AI时代,科研的根本:不迷信常识,只相信实验

AI时代，科研的根本：不迷信常识，只相信实验

AI正以前所未有的速度制造着新的"常识"：大模型自信地陈述事实，算法精准地预测趋势，数据屏幕给出毋庸置疑的结论。然而，科研的根本从未改变——不迷信常识，只相信实验。在AI时代，这句话不是怀旧，而是生存法则。

一、AI正在制造人类历史上最大的"常识陷阱"

AI大模型基于海量数据训练，本质上是在编码 “人类已知的共识”。它能快速完成自动化流程编排、生成精准预判方案，却无法察觉共识之外的特殊异常。智能气象预报系统依托多年气象大数据推演天气走势，常规天气预测准确率极高，可面对极端罕见的突发强对流天气时，常出现预判偏差。只因这类极端样本过少，模型便把罕见特例默认为不会发生，难以突破已有数据认知局限。

更隐蔽的危险在于，AI的输出自带权威光环。研究表明，当AI给出看似精准的答案时，科研人员的思辨性思维会显著下降，将AI的推断直接当作实验的替代品。常识不再需要论证，因为"AI说的"本身就成了新常识。这是科研史上从未有过的困境：工具不仅替代了劳动，还在替代判断。

二、实验是唯一不能被算法跳过的诚实环节

美国理论物理学家费曼说过："科学是相信专家的无知。"这句话的核心不是否定专家，而是否定一切未经检验的确定性。实验之所以不可替代，不在于它更准确，而在于它诚实——它强迫你面对数据，而不是面对你希望看到的结果。

AI可以帮你设计实验方案、优化参数组合、预测可能的结果，但它无法替你走进实验室，无法替你在显微镜下看到那个不该出现的斑点，无法替你在试验重复失败后决定"再试一次"。某大学利用GLM4大模型开发的AI助教已能实现范例生成和运算推理，但正如研究者所强调的，这些功能的价值在于解放人力去做更高阶的创新，而非替代实验本身。某大学化学课堂引入VR模拟实验，学生通过参数调整观察放热现象，实验损耗大幅度降低——但虚拟实验的每一个结论，最终仍需回到真实的试管和天平上验证。

这就是科研的铁律：AI可以缩短从假设到实验的距离，却不能取消实验本身。就像望远镜不能取消观察，计算器不能取消数学。

三、不迷信常识，意味着敢在AI的"确定性"面前说"等等"

科研史上每一次范式突破，都始于对常识的背叛。魏格纳看到非洲和南美洲海岸线吻合，常识说大陆不会动，他偏要实验——古生物化石、地质构造、古气候证据，最终证明大陆确实在漂移。今天，AI告诉你"这个方向不会有突破"，你敢不敢反着来？

AI时代的科研者必须具备一种新素质：对AI输出保持"建设性怀疑"。不是盲目否定，而是把AI的结论当作假设零，而非假设一。某科技大学构建的智能学业预警系统，通过大数据预测学生学习风险，但真正改变学生命运的，不是系统的预警本身，而是教师基于预警开展的一对一干预实验——尝试不同的帮扶策略，观察真实的改变。

正如生成式AI研究指出的，教师要学会用"提示工程"引导AI，更要在AI出现幻觉和方向偏差时及时干预。科研同理：你可以让AI跑十万次模拟，但第十万零一次，你必须亲手调那个旋钮，看仪器上的指针到底往哪偏。

AI让科研变快了，但快不等于对。当所有人都在用同一个模型、同一个数据集、同一个"常识"时，真正的发现恰恰藏在那个被算法忽略的离群值里。科研的根本，从来不是效率，不是共识，不是AI给出的最优解——而是那个笨拙的、不可跳过的、必须亲自动手的实验。不迷信常识，只相信实验。这不是对技术的拒绝，而是对真理的敬意。（李志民，图片源自网络）