夜雨聆风科研是在AI的 latent space 里寻找路径，而做题是沿着预设的 Agent Skill 前进
邓煜说，科研和做题是两件完全不同的事。
做题时，你通常知道题目一定有答案。因为只有别人已经证明能够解出来，或者至少出题人知道如何解，题目才会被放进试卷。学生面对的困难，并不是“答案是否存在”，而是能否识别题型、调用知识、选择正确方法，并把自己的思路同步到出题人的思路上。
科研则完全不同。
科研面对的可能是一个从未有人解决过的问题。它可能有答案，也可能暂时无解；可能是现有方法不够，也可能问题本身就问错了。研究者不知道终点在哪里，更不知道应该走哪条路。甚至走了几年以后才发现，原来一直试图攀登的那座山，并不是正确的山。
借用人工智能的语言来比喻：做题更像执行一个已经定义好的 AI Agent Skill；科研则是在巨大的 latent space（潜在空间） 中，寻找一条从未被验证过的新路径。
做题：调用别人已经写好的 Skill
一个成熟的 Agent Skill，通常包含明确的输入、操作步骤、工具、检查条件和预期输出。
例如：
«识别题型 → 调用公式 → 展开推导 → 检查条件 → 得到标准答案。»
学生做题，本质上也是如此。题目虽然表面不同，但往往可以归入某个已知类型：
- 看到某种结构，就想到某个定理；
- 看到某组条件，就调用某种解法；
- 遇到某个关键词，就进入某条推理路径；
- 最后得到一个可以被标准答案验证的结果。
因此，做题能力主要是一种“已知路径中的搜索能力”。优秀的做题者，能够快速压缩搜索范围，识别出题人埋下的线索，以最短路径抵达预设答案。
从AI角度看，这很像一个Agent面对标准化任务：它不需要重新发明整个方法，只需要判断当前任务应该调用哪个Skill，然后忠实执行。
所以，做题高手往往具有三个特点：题型识别快、路径调用准、执行错误少。
科研：不只是寻找答案，而是创造路径
科研没有现成的Skill可以调用。
研究者面对的不是“这道题应该使用哪个公式”，而是：
- 这个问题究竟有没有答案？
- 现有理论为什么解释不了？
- 过去的方法是不是都建立在错误假设上？
- 有没有一种从未被定义过的新变量？
- 是否需要创造一种新工具、新模型或者新实验？
- 如果结果与预期相反，是实验失败，还是发现了新现象？
科研是在巨大的可能性空间中探索。这个空间就像AI模型的latent space：里面潜藏着无数概念组合、假设方向、数学结构和解释路径，但没有任何路标告诉你，哪一条道路能够通向真实世界中成立的结论。
更困难的是，科研的终点往往也是在探索过程中才逐渐形成的。
做题是“终点已知，寻找路径”；科研则可能是“终点未知、路径未知，甚至问题也需要重新定义”。
因此，真正的科研成果，不只是找到了一个答案，而是开辟了一条以前不存在的道路。后来的人把这条道路总结成论文、公式、算法和实验流程，它才会逐渐变成可以传授、复制和调用的Skill。
从这个意义上说：
«做题是在调用Skill，科研是在创造Skill；
做题是在别人画好的地图上找路，科研是在无人区里一边走路，一边画地图。»
为什么“与众不同”在做题和科研中会得到相反评价？
王虹可能正是这样一种适合科研、却不一定适合标准化做题的人。
她的思路与大多数人不同，不愿意沿着标准路径一步一步走，也不容易把自己的思考同步到出题人的预设逻辑中。因此，在以速度、规范步骤和标准答案为核心的考试体系里，她未必能够获得最高分。
但科研需要的恰恰可能是这种“不同步”。
如果所有人的思维都同步到同一套方法，大家就会拥挤在同一条已经被反复验证的道路上。科研突破往往来自一个人突然提出：
«为什么一定要走这条路？
为什么不能换一个坐标系？
为什么这个默认假设不能被推翻？
