当AI越来越深度介入科学研究★ღღ，当科研人员越来越离不开AI★ღღ，“人的科研能力是否会因此退化”的讨论随之热闹起来★ღღ。

　　有人担忧★ღღ，万事问AI★ღღ，独立思考和价值判断能力会下降★ღღ；有人认为★ღღ，不仅不会退化★ღღ，人机协同反而会促进科研能力进化★ღღ；有人指出★ღღ，改变的是能力结构与科研范式CQ9电子·(China)官方网站★ღღ，而非科研能力本身★ღღ。

　　本期邀请不同领域一线科研人员现身说法★ღღ，各抒己见★ღღ。他们的观点或许各异★ღღ，但不约而同地指向同一追问★ღღ：哪些问题该交给AI美味关系儿媳妇苏暖★ღღ，哪些能力必须留给人？

　　随着大模型能力不断增强cq9★ღღ。★ღღ，AI正逐渐从一种辅助工具变成科研基础设施★ღღ，提高了科研效率★ღღ，但也带来一个问题★ღღ：科研人员是否会因为长期依赖AI★ღღ，而逐渐削弱独立★ღღ、持续和深入思考的能力★ღღ，带来思考惰性和科研能力退化？

　　这一风险值得警惕★ღღ。以我们课题组从事的多传感器融合感知研究为例★ღღ，当发现相机与IMU（惯性测量单元）之间存在时间误差时★ღღ，本应不断追问★ღღ：误差从何而来？1毫秒★ღღ、3毫秒和几十微秒的同步误差★ღღ，分别会产生多大影响？误差应通过硬件同步解决★ღღ，还是可通过后端时间偏移估计补偿？这些连续的“为什么”★ღღ，才构成真正的科研思考链条★ღღ。有了AI之后★ღღ，容易形成另一种工作模式★ღღ：直接问AI★ღღ，AI给出答案或建议美味关系儿媳妇苏暖★ღღ。科研人员由此可能跳过了最关键的一层★ღღ：为什么该方法能够解决问题★ღღ，以及什么情况下它不能解决问题★ღღ。

　　AI是否导致思考惰性★ღღ，分界线不在于是否使用AI★ღღ，而在于科研人员把什么交给AI★ღღ。文献初筛★ღღ、代码辅助★ღღ、数据整理等流程性和重复性工作★ღღ，可以在人工复核和规范使用的前提下充分发挥AI作用★ღღ；候选算法乃至候选研究方案★ღღ，也可让AI帮助产生★ღღ。但有些事情不能完全交出去★ღღ：为什么研究这个问题★ღღ，真正的科学问题是什么★ღღ；为什么选择这条技术路线★ღღ；实验究竟能够证明什么★ღღ；结果为什么可信★ღღ；最终应该相信什么★ღღ。这些是科研人员必须承担的“认知责任”★ღღ。

　　由此看来★ღღ，AI未来不一定是让科研人员整体变强或整体变弱★ღღ，而是可能导致科研能力进一步分化★ღღ。一部分科研人员把问题★ღღ、方案★ღღ、代码★ღღ、结果解释都交给AI★ღღ，短期科研效率可能很高★ღღ，但独立研究能力可能逐渐下降★ღღ。另一部分科研人员则采取不同方式★ღღ：自己定义问题★ღღ，让AI提供候选方案★ღღ；自己设计验证标准★ღღ，让AI帮助完成实验★ღღ；最后反过来要求AI攻击自己的结论★ღღ。如此使用AI★ღღ，科研人员的思考未必会减少★ღღ，反而可能更加深入★ღღ。

　　同样需要警惕的★ღღ，是主动把思考权交给AI★ღღ。科研人员最重要的能力★ღღ，是判断什么问题值得问★ღღ、什么答案值得怀疑cq9电子平台网站是多少★ღღ，★ღღ、什么结果经得起检验★ღღ。如果科研人员把问题定义★ღღ、因果推理和学术判断一并外包给AI★ღღ，长期来看★ღღ，独立思考能力必然存在退化风险★ღღ。

　　让AI替代机械劳动★ღღ，而非替代认知责任★ღღ；让AI扩大思考★ღღ，而非结束思考——若坚持这样的原则★ღღ，AI不仅不会削弱科研能力★ღღ，反而可能把科研人员从大量重复劳动中解放出来★ღღ，使其有更多时间完成真正属于科学家的工作★ღღ：提出问题★ღღ、理解机理★ღღ、质疑结论美味关系儿媳妇苏暖★ღღ、发现未知★ღღ。

