夜雨聆风点击蓝字 关注我们
最近比较关注AI。看了不少视频
我们不得不承认，AI的发展是迅猛的、强势的、必然的，也是便利的。
截至现在，AI 的发展趋势可以概括成一句话：
AI 正在从“能聊天、能生成内容的工具”，转向“能理解多模态信息、能调用工具、能执行复杂任务的智能系统”。它已经不只是DeepSeek 、ChatGPT 这一类问答模型，而是在向科研助手、编程助手、数据分析助手、办公自动化助手、智能体系统、AI for Science 平台发展。
这是我看到的比较客观且全面的一个关于AI发展的总结。刚好与一个同为博士的朋友在聊AI，于是我又找了另外两个博士朋友也讨论了一下。
以下是我们关于 AI 的一些观点碰撞。
AI真的能代替我们科研吗
流媒体平台上总会有很多关于 AI 与学术的讨论，我发现他们为吸引流量特别喜欢用那种夸张的灾难化的叙事语气：“学术界的天要塌了”、“科研要被取代了”、“以后论文都是 AI 写的”等诸如此类的话，这些话有流量，但确实让看的人很无语。
我更愿意把 AI 放在一个更清醒的位置上看：
AI 很强，但它不是科研本身。
H 同学认为：
科研不是说把已有知识拼接成一套看似完整的理论体系，也不是说把催化剂设计得多复杂，更不是把图画得高级、PPT做得精美、文章润色得像顶刊。科研真正难的地方，在于这些方面：
是否能提出一个真正有价值的问题？
是否能判断这个问题在学术体系中的位置？
是否能面对失败、无聊、矛盾数据和不可控变量？
是否能从一堆看似没用或者有用的结果里识别出客观的真实规律？
这些恰恰是 AI 最难替代的部分。
我觉得 AI 对我们做科研最大的帮助，不是“给我们写论文”，而是让我们可以更快地完成一些过去很消耗精力的工作。比如：
帮助我们梳理研究背景，快速建立知识框架；
帮我们比较不同催化剂设计路线的优缺点；
把一个初步 idea 扩展成几条可能的实验路径；
帮我们检查论文逻辑链是否合理且闭环；
帮我们把中文翻译成更专业的英文；
也可以帮我们把复杂的实验现象拆解成可能的机制假设。
这些能力确实很有价值。尤其对我们这种处于科研训练阶段的人来说，AI 像一个随时在线的“网络导师”。当你脑子里有一个模糊想法时，它能帮你把这个想法外化、结构化、语言化。我觉得其实很多时候，我们不是缺想法，而是缺少一个可以高频对话、不断追问、不断推演的对象。
但问题也正出在这里。
当 AI 太擅长给出“完整答案”时，我们就容易误以为自己已经完成了思考。
这是我认为 AI 对科研最危险的影响之一。
科研训练最重要的不是得到答案，而是形成判断力。
一个博士真正要训练的，不只是会不会写 introduction，会不会设计实验方案，而是应该明白：
什么问题值得做？
什么解释是牵强的？什么数据只能支持相关性，不能支持因果性？什么表征只是“看起来丰富”，但实际上不能支撑核心结论？什么故事很漂亮，但实验上站不住？
这些判断力需要我们在长期文献阅读、反复实验、失败、修改、被质疑中长出来。
AI 可以帮助我们整理，但绝对不能代替我们去经历这些过程。
所以我觉得，AI 是不能完全代替我们进行科研思考的，但它会让学术的分化更加明显。
AI何以分化大家的差距
Y 同学认为：
在 AI 没有发展与普及之前，大家在查文献、读文献、分析与总结实验数据、写文章等等这些方面，都能拉开很大差距。但现在 AI 把这些基础生产力工具部分拉平了。于是科研者之间真正的差距，会越来越集中在更底层的能力上：
问题意识、审美能力、判断力、原创性、实验执行力、数据解释力，以及对真实世界的敏感度。
说得更直白一点：
AI 越强，越会放大“人与人本身的差距”。
一个有科研判断力的人用 AI，会变得更强。因为她知道哪些建议能用，哪些是空的，哪些需要验证，哪些只是漂亮话。
但一个没有判断力的人用 AI，很可能会被 AI 带着走。AI 给出一个看似高级的机制，她就信了；AI 说这个体系有创新性，她就觉得可以写；AI 生成一套路线，她就以为实验一定可行。最后得到的是一种“语言上的科研”，而不是“事实上的科研”。
这其实很危险。
我非常同意 Y 同学的这个观点，因为AI 带来的焦虑是真实的。
尤其对于我们研究生来说，这种焦虑有几层。
第一层是能力焦虑：别人是不是比我更会用 AI？我不用是不是落后了？
