夜雨聆风
一个课题组真正缺的，常常不是更多聊天机器人。
缺的是一套能让好问题更快暴露、让错误更早出现、让学生更快进入状态、让论文和代码不再散落各处的工作系统。
这就是“AI 原生课题组”要解决的问题。
这里的 AI 原生，不是每个学生都开一个对话框，也不是让 AI 替老师写论文。它的意思是：把 AI 当成课题组的基础设施，像文献库、代码仓库、组会制度和服务器一样，嵌进每天的研究流程里。
学术课题组当然不是初创公司。论文也不是产品，学生更不是员工。但二者有一个相同的难题：以前很多事情要靠人堆，现在可以靠系统放大人的判断力。
很多课题组使用 AI 的第一步，是让它总结文献、润色英文、改代码。
这当然有用，但还停留在“工具”层面。
AI 原生课题组要往前走一步：让 AI 参与课题组的四个循环。
第一个循环，是选题验证。
第二个循环，是代码和计算。
第三个循环，是论文、图和投稿。
第四个循环，是组内记忆和学生培养。
可以把课题组想成一间厨房。老师和学生决定今天做什么菜，判断食材新不新鲜，决定火候。AI 不是厨师长，它更像一个永远不累的备菜台、账本、计时器和清洁工。它不能替你判断这道菜该不该做，但它可以让你少在切菜、找锅、翻旧菜单上浪费时间。
关键是，不要问“AI 能帮我做什么零活”。
要问：“我这个课题组里，哪些重复性的智力劳动，应该变成稳定流程？”
这句话一变，整个用法就变了。
先定规矩：AI 不能替你负责
学术研究和创业最大的不同，是责任链条更硬。
产品不好用，用户会走。论文里概念错了、引用错了、数据处理错了，伤的是学术信用。
所以第一条规矩很简单：AI 可以执行，可以质疑，可以整理，但不能拥有最终判断权。
尤其有四件事，不能外包给 AI。
第一，物理图像、数学假设和实验事实的判断。
第二，引用是否真实、是否准确、是否支持正文结论。
第三，数据、图、代码是否可复现。
第四，论文里的责任归属。
AI 能把一个论证写得很顺，但“顺”不等于“对”。AI 能给出一串参考文献，但“看起来像”不等于“存在”。AI 能把一段代码跑通，但“跑通”不等于“模型正确”。
因此，AI 原生课题组不是降低标准，而是把标准写进流程里。
第一阶段：选题不是开干，而是验证
很多学生拿到一个想法后，第一反应是写代码、跑模型、做图。
AI 时代，这个冲动更危险。
因为过去写一个原型要花几周，现在一天就能搭起来。速度太快，会让人误以为“能做出来”就是“值得做”。
真正的第一阶段，应该叫选题验证。
一个课题在动手前，至少要问清楚五个问题。
第一，这个问题到底卡在哪里？
不是“某某方向很重要”，而是“现有方法在哪个可观测量、能区、质量区、边界条件、误差预算或计算成本上卡住了”。
第二，谁已经做过？
这里的“谁”，不是只列几篇综述。要知道这个问题的主线、支线、失败尝试和常用近似。
第三，反方证据是什么？
如果一个想法只听起来很漂亮，却没有人认真反驳过，它还不配进入计算阶段。
第四，最小的可检验结果是什么？
不是一上来就写完整论文，而是先找到一个可以让课题生死分明的小结果。
第五，如果这个结果出来了，它能改变什么判断？
如果答案是“只是多一张图”，那就要小心。
在这个阶段，AI 最适合扮演三个角色。
第一个角色，是文献侦察员。让它整理某个问题的主要路线，列出关键论文、常见方法、争议点和没有解决的漏洞。但引用必须回到数据库、期刊网页或 PDF 原文核验，不能信对话框里的书目信息。
第二个角色，是反方审稿人。把你的想法交给它，让它专门找漏洞：这个问题是否已经被解决了？你的方案是否只是换了术语？是否存在一个更简单的传统方法？是否有一个实验事实会直接打脸？
第三个角色，是项目秘书。让它把讨论整理成一页纸：研究问题、已有证据、反方证据、最小可检验结果、需要的数据和代码、三周内的第一步。
这页纸很重要。它不是汇报材料，而是防止课题漂移的锚。
第二阶段：先做“最小可研究结果”
