有了AI，人的科研能力是否会退化

　　【学者辨析】

　　编者按

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

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

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

　　叶涛（中国矿业大学〔北京〕机械与电气工程学院教授）：

思考权全交给AI，能力必然会退化

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

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

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

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

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

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

　　陈晓乐（福建医科大学药学院副院长）：

AI在进化，驾驭AI的能力也会进化

　　AI是否会导致科研能力退化？在我看来，答案是否定的。

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

　　真正让我感受到研究范式深刻变革的，是AI辅助虚拟筛选融入天然活性肽发现全流程之后。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：样本中可鉴定的肽序列多达数千条，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，样品消耗量、时间成本与人力投入都难以承受。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，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。这样的效率，在传统研究模式下几乎难以想象。对我自己的研究而言，这类工具的价值远不止提速：它让我们在分离纯化的早期阶段就能预判哪些组分、哪些序列更值得投入资源重点攻关，避免将大量精力耗费在最终被证实无活性的组分上，实现了研究资源的精准配置。

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

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

　　罗滔（西北农林科技大学水利与建筑工程学院副教授）：

AI想选题，人越来越不会“提出问题”

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

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

　　问题从来不是从数据中自动浮现的。我曾承担中尼交通廊道冻融灾害调查的科考任务，在高原寒区实地踏勘中发现，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、水分迁移和物相变化，无法在任何单一模型中完整重现。这种对“现场复杂性”的感知，恰恰是提出好问题的前提。AI无法替代你在寒风凛冽的大坝上看到一道裂缝，并在心中涌起那个追问：为什么偏偏在这里？

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

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

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

　　陈曦（中国科学院大学博士生导师）：

人机碰撞，“多问一层”成创新催化剂

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

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

　　现在，我常把大模型当成一个可以随时对话的“反问者”。比如配准精度上不去，我问它有哪些思路。它会列出光流、特征匹配、非刚性配准、图优化等方案。如果我只满足于第一个方案，很容易被带进看似热闹、实则未经验证的思路，所以我会继续追问。有一次我问它：如果误差不是随机的，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、成像畸变、染色差异、机械漂移。这些都要逐一排查，但这个反问确实提醒我，不能只盯着配准算法本身。问着问着，有时就会冒出新想法：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，再上真实数据？这些念头未必都对，但确实可能成为新的科研点。

　　当然，大模型可能虚构文献、遗漏条件、给出未经验证的推断。任何由AI激发的想法，最终都必须回到实验和数据中检验。我鼓励学生与AI对话时“多问一层”：不要满足于第一个方案，要追问前提假设、反例和边界条件。真正难的从来不是“知道一个答案”，而是不断确认：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、提高探索效率，但逻辑思维必须扎根于人的训练与实践。AI不是答案，它是不断反问我的“科研帮手”。它逼我把“我以为”变成“何以证明”，把“差不多”变成“再检验一次”。让人机对话中的灵感碰撞成为创新催化剂，才能把技术进步真正转化为科学创造力。

　　缪东晶（中国计量科学研究院几何量所研究员）：

习惯采信AI，审辨和判断能力遭侵蚀

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

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

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

　　上下文的萎缩，最先受到影响的并非纠错能力，而是对哪里可能有错的感知力。纠错有标准流程可循，感知力靠的则是长期积累的直觉。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，应由人来判定。习惯采信AI，校准环节便容易出现缺漏。

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

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

　　张正德（中国科学院高能物理研究所特聘青年研究员）：

倒逼范式改革，AI正重写科研底层逻辑

　　AI带来的已经不是“算得快一点”，而是正在从根子上改变我们做科研的方式。

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

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

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

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

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

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

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

　　（项目团队：本报记者 陈海波、崔兴毅）