2025年12月26日，一场主题为“人工智能驱动的学术研究新范式”的学术交流活动在上海电机学院闵行校区二教成功举行。本次活动由普林斯顿大学在读人工智能博士夏宇凡主讲，聚焦学术研究与人工智能的融合应用，围绕论文写作的核心方法与规范展开系统讲解，并结合具体案例演示AI在选题构思、文献梳理与写作辅助中的实操路径，同时分享个人申请世界名校的经验与策略，为同学们提供了一套可直接落地的科研工作流程。
活动伊始，由何修传老师开展会前宣讲。何老师首先对到场嘉宾与参会师生表示热烈欢迎，并强调在科研范式加速演进的背景下，理解并掌握“AI辅助科研”的正确方法与边界，对于提升研究效率、规范学术训练、拓展科研视野具有重要意义。
随后，主讲人正式开启主题分享，并明确指出：人工智能本质上是工具，无法替代人的思考与判断。围绕“如何规范使用AI”这一核心问题，主讲人提出“谨慎使用、质疑一切结果”的原则，强调在使用过程中要做到“问来源、问逻辑、盯细节”。具体而言，面对AI输出的结论，要追问是否具备可靠引用与可追溯数据；推理链条是否完整、是否存在概念偷换或因果倒置；单位、符号定义、数据预处理与指标计算是否一致。同时，主讲人提醒同学们警惕写作过程中偏离研究主线，避免被“语言顺、听起来像对但缺少证据支撑”的表达带偏；在创新层面不要被“主流答案”牵着走，要主动提出差异化视角与假设；并防范AI幻觉与偏差，关键结论必须经由人工核验与复现验证。
在方法论层面，主讲人以“场景化任务”引导同学掌握与AI协作的高效提问方式：当导师要求阅读一篇SCI论文并在其方法基础上进行改进、但自身对领域尚不熟悉时，可采用“三步走”推进——第一步，通读文章并让AI解释不理解的概念与段落；第二步，用“三连问”抓住论文骨架：研究要解决什么问题？用什么方法解决？方法成立的关键假设是什么？第三步，让AI充当“搜索引擎+筛选器”，快速汇总强相关研究，梳理同行通常如何解决、常用哪些方法、与目标论文在假设与路径上的差异，从而为“改进点”寻找可操作空间。
在“具体例子”环节，主讲人以“基于双重注意力机制与混合逻辑斯蒂分布的声音克隆方法”为样例，示范如何把复杂题目翻译成一句“人话”，并将其拆解为“问题—方法—假设”的清晰结构：让计算机学会模仿某个人的声音，并且实现“又像又自然”。在此基础上，主讲人进一步引导同学们追问研究原理与可检验假设，例如双重注意力的数学含义、分布假设的合理性、不同分布（逻辑斯蒂/高斯/拉普拉斯）对真实语音的贴合程度、以及连贯性是否需要引入时间维度建模等，帮助同学们完成从“看懂”到“能质疑、能改进”的能力跃迁。
围绕“课题延伸与方法取舍”，主讲人强调：并非“注意力越多越好”。模型复杂度提升通常伴随训练与调参成本上升、可解释性下降以及过拟合风险增加，并非所有场景都值得引入复杂机制；在简单播报、无情绪通知音等任务中，过强模型可能反而是“用大炮打蚊子”。同时，主讲人结合“说话人特征提取（声音像谁）”的思路，说明“先识别身份再生成”的路径在迁移速度与辨识度上的优势，也指出其可能出现“像但假”“情绪语气不够细腻”等问题，为后续评价指标设计与改进方向提供了明确切口。
活动尾声，主讲人将“科研能力建设”与“学术发展规划”衔接到美国博士申请的关键要点，指出科研经历是核心维度之一，通常可通过科研发表（客观能力展示）、推荐信（相对客观的能力描述）与文书（主观呈现思考过程）形成互证；此外，相关性强的实习/工作经历、荣誉称号、奖学金与高绩点等也可形成有效加分项。主讲人鼓励同学们将日常科研中的“问题意识、方法选择、证据链构建”沉淀为可展示、可复用的学术叙事，在学术规范前提下让AI成为提升效率与质量的“助推器”，而非替代判断与原创的“代行者”。