创业里常说最小可行产品，英文叫 MVP。放到课题组里，可以改成“最小可研究结果”。
它不是半成品论文。它是一块能判断方向对不对的硬证据。
对理论组来说，它可能是一张复现图、一个极限情形、一个基准算例、一个和旧代码对上的数值表。
对实验分析来说，它可能是一段可复现的数据处理链、一个背景扣除检查、一个系统误差的玩具模型。
对机器学习加物理来说，它可能不是最高精度，而是一个清楚的消融实验：去掉某个物理约束后，结果是不是明显变差。
这个阶段最怕两件事。
第一，AI 写代码太快，技术债也来得太快。
技术债，就是今天为了快而留下的结构问题。传统技术债像桌上慢慢堆起来的纸。AI 技术债更像复印机卡纸，一开始看不见，等你发现时，每个文件都被卷进去。
第二，学生把“能跑”当成“可信”。
代码能跑，只说明语法和依赖暂时没出事。它还没有证明单位对、边界条件对、哈密顿量对、抽样对、误差估计对。
所以，AI 原生课题组在写代码前，要先写上下文文件。
可以在每个项目目录放一个 CLAUDE.md 或 AGENTS.md。它不写空话，只写对研究有约束力的东西。
例如：
这项工作的物理问题是什么。
参考结果是哪一篇、哪一张图、哪一个表。
必须满足哪些守恒律、极限情形或量纲检查。
哪些脚本是生产脚本，哪些只是草稿。
哪些目录不能乱改。
新增结果必须怎样和旧结果比较。
学生每次让 AI 改代码，都要先让它读这个文件。会话结束后，再把新决定写回去。
这不是形式主义。它是给 AI 的组内记忆。
一个健康的最小可研究结果，最好满足四个条件。
第一，能复现一个已知结果。
第二，能暴露一个新变量的影响。
第三，能被别人用同一套脚本重跑。
第四，能用一句话说明它支持或反对哪一个假设。
如果做不到这四点，就先别急着扩展模型。
第三阶段：把组内运营也变成研究系统
很多课题组真正浪费时间的地方，不在最难的公式里，而在最普通的杂事里。
组会记录找不到。学生上周说的 bug 没人追踪。论文版本在微信群、邮箱、Overleaf 和本地文件夹之间来回漂。图改了五轮，却没人知道哪一版进了投稿稿。
这些不是小事。它们会吞掉老师和学生最贵的注意力。
AI 原生课题组应该建立一套很轻的运营系统。
不需要复杂，关键是稳定。
第一，文献进入统一知识库。
每篇真正读过的论文，都要有固定卡片：研究问题、方法、核心图、它解决了什么、它没有解决什么、和本组工作的关系。AI 可以帮忙初稿，但最后必须由读的人改到可信。
第二，组会有结构化记录。
不是“今天汇报了什么”，而是记录决定：这个方向继续还是停止？下周要验证哪个假设？谁负责哪段代码？判断成功的标准是什么？
第三，代码有审查入口。
学生提交新脚本时，不只问“能不能跑”。还要让 AI 先检查：有没有硬编码路径？随机种子有没有固定？输入输出有没有说明？有没有把草稿数据覆盖掉？有没有和参考结果比较？
第四，论文写作有流水线。
初稿可以让 AI 帮忙整理结构，但论点必须由人定。每一节都要回答一个问题：这一节为主结论提供了哪块证据？如果删掉它，论文会不会更清楚？
第五，图有质量门槛。
图不是计算结果的截图。图是论证的一部分。AI 可以帮你列检查单：坐标轴是否清楚、误差条是否解释、颜色是否兼容黑白打印、图注是否能独立读懂。
这些流程听起来琐碎，但它们会让课题组少掉大量隐形摩擦。
第四阶段：学生培养也要 AI 原生
AI 原生课题组最值得做的事，不是让老师少改几段英文。
而是让新学生更快进入研究状态。
一个学生刚进组时，最难的不是“看不懂某篇论文”。更难的是不知道哪些东西重要，哪些坑前人已经踩过，哪些代码能信，哪些结果只是历史遗留。
传统培养方式靠口耳相传。师兄师姐忙，老师也忙，于是新人会在同一个坑里反复摔。
AI 原生做法，是把这些隐性知识写成可调用的上下文。
比如，为每条研究线准备一个入门包。
里面包括五篇必读论文、三张关键图、一个最小复现实验、一份常见错误清单、一个术语表、一个“不要一开始就碰”的复杂问题列表。
