AI越强,科研人越要守住这件不能外包的事

最近和一位老师聊天。

她问了我一个很好的问题。

慢老师，如果我想让 Codex 帮我判断一篇文章里，哪些图应该从 Supplementary Information 里拆出来，放到 Extended Data 里，这个需要安装什么科研 skill 吗？

是不是要喂给它几篇目标期刊的参考文章，让它分析一下这个期刊的图文逻辑？

这个问题，我觉得特别好。

因为它表面上问的是：

我要不要安装 skill？

我要不要给 AI 喂参考文章？

我要不要让 Codex 读目标期刊？

但本质上，它问的是另一个更重要的问题：

在 AI 时代，科研工作中哪些东西可以交给智能体，哪些东西必须由我们自己亲自完成？

这个问题，如果想不清楚，AI 用得越多，反而越危险。

因为我们很容易从“AI 辅助科研”，慢慢变成“科研判断外包给 AI”。

这两者之间，隔着一条非常重要的线。

这条线，就是我一直和大家讲的：

道、法、术、器。

器，是具体工具。

比如 Codex、ChatGPT、Gemini、NotebookLM、Perplexity，各种科研 skill，各种提示词手册。

术，是具体技巧。

比如如何让 AI 读文献，如何让它比较目标期刊的图，如何判断一张图应该放在主文、Extended Data，还是 Supplementary。

法，是系统方法。

比如 SCI 产品化思维，文章核心逻辑，图文排布策略，审稿人阅读路径，目标期刊风格拆解。

道，则是最上面的东西。

也就是：

我这篇文章究竟想解决什么科学问题？

我用什么创新策略解决这个科学问题？

这篇文章最想让审稿人记住的那一句话是什么？

这个，不能外包。

如果这个“道”不清楚，你装再多 skill，喂再多参考文章，换再强的大模型，也只是让 AI 在迷雾里狂奔。

跑得很快。

但不一定跑在正确的路上。

这也是为什么慢老师讲课，从来不是单独讲某一个器。

（需要课程的读者可以私信我付费获取）

我不会只是告诉大家：

这个 AI 工具怎么点。

这个智能体怎么连。

这个提示词怎么复制。

因为如果只停留在器的层面，大家今天学会了一个工具，明天工具变了，又会重新陷入迷茫。

AI 变化太快了。

模型在变。

界面在变。

价格在变。

功能在变。

甚至同一个模型，隔一段时间“脾气”都会变。

如果我们只追着器跑，就会永远焦虑。

今天小红书推荐这个 skill。

明天朋友圈又有人说那个插件很神。

后天又出来一个新的智能体工作流。

看着都很好。

但越看越乱。

最后会变成：

工具越来越多，心里越来越没底。

所以，慢老师讲 AI 助力科研，真正想讲的从来不是器本身。

而是从道入手。

先想清楚科研的底层逻辑。

先想清楚 SCI 和国自然到底在考什么。

先想清楚科学问题、创新策略、证据链、审稿人视角、评审专家视角之间是什么关系。

然后再回过头来看：

在这个系统里，AI 到底能帮我们做什么？

哪些地方适合让它做？

哪些地方不能让它碰？

这个顺序特别重要。

器子于术。

术合于法。

法基于道。

如果顺序反了，人就会被工具牵着走。

如果顺序对了，工具才会变成我们的手脚。

这也是我现在越来越觉得，去年那套 AI 助力科研近 30 讲课程，反而变得更重要了。

当时很多人可能觉得：

AI 工具更新这么快，课程会不会很快过时？

但现在回头看，我反而觉得里面真正有价值的部分，不是某一个按钮怎么点，也不是某一个模型当时多好用。

而是我们反复在讲的那套科研底层逻辑：

如何理解 SCI 文章？

如何理解国自然申请？

如何寻找科学问题？

如何凝练创新策略？

如何构建证据链？

如何让 AI 不是替代我们，而是放大我们的思考？

这些东西不会过时。

因为工具会变，道不会轻易变。

模型会迭代，但科研文章的核心逻辑并没有变。

SCI 论文依旧要回答：

我发现了什么新问题？

我提出了什么新机制、新方法、新策略？

我用什么证据证明它是可信的？

它为什么值得这个期刊发表？

国自然依旧要回答：

我想解决什么科学问题？

这个问题为什么重要？

我有什么独特的创新思路？

我有没有能力把它做出来？

所以，如果一个科研人心里有了这套“道法术器”的结构，AI 越强，反而越能帮上忙。

但如果心里没有这套结构，AI 越强，越容易让人产生一种错觉：

好像我什么都能做了。

好像我只要把材料丢进去，智能体就能帮我判断一切。

好像科学问题也可以由它总结，创新策略也可以由它发明，文章主线也可以由它替我决定。

这就是危险的地方。

因为科研中最核心的那一句话，必须由我们自己说出来：

我用我的创新策略，解决一个重要的科学问题。

这句话看起来很简单。

但它几乎决定了整篇文章的命运。

如果你不知道自己的科学问题是什么，AI 很难帮你判断什么图重要。

如果你不知道自己的创新策略是什么，AI 也很难判断哪些证据应该被前置。

如果你不知道目标期刊想看什么，AI 只能给你一些看似合理、实则平庸的建议。

所以我当时给这位老师的建议很简单：

你当然可以让 Codex 帮你干活。

但在它干活之前，你最好先亲自告诉它三件事。

第一，我要投稿的目标期刊是什么。

第二，我这篇文章的核心科学问题是什么。

第三，我的创新策略是什么，它为什么能解决这个科学问题。

