写于2026年5月:AI做科研和人类做科研有什么区别?-夜雨聆风

写于2026年5月:AI做科研和人类做科研有什么区别?

AI 强势介入科研，论文产出的数量正迎来一场指数级的爆发。

海量的文献堆砌，并未如期带来同比例的智识增量，反而让每篇论文的平均价值急剧缩水。

当学术界正演变成一个巨大的 Agent-to-Agent 社交媒体，我们必须重新审视：人的坐标到底在哪里？

一、 AI 介入科研之后

2026年，人工智能早已正式进入科研流程。

但是，当论文数量在增加，大批量的平庸论文也随之问世。

直接原因在于语言模型的底层逻辑。语言模型天生具备极强的结构性，也就意味着 AI 写出来的东西，往往会为了结构的工整而牺牲逻辑的连贯，导致文本中出现大量重复。你在引言里读过的话，到了论证部分往往会原封不动地再现。

这种“高效”的文字接龙，本质上是在已知知识的空间内进行“插值”——它根据统计概率，在 A 点与B 点之间，填充出一段听起来最为合理的续写。这种续写并非是思想的破局，而是对平庸共识的二次反刍。

当AI在“提效”方面的作用毋庸置疑，有一大批人在利用这种“效率差”疯狂变现。他们量产论文，抢占录用机会，收割最后一波学术红利，然后带来论文数量的虚假繁荣。

然而，这种繁荣是极其脆弱的。

当发表论文不再是门槛，发表本身就失去了意义。

当发表数量这一指标开始贬值，我们过去依赖的评价体系，比如 H 指数、引用指数，将会彻底崩溃。

如果整个学术圈都被 Agents 驱动，学术界本质上就成了一个自动化的流水线。

论文是 Agent 写的，审稿是 Agent 审的，Rebuttal是 Agent 生成的，甚至连海报和演讲都是模拟仿真的。

当论文写作逐渐沦为 AI Agent 流水线的副产品，学术界已经变成agent-to-agent的社交圈，那又何必需要人类介入？甚至干脆不需要使用人类语言，不需要考虑人类可读，学术期刊都不是必需品。

如果只需要营造面向Agent设计的研究生态，那么人类读者如何自处。

不幸的是，这种情况或许已经近在眼前；但幸运的是，至少当前还没有。

那么，人类至少还有几年（或者几个月）来思考：对人类学者来说，如何做出最有深度、最能影响人类认知的研究工作？

二、何为大师?

AI+科研的种种现象已经证明：AI是最强的“脑力杠杆”。它能够极大地提速提效，也能快速放大人与人之间的差距。

AI能把少数人的高阶认知资本无限放大，同时把平庸的标准化技能大规模替代。

无论技术人员如何鉴定当前的AI达到了高中生还是本科生的认知水平，至少在科研方面，AI依然无法具备顶尖人类学者的三个核心特质。

第一，长期且深刻的问题意识。

AI 可以根据指令生成问题，但它永远不会被一个问题所困扰。它没有“认知不适”，如果没有输入，它便处于死寂。

真正的学者，往往被某个问题长期折磨，那种非要撕开理论弱点不可的执念，是任何算法都模拟不出来的。

费曼曾提到，他在脑子里同时维持着十几个开放性问题，每遇到新信息，他会立刻判断它能否照亮其中某一个。

从信息交互的角度来看，AI改变的只是信息的供给效率，但是真正决定信息需求的还是人类用户自己。人类需要自己发问“我到底想知道什么”才能激发对AI的高效利用。甚至可以说：人类对信息的需求程度越高级，AI的信息供给效果才能越高明。

但是，这个问题的回答难度，丝毫不亚于苏格拉底的那句名言“认识你自己”。

能够时刻知道“自己想知道什么”，绝非易事，要么受过严格的学术训练，要么是大彻大悟、领悟人生智慧。在这个层面上，工具的实际使用价值不在于工具本身，而在于使用者自身。长期且深刻的问题意识能够高效驱动AI。