再比如，为常见任务准备技能模板。
如何做文献卡片。
如何复现一张图。
如何写一封问合作者的问题邮件。
如何把一次失败计算记录成有用日志。
如何准备十五分钟组会汇报。
AI 可以根据这些模板陪学生练习。老师不必每次从零解释格式，只需要在关键判断处出手。
这会改变学生的成长曲线。
过去，一个新人要花几个月才知道“本组到底怎么做研究”。现在，如果上下文整理得好，他可以更早把力气花在真正的问题上。
第五阶段：把数据和经验变成护城河
课题组长期竞争力，不只来自一篇论文。
更来自一套别人短时间复制不了的积累。
这套积累包括：自己维护的代码、失败过的尝试、整理过的文献、和合作者的讨论、不同学生做出的基准结果、投稿中被审稿人追问过的问题。
这些东西如果散在每个人电脑里，等于没有。
如果进入结构化知识库，它们就会变成课题组的复利。
复利的意思是，今天的积累会让明天更快。
比如，一个学生在某个参数区间发现模型不稳定。过去这可能只存在于一页组会 PPT 里。两年后，另一个学生又踩同一个坑。
AI 原生课题组应该把这个失败写成条目：现象是什么，怎么复现，排除了哪些原因，最后判断是什么。以后新项目启动时，AI 可以主动提醒：这个设置和旧失败很像，先查一下。
这比“多问一次 AI”强得多。
因为通用 AI 没有你的组内历史。它不知道你们哪条路走不通，不知道哪个近似在你们的问题上坏掉，也不知道某个合作者上次为什么坚持那个定义。
真正的护城河，是把这些经验变成 AI 能读取、能检索、能参与推理的上下文。
课题组长的新角色：从亲自救火到设计系统
AI 原生课题组里，老师的工作不会减少为零。
恰恰相反，老师更要做只有老师能做的事。
判断问题值不值得做。
判断一个结果是否有物理意义。
判断学生是在推进课题，还是只是在制造漂亮输出。
判断论文主线够不够锋利。
判断什么时候该停掉一个方向。
这些都不能交给 AI。
但是，很多消耗老师注意力的事，可以系统化。
比如，每周让 AI 汇总项目进展，列出停滞超过两周的任务。让 AI 整理每个学生的本周问题，把“需要老师判断”的部分单独拎出来。让 AI 把论文修改意见转成待办清单，并追踪哪些已经改完。
这样老师不是少负责，而是把责任放在更该放的地方。
课题组长不再只是批改者、催稿者和服务器管理员。
更像一个研究系统的设计者。
一套可以明天开始的做法
如果一个课题组想开始，不需要先买一堆工具。
先做一个月就够了。
第一周，给每个活跃项目建一个上下文文件。
文件里只写七件事：问题、假设、参考结果、代码入口、数据来源、验证标准、下一步。
第二周，建立文献卡片模板。
要求每篇真正读过的论文，都回答四个问题：它解决什么？怎么做？最关键的证据是什么？它和我们有什么关系？
第三周，把组会记录改成决策记录。
每次组会结束，只留下三类内容：已经确认的事实、仍不确定的问题、下周要做的验证。
第四周，做一次 AI 辅助代码审查。
选一个正在用的项目，让 AI 检查可复现性、路径、随机种子、输入输出、测试和参考结果。老师或高年级学生再人工复核。
一个月后，再决定要不要扩大。
不要一开始就追求全自动。学术研究最需要的不是自动驾驶，而是更早发现自己哪里错了。
最容易犯的三个错
第一个错，是把 AI 当免费学生。
AI 可以干活，但它没有学术责任感。它不知道一个错误公式会伤害一篇论文，也不知道一个假引用会伤害一个人的信用。
第二个错，是把输出当进展。
多一份总结、多一页 PPT、多一段代码，都不等于研究推进。研究推进的标志，是某个不确定性被缩小了。
第三个错，是只自动化轻松的事，不改造关键流程。
润色英文很容易，整理文献也容易。但真正有价值的是把选题验证、复现实验、代码审查、图表质量和组内记忆做成流程。
这些流程一旦跑起来，AI 才不只是工具，而是课题组的基础设施。
一句话收住
AI 原生学术课题组，不是让 AI 替人做研究，而是让人的判断力不再被杂事、遗忘和重复劳动淹没。