　　我刚独立主持课题时★ღღ，天然多肽的发现主要靠“活性追踪+逐级分离”的传统路径★ღღ。每一项研究起步都要规划分离纯化流程★ღღ，从粗提物到拿到一条纯度达标★ღღ、结构明确的活性肽★ღღ，快则数周★ღღ，慢则数月★ღღ。到了结构鉴定环节★ღღ，高分辨串联质谱产生的肽段碎片离子★ღღ，需要逐条解析归属★ღღ，再与数据库逐一比对★ღღ。一个复杂的天然肽组分往往对应上百条候选序列★ღღ，每一条的拼接逻辑都要反复推演确认★ღღ。

　　真正让我感受到研究范式深刻变革的★ღღ，是AI辅助虚拟筛选融入天然活性肽发现全流程之后★ღღ。我国科研团队针对海洋产物蛋白酶水解物的研究让我印象深刻★ღღ：样本中可鉴定的肽序列多达数千条★ღღ，若沿用传统“逐一分离纯化—高分辨串联质谱鉴定—活性验证”的思路★ღღ，样品消耗量★ღღ、时间成本与人力投入都难以承受★ღღ。该团队建立了“活性追踪分离—高分辨串联质谱定向鉴定—AI辅助虚拟筛选”的新型工作流程★ღღ，最终从96个高置信度候选结构中筛选出20条肽开展实验验证★ღღ。这样的效率★ღღ，在传统研究模式下几乎难以想象★ღღ。对我自己的研究而言★ღღ，这类工具的价值远不止提速★ღღ：它让我们在分离纯化的早期阶段就能预判哪些组分★ღღ、哪些序列更值得投入资源重点攻关★ღღ，避免将大量精力耗费在最终被证实无活性的组分上★ღღ，实现了研究资源的精准配置★ღღ。

　　在文献调研与多肽序列优化环节★ღღ，AI的价值同样突出★ღღ。过去★ღღ，优化一条先导肽的结构与活性★ღღ，需要系统梳理大量同类肽的文献报道★ღღ，逐条整理不同位点突变★ღღ、不同化学修饰对应的活性数据★ღღ，再依赖研究经验判断改造方向★ღღ，很耗时间且易出现信息遗漏★ღღ。如今★ღღ，我会借助多肽AI设计工具开展预研★ღღ：它作为一套闭环的多肽设计框架★ღღ，将序列生成★ღღ、理化性质预测★ღღ、单残基突变生成等功能模块化★ღღ，每一步预测都有明确的算法依据★ღღ，结果可复现★ღღ、过程可回溯★ღღ。对科研人员而言★ღღ，这种可追溯的工具至关重要——我们的科研判断绝不能建立在“黑箱”式的结论之上★ღღ，每一个决策都要有清晰的科学逻辑支撑★ღღ。

　　AI不是对人的科研能力的替代★ღღ，更不会导致能力退化★ღღ；它推动的是科研能力的迭代升级★ღღ，让研究者从重复性★ღღ、遍历性的劳动中解放出来★ღღ，将更多精力投入到真正需要科学智慧的核心环节★ღღ。工具在进化★ღღ，科研能力的定义也在进化★ღღ。这不是退步★ღღ，而是新时代科研人员的必然适配与主动进化★ღღ。

　　选题是科研的起点和前提★ღღ，没有科学问题★ღღ，科研就没有目标★ღღ，所有实验★ღღ、分析都属于无目的的资料收集★ღღ，算不上研究CQ9电子·(China)官方网站★ღღ。好的问题也决定研究价值★ღღ、方向与最终成果上限★ღღ。持续提出新问题★ღღ，不断挑战现有认知★ღღ，是学科迭代★ღღ、理论更新的根本动力★ღღ。

　　随着人工智能的发展★ღღ，我在指导研究生过程中注意到一个越来越普遍的现象★ღღ：不少学生在开题之前★ღღ，习惯先请大模型梳理研究现状★ღღ、推荐选题方向★ღღ、生成“创新点”★ღღ。AI给出的框架结构完整★ღღ、措辞周全★ღღ，初看令人眼前一亮★ღღ，但细读之下发现★ღღ，这些“创新点”大多是对已有工作的排列组合★ღღ，缺少对工程实际问题的深入体察★ღღ。以我们团队近年来研究的堆石混凝土为例★ღღ，真正有价值的问题★ღღ，往往来自工程现场★ღღ，如一处异常裂缝★ღღ、一组不合常理的监测数据等美味关系儿媳妇苏暖★ღღ。这些“不对劲”的信号★ღღ，只有在坝上★ღღ、在试验台前反复观察和思考★ღღ，才能捕捉得到★ღღ。

