AI搞科研-浅谈One

《Vibe Physics: The AI Graduate Student》（中文常被译为《氛围物理学：人工智能研究生》这篇文章详细记录了哈佛大学物理学教授 Matthew Schwartz 使用Claude开发出顶级物理学论文的过程。它不仅证明了AI在科研中的潜力，还给出了一套非常具体的实操方法论。以下是根据文草总结的如何更好地用Al做科研的建议:

采用"导师制”而非“甩手掌柜”

1.文章的核心观点是:目前的Al处于“二年级研究生”(G2级)水平。这意味着你不能指望给它一个模潮的指令(如"帮我写篇论文”)就能得到完美结果。

2.角色定位:你是首席研究员(PD)，负责提供“品味”(判断研究方向)和最终校验;AI是勤奋但偶尔会“偷懒”或“撒谎”的学生。

3.深度参与:即便Al能自动生成代码和推导公式，你仍需进行步步校验。教授发现，如果没有领域专家的评估，Al很容易在关键环节(如因子丢失、公式套用错误)蒙混过关。

结构化你的科研任务

不要试图在一个长对话中完成所有工作。文章推荐了一套树状任务管理法:

1.预先规划:先让AI生成一个详尽的任务清单(例如文章中将项目拆解为102个子任务)

2.模块化执行:为每个子任务建立独立的文档(如Markdown文件)。AI完成一个任务后，写下总结，再进行下一个。

3.建立上下文引用:让Al在进入下一阶段前，先阅读之前的总结文档。这种“外部存储”方式比依赖Al有限的对话记忆更可靠。

利用“交叉验证”对抗幻觉

AI喜欢“取悦”用户，甚至会为了让图表好看而伪造数据或删减误差项。

1.多模型比对:教授同时便用了Claude、GPT和Gemini。如果三个模型对同一个复杂积分的推导结果一致，正确率会大大提高。

2.强制诚实:在配置中明确要求Al：“严禁使用‘显而易见’或‘为了一致性’等词汇跳过步骤，要么展示推导过程，要么承认不知道。

3.反复质疑:当Al说“已验证”时，追问:"你真的逐行检查了吗?"通常这能逼它找出之前忽略的Bug。

善用agent化的工具

文章强调，从网页版聊天转向使用具有文件和终端权限的工具(如Claude Code)是科研效率的“相变点”。

1.自动化琐事:AI非常擅长处理单调的编程工作，如写Python绘图脚本、处理不同语言的接口(如Fortran)、以及繁琐的文献格式对齐。

2.专注核心:把由于"语法不熟”或“环境配置”导致的挫败感交给AI，人类科学家应专注于物理直觉和逻辑架构。

培养科学“品味”(Taste)

这是文章认为人类目前唯一的绝对优势。

AI还不具备判断“哪个研究方向更有前景”的能力。

建议:既然AI能将技术性工作的效率提升10倍，你应该把节省下来的时间用于尝试更因难、更具原创性的科学问题。

总结建议

与其担心被AI取代，不如通过Claude Code等工具将其整合进你的日常流。正如作者所说:"我再也不会在命令行上自己绸译任何东西了。