第二层是价值焦虑：既然 AI 可以写、可以改、可以分析，那我能干什么？
第三层是思考焦虑：我发现当自己越来越依赖 AI，就越来越丧失思考能力，这很糟糕吧？
但我觉得，这些焦虑背后其实指向一个更根本的问题：
我们需要重新确认“人的价值”在哪里。
在科研里，人的价值不在于比 AI 更快地总结知识。我们确实很难比它快。但我们的价值在于：我们有真实的研究对象、真实的实验经验、真实的困惑、真实的判断、真实的责任。
AI 不会站在反应釜前闻到异常气味；不会因为一个催化剂颜色变了而觉得不对劲；不会知道粉末压片时手感松散意味着什么；不会真正经历一组数据从兴奋到怀疑再到重做的心理过程；不会为一个结论能不能写进论文承担学术责任。
它能生成解释，但它不承担解释的后果。
那么如何正确地使用AI
S 同学认为：
我们不是不能用 AI，而是应该以一种比较健康的方式去使用 AI 协助科研：
把 AI 当成“外脑”，而不是“大脑”。
它可以帮我们扩展视角，但最后的判断必须回到自己。
它可以帮我们提出假设，但假设必须经过实验验证。
它可以帮我们润色语言，但不能替代我们自己的真实贡献。
它可以帮我们搭建论文框架，但不能替我们决定研究的灵魂。
它可以帮我们把 idea 说得更漂亮，但不能替我们证明这个 idea 真的成立。
一句话概括就是：
AI 可以参与科研表达，但不能替代科研判断。
我甚至觉得，未来真正厉害的科研人，不是“完全不用 AI 的人”，也不是“什么都交给 AI 的人”，而是能够把 AI 纳入自己思维系统的人。
就像我们用 Origin、EndNote、ChemDraw、Materials Studio、GSAS、Avantage、VESTA等等，这些工具早就深度介入科研了。但工具不会自动产生好科研。
真正决定水平的，仍然是使用工具的人。
AI 只是比过去的工具更像“人”，所以它更容易让我们产生错觉：好像它在思考，好像它比我们更懂，好像它能替我们完成一切。
但越是这样，我们越要保持一种清醒：
它可以很聪明，但它没有主体性。
它可以很流畅，但它没有经验。
它可以很完整，但它不一定真实。
它可以很自信，但它不一定正确。
还有一点：科研中不怕不知道，而怕假装知道。
AI 的危险也正在这里：它经常能把“不确定”包装成“很确定”。
S 同学还说到了：
“过度依赖AI 会减少我们的思考”，我很赞同这点，也觉得这点特别重要。
可以这样理解：不是 AI 必然减少思考，而是错误地使用方式会减少思考。
比如，一有问题就问 AI，让它直接给结论，这当然会削弱自己的思考。
但如果换一种方式：先自己想，再让 AI 挑刺；先自己写机制，再让 AI 找漏洞；先自己设计实验，再让 AI 评估风险；先自己判断数据，再让 AI 提供其他可能性。
这样 AI 反而会增加思考密度。
所以关键不在于“用不用 AI”，而在于你是让它替你思考，还是让它逼你思考。
我觉得对我们来说，一个很好的原则是：
先有自己的判断，再让 AI 介入。
哪怕你的判断是粗糙的、不完整的，也应该先有一个属于自己的起点。这样你和 AI 的交流才是讨论，而不是索取答案。
AI时代，我们如何保持思考
说到底，在这个 AI 时代，我们真正需要保留的，不是会不会写论文这种表层能力，而是更为重要的这三种能力：
第一，独立思考的能力不能因为 AI 能给出答案，就放弃自己从混乱中建立秩序的过程。
第二，真实感受的能力科研不是纯粹的信息处理，它还包括对问题的兴趣、对实验的直觉、对异常现象的敏感、对美感和逻辑的追求。
第三，价值判断的能力我们不能只问AI 能不能做，还要问这样做是否诚实、是否必要、是否会让科研变得更好。
所以总的来说，跟朋友们的几次对话下来，我们对于AI 的发展与使用并不悲观。
AI 的确会改变科研，甚至会深刻改变研究生科研训练、论文写作、文献阅读、实验设计和学术评价体系。但它不会让真正的科研消失。
对于一个真正做实验、真正经历过数据挣扎的人来说，AI 不应该是威胁，而应该是一面镜子。
它会提醒我们：哪些能力只是“信息搬运”；哪些能力才是真正属于科研者的核心能力。
而我们要做的，不是恐惧 AI，也不是崇拜 AI，而是学会在它很强的时代里，继续保持人的清醒、人的判断、人的创造力。
我觉得这才是“AI 科研”最值得讨论的地方。