　　问题从来不是从数据中自动浮现的★ღღ。我曾承担中尼交通廊道冻融灾害调查的科考任务★ღღ，在高原寒区实地踏勘中发现★ღღ，冻融循环对混凝土的破坏远比室内试验所呈现的复杂得多——真实环境中的温度梯度★ღღ、水分迁移和物相变化★ღღ，无法在任何单一模型中完整重现★ღღ。这种对“现场复杂性”的感知★ღღ，恰恰是提出好问题的前提★ღღ。AI无法替代你在寒风凛冽的大坝上看到一道裂缝美味关系儿媳妇苏暖★ღღ，并在心中涌起那个追问★ღღ：为什么偏偏在这里？

　　这并非否定AI赋能科研的价值★ღღ。AI可以成为强大的假设生成器与效率加速器★ღღ，但无法替代研究人员在问题凝练★ღღ、机理阐释★ღღ、价值判断以及最终科学结论形成中的核心作用★ღღ。换言之★ღღ，AI擅长在已知中寻找关联★ღღ，却不具备结合领域经验与理论框架创造性思考的能力★ღღ。如果研究者把“提出问题”这一最关键的认知环节也交给算法★ღღ，科研就可能沦为“数据驱动的知识搬运”★ღღ。

　　更深层的忧虑在于★ღღ，问题意识的退化是渐进的★ღღ、隐蔽的★ღღ。当综述可以一键生成★ღღ，当创新点可以自动提炼★ღღ，学生还需不需要在故纸堆中翻找★ღღ、在实验失败中追问★ღღ、在环境恶劣的工程现场奔波？长此以往CQ9电子游戏★ღღ，★ღღ，科研人员可能越来越擅长“回答问题”★ღღ，却越来越不善于“提出问题”CQ9电子·(China)官方网站★ღღ。

　　AI时代★ღღ，科研的“源头活水”是什么？不是算力★ღღ，不是数据★ღღ，而是人对未知世界的好奇与追问★ღღ。真正定义一个科学家的★ღღ，从来不是他擅长使用什么工具★ღღ，而是他追问了什么问题★ღღ。

　　AI时代★ღღ，知识触手可及★ღღ。但科研中最珍贵的★ღღ，往往不是现成答案★ღღ，而是一个能不断反问★ღღ、逼你跳出定式的声音★ღღ。近年来★ღღ，大模型让我找到了这样一个可以随时对话的“科研帮手”★ღღ。它不是替我解决问题★ღღ，而是在一次次追问和反问中★ღღ，帮我看见思维里的盲区★ღღ，有时还会冒出新的科研点★ღღ。

　　我研究微观脑联接图谱绘制★ღღ。不足1立方毫米的斑马鱼幼鱼大脑有10万个神经元★ღღ，全脑要切成22887张30纳米厚的薄片★ღღ，逐层拍摄★ღღ，再借AI拼接重构为三维数据★ღღ，原始数据量高达200万亿字节★ღღ。过去★ღღ，我们卡在百万量级图像的三维配准上★ღღ，误差逐层累积★ღღ，重建结果严重扭曲★ღღ。那时还没有大模型★ღღ，转机来自团队与同行的反复讨论★ღღ。一位合作者反问★ღღ：“你们考虑过把逐层串行配准改为全局优化吗？”这个反问逼我跳出定式★ღღ，最终显著提升重建精度★ღღ。今天回头看★ღღ，这种“被反问”的体验★ღღ，正是我后来使用大模型时最看重的东西★ღღ。

　　现在★ღღ，我常把大模型当成一个可以随时对话的“反问者”★ღღ。比如配准精度上不去★ღღ，我问它有哪些思路★ღღ。它会列出光流★ღღ、特征匹配★ღღ、非刚性配准★ღღ、图优化等方案★ღღ。如果我只满足于第一个方案★ღღ，很容易被带进看似热闹★ღღ、实则未经验证的思路★ღღ，所以我会继续追问★ღღ。有一次我问它★ღღ：如果误差不是随机的★ღღ，而是系统偏差呢？它顺着这个假设帮我列出几种可能来源——切片顺序CQ9电子·(China)官方网站★ღღ、成像畸变★ღღ、染色差异★ღღ、机械漂移★ღღ。这些都要逐一排查★ღღ，但这个反问确实提醒我★ღღ，不能只盯着配准算法本身★ღღ。问着问着★ღღ，有时就会冒出新想法★ღღ：能不能把局部配准放进全局一致性框架？能不能利用跨层几何约束抑制误差累积？能不能先用模拟退化数据验证算法★ღღ，再上真实数据？这些念头未必都对★ღღ，但确实可能成为新的科研点★ღღ。

