做科研应该“心里有数”

　　【读者来信】

　　读了光明日报《AI参与科研，边界在哪里》这篇报道，我深有感触。我是一名生物医学工程专业的博士研究生，研究方向是医学电子与生理信号处理。我们经常需要做实验，跟各种设备和医学数据打交道。AI的兴起，让实验发生了巨变，也让我产生了困惑。

　　我发现，有了AI后，一些人会把实验安排丢给AI，让它帮着理顺步骤。做完心电、肌电、脑电采集或医学图像分割实验，有一堆波形、图像和特征值要整理，有人会把原始数据直接丢给AI，几秒钟就能出统计结果、频谱图，甚至某一段可以直接放进论文的分析结论中使用，效率确实高了很多。

　　包括实验里的一些判断，AI也开始参与进来。比如某个柔性传感器的阻抗曲线异常，以前大家会自己琢磨：是不是电极和皮肤接触不好？是不是出汗导致阻抗变化？是不是周围有工频干扰？是不是前端电路噪声太大？一个环节一个环节地排查，慢慢定位问题。现在很多人第一反应是问AI，根据AI列出的可能性，照着排查。

　　慢慢地，有人发现，自己从系统层面分析问题、从硬件到软件定位故障的能力，好像在退化。这让我在使用AI时也更加审慎并开始思考：做科研，到底是为了什么？

　　记得刚进实验室那会儿，每次做多通道肌电采集或者脑电实验前，我们会在本子上写流程：哪个通道容易串扰，参考电极和右腿驱动电极怎么接，接地不好会引入什么干扰，运动伪影大概在哪个频段，皮肤阻抗要降到多少以下才算合格……这些注意事项，都是自己一点点“踩坑”踩出来的。还有数据处理，我们会自己写MATLAB或Python脚本，一步步去做基线漂移和陷波处理、提取时域和频域特征、计算信噪比和分类准确率。虽然慢，但每个数字怎么来的、每段代码为什么这样写，自己心里都有数。

　　生物医学工程本来就是交叉学科，既要懂工程，又要理解生理机制和临床需求。以前做实验，我们是在同时训练这两套思维：一边想电路和算法，一边想人体信号从哪里来、为什么会出现这样的波形。如果过度依赖AI，把中间最关键的思考环节接过去了，科研人员就会变得越来越像一个执行AI指令的操作员，看似效率提高了，但对科研能力的训练却在弱化。即使实验结果很漂亮，但真的能“心里有数”吗？

　　科研的本质应该是好奇心，是发现问题和解决问题。一次高效的实验、一次快速的成功，固然可喜，但如果因此而失去了好奇心，失去了发现问题和解决问题的能力，那么，我们的科研还能长久吗？科研需要AI，但AI的边界必须守住。这个边界到底在哪里？是我们都需要回答的问题。

　　（作者：刘雯雯）