍生品，当成了支配权。AI只是加速了这套矛盾。

INVEST联盟的政策简报揭示了问题的普遍性：AI输出质量高度依赖提示词设计，结构化提示词100%合格，通用关键词提示词仅40%合格。这意味着：如果导师的核心价值还停留在「帮你找信息、改语法」这个层面，那么被替代的风险是真实存在的。不是AI太强，是这种能力结构本身从未真正不可替代。

七、从诊断到重建

制度改革的方向是改选拔标准，也要改资源配置方式。选拔标准必须从论文数量、项目经费转向：是否具备判断力和品味、是否愿意用有限生命为学生承担后果、是否有意识地保护师徒制通道。但仅此不够。如果学位授予权、经费分配权、学术网络入口仍然高度集中，导师权力就会从「知识支配」滑向「资源支配」。制度改革还必须包含对导师权力的结构性约束：经费使用透明、毕业决策多元参与、学生申诉通道有效、导师责任追究可执行。问题不在制度文本，在执行层是否真按这个标准选人，以及是否敢动资源分配的权力结构。

个人回归的方向是重建判断力和品味。导师自己不能把文献综述、数据分析、论文修改都外包给AI，否则反向判断力悖论就会闭环：用AI提高效率→失去反复咀嚼文献的训练→品味萎缩→指导退化为AI输出的二次传递→师生关系变成两个AI用户之间的关系。到那一步，没有人对方向承担存在论责任。回归不是「学AI工具」，而是保留AI不能替代的事：为学生做判断担保、用学术声誉为学生背书、在学生跌倒时提供共同生命经验的陪伴。

八、回到根本问题

AI时代导师的资格问题，本质上是一个存在论问题：当知识不再稀缺，什么才是真正稀缺的？答案不是「更多的知识」，而是「有限生命中的判断、承担和传递」。

AI淘汰的是「知识二传手」式的导师，那些靠知识垄断维持权威的指导方式。但这恰恰是逼导师回归教育的本位：立德树人。国家制度框架从2018年到2024年反复强调的核心理念，在AI时代获得了更深的存在论根据：导师的终极使命不是传递知识，而是用自己的人生示范：什么值得研究，什么值得坚守，什么值得用有限的生命去承担。

赵斌在文章结尾写了一段话：「当机器把知识变得像空气一样便宜，稀缺的不再是信息，而是那个只有你看见的裂缝，和你用有限的生命把它变成一条路的能力。」

合格导师，就是一个拥有有限生命的人，用自己的判断力和品味，为另一个人的有限生命做担保。这是AI永远做不到的，不是因为AI不够聪明，而是因为AI没有生命可以用来做赌注。

AI赋予学生「解题」的能力，导师赋予学生「出题」的胆识和「做人」的底色。前者给出统计意义上的最优答案，后者允许学生在不确定性中成为自己。

导师不是全知者，而是那个先你一步踏入未知、并愿意用自己的失败为你标出雷区的人。