　　当然★ღღ，大模型可能虚构文献★ღღ、遗漏条件★ღღ、给出未经验证的推断★ღღ。任何由AI激发的想法CQ9电子·(China)官方网站★ღღ，最终都必须回到实验和数据中检验★ღღ。我鼓励学生与AI对话时“多问一层”★ღღ：不要满足于第一个方案CQ9电子·(China)官方网站★ღღ，要追问前提假设★ღღ、反例和边界条件★ღღ。真正难的从来不是“知道一个答案”★ღღ，而是不断确认★ღღ：我们有没有问对问题？有没有掉进局部最优？有没有把偶然成功当成普遍规律？

　　AI可以拓展知识入口★ღღ、提高探索效率★ღღ，但逻辑思维必须扎根于人的训练与实践★ღღ。AI不是答案★ღღ，它是不断反问我的“科研帮手”★ღღ。它逼我把“我以为”变成“何以证明”★ღღ，把“差不多”变成“再检验一次”★ღღ。让人机对话中的灵感碰撞成为创新催化剂★ღღ，才能把技术进步真正转化为科学创造力★ღღ。

　　当AI的输出越来越像正确答案★ღღ，人是否还会审辨和判断★ღღ，还是已经习惯不假思索地采信？2025年底有媒体报道★ღღ，香港某高校博士生在学术期刊发表论文★ღღ，数十条参考文献中相当部分系AI虚构★ღღ。论文通过两道学术审查后发表★ღღ，竟无人发现异常★ღღ。《柳叶刀》研究显示★ღღ，生物医学论文的虚假引文率在近两年大幅攀升★ღღ。当AI虚构的文献格式规范★ღღ、作者署名★ღღ，连制度化的学术审查都难以识别★ღღ，审辨判断的退化正在从个体疏忽演变为系统性风险★ღღ。

　　审辨判断的失守★ღღ，往往是因为AI的高仿能力已高到常规审查难以穿透★ღღ。2026年9月★ღღ，陶哲轩★ღღ、邓煜等25位菲尔兹奖得主联合发表声明《人工智能在数学中的严重错位》★ღღ，指向的正是这一困境★ღღ：AI正以越来越快的速度批量生产真假结论★ღღ，甄别真伪★ღღ、修正错误★ღღ、整合洞见的重担落在人类身上★ღღ。声明中有个比喻★ღღ：著名数学问题如同地标和灯塔★ღღ，解决问题是发现新洞见的标志而非终点★ღღ，AI直接给答案★ღღ，省去了沿途积累的机会★ღღ。答案涌来之势如潮★ღღ，审辨这道堤若没有随之加高★ღღ，虚假结论便会畅通无阻地流入知识生产链条★ღღ，误导后续判断与决策★ღღ。

　　审辨能力的根基亦在遭受侵蚀★ღღ。人工智能专家吴恩达一直在推广AI★ღღ，但对这一问题同样未回避★ღღ：所谓判断力★ღღ，本质上是人拥有AI所没有的上下文——靠长期动手积累★ღღ，因此能够识别看起来正确★ღღ、实际上行不通的东西★ღღ。一旦习惯直接采信AI输出的结果★ღღ，不再亲自走一遍数据核查★ღღ、逻辑推演的完整路径★ღღ，上下文便会萎缩★ღღ，而当事人未必能察觉★ღღ。

　　上下文的萎缩★ღღ，最先受到影响的并非纠错能力★ღღ，而是对哪里可能有错的感知力★ღღ。纠错有标准流程可循★ღღ，感知力靠的则是长期积累的直觉美味关系儿媳妇苏暖★ღღ。工业领域将拿到结果后判断其是否可靠的过程称作校准——误差出在哪个环节★ღღ，应由人来判定★ღღ。习惯采信AI★ღღ，校准环节便容易出现缺漏★ღღ。