第二，学术直觉与审美判断。

AI 的逻辑是连续性的，它在已有概念之间建立连接，在已知点之间填充内容，无法真正质疑训练数据建立的世界观。

而天才的思维本质是跳跃性的。他们不只是在已有知识中检索，而是在阅读、思考、观察的过程中，持续感知哪里有张力、哪里有矛盾、哪里有尚未被命名的现象。这种感知不是算法，而是长期浸泡在一个问题中形成的直觉。

比如爱因斯坦，他提出相对论，是因为他愿意追问一个被认为“不成问题”的问题：如果我以光速奔跑，看到的光是什么样的？

越是天才，越是需要对问题的直觉判断。这种直觉不是计算，而是来自无数次思考、阅读与实验现场经验的反复校验，它更接近一种审美、一种想象、一种直觉。

正如哈代所言，“美是检验数学真理的第一道关卡”。

顶尖学者对理论的简洁、统一和解释力有本能的偏向，这让他们在混沌的数据中，能直觉性地偏向正确的那一个。

任何科研走到最后，需要的不仅是智慧，而是勇气。那种迈向“无人之境”的勇气——在那里没有共识，没有对错标准，只能靠自己一锤定音。

但是这一系列能力，目前的AI还不具备。

第三，长期主义。

从用户交互的角度来说，AI注定是短期主义者：凡是有问，必须回答，而且必须一次性给出答案。

但是真正深刻的问题是不容易找到答案的。

尤其是伟大的发现、研究范式的突破，往往需要漫长的失败期，达尔文从考察归来到发表《物种起源》，用了二十年。这期间就是漫长的失败、修正与应对反驳。

AI 没有这种时间维度上的坚持，它不会因为一个假设被推翻而感到沮丧，也不会因此变得更强。

从知识结构上来说，AI的知识是宽而浅、均匀分布的。它对量子力学和文艺复兴绘画的“了解”，在形式上是对称的，但也都是浅尝辄止的。

而顶尖学者在长期研究的积累下，其知识结构则是极度不对称的。他们在自己的核心领域，有着远超AI的深度积累，包括大量未发表的思考、失败实验的教训、与同行争论的记忆、以及对领域内隐性知识的把握。这些东西从未出现在任何文本中，因此AI永远无法获得。

只有这种长期坚持，才能超越已有研究范式，对整个知识界的既有框架展开反思，才能在别人认为理所当然或者毫不相干的地方发现问题。

就像达尔文在加拉帕戈斯群岛看到的和同行看到的是同样的鸟，但只有他问出了那个问题。

就像香农将布尔代数引入通信工程创立信息论，只有他能看出这两个领域看似毫不相干，实则包含更深层次上的同构关系。

归根结底：AI极大地扩展了科研的效率边界，就像望远镜扩展了人类的视野边界一样。但望远镜本身不会提出宇宙起源的问题，不会在观测数据中感到震惊，不会在两个不相干的现象之间突然看到联系。

大师之所以是大师，恰恰在于他们做了那些 AI 做不到的事：在混沌中识别意义，在失败中坚持，在边界处突破。

三、学者必须进化

AI进化速度很快。在现阶段，一篇论文的生成或许需要人类学者反复监控、调试、检阅、修改，但是随着大模型迭代，自动化科研的 Multi-Agent 系统正在飞速发展

人类学者必须重构自己的能力地图，必须要去配合AI、超越AI、对抗AI。

首先需要配合AI。当然，配合的本质就是服从。这个时代的年轻人，必须学会使用AI。

然后需要超越AI。要知道AI给你的是听起来合理的答案，不是经过检验的答案。AI为了文字接龙的流畅，可以胡编乱造参考文献，甚至捏造一个不存在的“研究空白”。所以，人类学者必须在某个细分领域，超越AI层面的通识理解，锤炼自己独特判断力。在Agent时代，哪怕不需要你懂代码，但一定需要你的逻辑构建能力、审美能力和决策能力。