为什么这个看起来不重要的异常，不能成为新的研究入口？»
在做题环境中，这种思路可能被认为是“绕远路”“不按套路”或者“基础不扎实”；但在科研环境中，它可能意味着较强的原创性、发散思维和问题重构能力。
一位真正理解科研的导师，看到这种学生时，不会只问她能不能快速得出标准答案，而会进一步观察：她能不能提出别人没有提出的问题？能不能看到别人忽略的变量？能不能建立一种新的解释框架？能不能把奇怪的想法变成可以检验的假设？
如果答案是肯定的，她就可能具有非常珍贵的科研潜力。
两种教育体系，奖励的是两种能力
标准化考试看重的是收敛能力：面对一个确定问题，从多个可能性中排除错误路径，最终收敛到唯一答案。
科研看重的则更多是发散与再收敛：先突破已有问题的边界，生成多个新假设，再通过理论、数据和实验逐一淘汰，最终形成可以被验证的新结论。
因此，两套评价体系关注的能力并不相同。
维度| 做题| 科研
答案| 通常已经存在| 可能存在，也可能不存在
路径| 已被别人走通过| 可能从未有人走过
问题| 通常已被定义清楚| 问题本身也可能需要重构
核心能力| 识别题型、调用方法、准确执行| 提出问题、创造假设、设计验证
思维方向| 从多个可能性收敛到标准答案| 先扩展可能性，再用证据收敛
评价标准| 是否与标准答案一致| 是否发现了新的、可验证的知识
AI类比| 调用现成Agent Skill| 在latent space中探索并创造新Skill
当然，这并不意味着西方教育一定重科研、国内教育一定只重做题，也不意味着会考试的人不能做科研。真正的差异，在于具体教育环境究竟奖励什么：是奖励与标准路径一致，还是允许学生提出不同问题、尝试失败，并保护那些暂时无法被分数衡量的原创性。
如果一个评价体系长期只奖励标准答案，就可能把“最会沿着已知道路前进的人”识别为天才，却忽略那些擅长在无人区开路的人。
科研不是胡思乱想，独特还必须经过验证
不过，科研思路越独特，并不等于成果就越可靠。
latent space中存在无数可能路径，其中绝大多数可能都是死路。一个奇特想法只有经过数学证明、实验验证、数据检验、同行质疑和重复验证，才能从“个人想象”变成“公共知识”。
因此，科研能力包含两个看似相反的部分：
一方面，要敢于发散，敢于怀疑共识，敢于提出与众不同的假设；另一方面，又必须极其严格地收敛，主动寻找反例，用证据推翻自己最喜欢的想法。
没有独特性，科研只能重复别人；没有验证，科研就容易变成幻想。
AI的latent space可以帮助人类生成假设、连接概念、发现潜在路径，但科学真理不能仅仅由语言模型“想出来”。最终仍然需要回到现实世界，通过实验、数据、逻辑和可证伪性完成闭环。
AI时代，做题能力会贬值，科研能力会升值
过去，教育体系高度重视做题，是因为人类必须亲自记忆知识、识别题型并执行复杂步骤。但今天，大模型和AI Agent越来越擅长调用已有知识、执行标准流程和完成确定性任务。
凡是能够被完整写成Skill的任务，都可能逐渐被Agent自动化。
这并不意味着基础训练不再重要。做题能够训练逻辑、计算、知识结构和执行准确性，它仍然是进入科研的基本功。但如果教育最终只培养“执行Skill的人”，学生就很容易与AI正面竞争。
未来更稀缺的能力，是发现一个值得研究的问题，在latent space中提出新的假设，设计现实世界的验证方式，并把最终走通的道路封装成一个全新的Skill。
所以，AI时代真正需要培养的，不只是会回答问题的人，而是能够发现问题、重新定义问题和创造新路径的人。
做题，是在地图上找到目的地；科研，是走进没有地图的地方。
做题的人证明自己能够正确地走完一条路；科研的人则要证明：这条路以前不存在，而现在，因为他走过，后来的人终于有路可走。