　　审辨能力要守住★ღღ，关键在于将验证从临时行为变为固定工序★ღღ。陶哲轩用AI生成数学证明★ღღ，再借助形式化验证工具逐行核查★ღღ。吴恩达亦强调评估驱动开发★ღღ，即针对薄弱环节构建评估体系★ღღ。两人的做法实质相同——验证不可省略★ღღ。

　　习惯性地采信AI★ღღ，审辨判断便趋于退化乃至缺失★ღღ。真正用好AI★ღღ，不是当甩手掌柜★ღღ，而是将审辨嵌入其中★ღღ。拿到AI输出的结果后★ღღ，不妨先自问★ღღ：若不借助AI★ღღ，自身能否独立验证该结果的准确性？若尚不能★ღღ，至少应逐条核查AI输出中的关键数据和引用来源★ღღ，再决定是否采信★ღღ。答案如潮★ღღ，审辨如堤——审辨不失★ღღ，方能使AI发挥更大价值CQ9电子·(China)官方网站★ღღ。

　　过去三年多★ღღ，我一直在探索如何让AI走进大科学装置的科研现场★ღღ。北京正负电子对撞机★ღღ、高能同步辐射光源★ღღ、中国散裂中子源等装置的共同特点是系统复杂度高★ღღ、数据通量高★ღღ、建设运行成本高★ღღ、科研协作链条长★ღღ。以前★ღღ，装置运行★ღღ、数据采集★ღღ、物理分析往往由不同团队和软件系统分段协作完成★ღღ，流程线性推进★ღღ，环节之间衔接困难★ღღ。随着数据规模达到PB甚至EB量级★ღღ，仅靠增加人力和算力已经难以突破瓶颈★ღღ。

　　这逼着我们重新思考★ღღ：AI能不能不只作为单点工具★ღღ，而是作为科研基础设施★ღღ，把整个流程重新组织起来？

　　我们搭建高能AI平台★ღღ，整合算力★ღღ、模型★ღღ、数据★ღღ、专业知识和科研软件★ღღ，推动AI成为可复用★ღღ、可共享的新型科研基础设施★ღღ。这件事的深层意义★ღღ，是让AI从个别团队的实验性工具★ღღ，变成科研人员可持续使用的公共能力★ღღ。

　　真正让我感受到范式转变的★ღღ，是在高能同步辐射光源上的实践★ღღ。我们建设先进光源AI4S平台★ღღ，贯通数据★ღღ、算力★ღღ、模型CQ9电子·(China)官方网站★ღღ、智能体和实验控制★ღღ，科研效率大大提升★ღღ。譬如★ღღ，X射线吸收谱到三维结构的解析时间★ღღ，从数小时缩短到秒级★ღღ。

　　更关键的是科研流程的变化★ღღ。过去★ღღ，实验★ღღ、分析与方案调整之间的衔接★ღღ，主要依靠科研人员推动★ღღ；如今★ღღ，AI正将这些环节更紧密地连接起来美味关系儿媳妇苏暖★ღღ，使分析结果及时反馈到实验★ღღ，支持参数动态调整★ღღ。科研人员的作用也随之转变★ღღ：从逐步执行和协调具体任务★ღღ，转向更多地把握研究方向★ღღ、设定物理约束★ღღ，并在关键环节作出判断★ღღ。

　　这种变化在散裂中子源上更加明显★ღღ。我们参与的跨学科团队研发了一个智能体★ღღ，它融合大模型★ღღ、专家知识和专业精修软件★ღღ，能根据拟合结果自主调整参数和策略★ღღ，形成“决策—执行—评估”的循环★ღღ。在五种材料的实测数据测试中★ღღ，它的精修结果达到人类专家水平★ღღ，同时效率提升约5倍★ღღ。

　　这背后是研究逻辑的深刻转变★ღღ：从“人使用工具”转向“人机协同求解”★ღღ。AI把大量规则性★ღღ、重复性的工作接过去★ღღ，让科研人员有更多精力聚焦科学问题本身★ღღ。但这要求我们必须更清楚地知道要解决什么问题★ღღ、哪些假设需要验证★ღღ、哪些结果需要审查★ღღ。AI正在倒逼我们把过去藏在经验里★ღღ、说不清楚的东西显性化★ღღ，变成模型★ღღ、规则和约束★ღღ，大科学装置的科研范式也由此发生三个方面的转变★ღღ：科研流程闭环迭代提速★ღღ，研究方式走向人机协同★ღღ，科研体系走向平台化组织★ღღ。