这三件事说清楚之后，再让 Codex 去读目标期刊最近的文章，学习这些文章的图文组织逻辑。

然后让它判断：

哪些图承担了核心论证？

哪些图只是补充支撑？

哪些数据虽然不是主线第一证据，但对增强文章完整性和说服力非常关键？

这类图，就可能适合从 Supplementary 中拆出来，放到 Extended Data。

你看，这时候 AI 才真正有用。

它不是替你思考文章的灵魂。

而是在你的灵魂已经清楚之后，帮你做繁重的比较、归类、证据链检查和期刊风格适配。

这就是我说的：

劳务可以外包。

但灵魂不能外包。

可以交给 AI 的是什么？

文献初筛。

目标期刊风格比较。

图表位置建议。

语言润色。

逻辑漏洞检查。

审稿人视角模拟。

Extended Data 和 Supplementary 的初步分类。

这些都可以。

而且 AI 做得非常好。

但不能交给 AI 的是什么？

科学问题。

核心创新。

研究品味。

价值判断。

长期方向。

以及你作为一个独立科研工作者，对这个领域的独特理解。

这些东西，必须亲自来。

因为 AI 太好用了。

好用到让人有点害怕。

以前写文章，我们是一个字一个字手搓。

虽然慢，虽然痛苦，但那个过程会强迫我们思考。

每一句话为什么放这里？

这张图为什么要出现？

这一段逻辑是否真的能把审稿人带到我的科学问题前面？

现在不一样了。

AI 一秒钟能给你生成一大段。

它太顺滑了。

顺滑到我们很容易忘记，自己原来是怎么思考的。

那位老师后来开玩笑说：

我现在已经难以回到自己非遗手搓的时代了。

这个词我觉得用得特别妙。

以后手搓科研写作，可能真的会变成一种“非遗”。

但问题是，如果一个科研人从来没有认真手搓过，他就很难形成自己的判断系统。

尤其是现在的学生。

他们一开始就有 AI。

还没有经历过自己痛苦阅读、笨拙归纳、反复修改、逐句推敲的阶段。

如果这个时候，我们把所有东西都交给 AI，表面上看效率提高了。

但长期看，可能会出现一个更隐蔽的问题：

大脑的科研连接变弱了。

你不再主动判断。

不再主动建构。

不再主动问自己：

这个领域真正的矛盾在哪里？

我的工作到底新在哪里？

审稿人为什么要相信我？

久而久之，就会形成一种科研上的“脑雾”。

不是不会用 AI。

而是太会用 AI，以至于忘了自己应该思考什么。

所以，AI 时代最重要的能力，不是把所有工作都交给 AI。

而是知道哪些可以交给 AI，哪些必须自己来。

有些上坡路，不能让 AI 替我们走。

因为走上坡路本身，就是训练肌肉的过程。

科研也是一样。

那些反复读文献读到头疼的时刻。

那些一句话改十遍还不满意的时刻。

那些看着自己的图，突然意识到逻辑还不够锋利的时刻。

那些才是真正塑造科研判断力的地方。

如果这些都绕过去，我们确实会快一点。

但也可能少长出一些东西。

这也是为什么我一直带着学生一句一句写。

不是因为一句一句写最高效。

而是因为在这个过程中，学生会慢慢知道：

什么是背景。

什么是缺口。

什么是科学问题。

什么是创新策略。

什么是证据链。

什么是审稿人真正想看的东西。

这比写完一篇文章本身更重要。

文章只是结果。

判断力才是根。

所以，回到最开始那个问题。

让 Codex 判断哪些图从 Supplementary 拆出来放到 Extended Data，需要什么 skill 吗？

我的答案是：

可以有 skill。

但不必迷信 skill。

更重要的是，你要先给它一个清楚的“道”。

你可以这样告诉它：

我的目标期刊是 XXX。

我这篇文章要解决的核心科学问题是 XXX。

我的核心创新策略是 XXX。

我希望整篇文章让审稿人形成这样一个判断：XXX。

请你阅读该期刊近几年同方向文章，分析其主文图、Extended Data 和 Supplementary 的功能分工。

然后基于我的科学问题、创新策略和证据链，判断我当前 Supplementary 中哪些图值得提升到 Extended Data，并逐一说明理由。

你看，这样问，AI 就不再是一个乱跑的工具。

它开始成为你的科研助理。

但方向盘，仍然在你手里。

这就是 AI 时代科研人的分寸感。

我们不是拒绝 AI。

也不是完全依赖 AI。

而是在道法术器之间，找到自己的位置。

器可以越来越强。

术可以越来越熟。

法可以越来越系统。

但道，必须越来越清楚。

因为道不清楚，器越强，越可能把我们带偏。

道清楚了，器越强，越能帮我们抵达远方。

这也是我一直想通过课程、文章和提示词手册反复提醒大家的：

AI 助力科研，真正重要的不是让 AI 替我们思考。

而是让 AI 逼着我们把自己的思考说得更清楚。

当你能清楚告诉 AI：

我的科学问题是什么。

我的创新策略是什么。

我的证据链是什么。

我的目标期刊是什么。

我的审稿人可能在乎什么。

那一刻，AI 才真正开始成为你的伙伴。

否则，它只是一个很强大的生成机器。

愿我们在这个 AI 越来越强的时代，依旧保留亲自思考的能力。

可以借力。

但不失重心。

可以提速。

但不丢方向。

可以让 AI 帮我们走很多路。

但那条最重要的上坡路，还是要自己走。

慢以致远。

也感谢这位读者的好问题