写于2026年5月：AI科研与人类科研的差别在哪？

AI正强力渗入科研领域，论文产出的规模正在迎来一轮近乎指数式的增长。

然而，大量文献的堆叠并没有按比例带来更高的认知含量，结果反而是：每一篇论文的平均价值持续走低。

当学术逐渐变成“Agent对Agent”的社交场域，我们不得不重新追问：人的位置到底在哪里？

一、AI进入科研之后

到2026年时，人工智能已然成为科研流程中的常规一员。

但与此同时，论文数量上升，海量“平庸稿件”也随之出现。

核心原因来自语言模型的底层机制。语言模型本身擅长形成清晰的结构，因此AI生成的内容常常为了段落与论证的整齐而牺牲连贯的逻辑：引言里出现过的内容，在后文论证部分往往会被几乎原样搬运。

这种看似“高效”的文字拼接，实质是在既有知识点之间做“插值”。它依据统计概率，在A点与B点之间补出最像样的续写；但这种续写并不是思想的突破，而是对平庸共识的二次咀嚼。

不可否认，AI在提升效率方面确实有价值。可也正因为这种“效率红利”，不少人开始借力狂飙变现：批量生产论文、抢占录用名额、把握最后一段学术红利窗口，最终制造出论文数量的表面繁荣。

不过，这种繁荣非常脆弱。

当发表论文不再像过去那样构成门槛，单纯“发不发表”就失去了意义。

当“发表数量”作为指标开始贬值，我们曾经倚重的评估框架，比如H指数、引用相关指标，将面临彻底失效。

如果整个学术生态都由Agent驱动，那么学术本质上会变成一条自动化流水线。

论文由Agent撰写，审稿由Agent完成，Rebuttal也由Agent自动生成，甚至海报与演讲都可能是仿真产物。

当写作慢慢沦为AI流水线的副产品，学术就变成agent-to-agent的社交圈。既然如此，人类介入还有什么必要？甚至不必依赖人类可读的表达；学术期刊本身也未必不可被替代。

一旦研究生态只需为Agent而存在，人类读者又该如何安放自己的角色？

遗憾的是，这种趋势也许已离得不远；但幸运的是，至少目前还没有完全发生。

因此，人类仍可能有几年——甚至只有几个月的时间——去认真思考：对于人类学者而言，怎样做出更有深度、更能推动人类认知的研究？

二、何为大师？

AI与科研相互作用所呈现的一系列现象已经说明：AI是当下最强的“脑力杠杆”。它能显著加速效率，也能快速拉大人与人之间的差距。

AI能够把少数人的高阶认知资本无限放大，同时也会把平庸的标准化能力大规模替代。

无论有人如何核验当前AI达到的是高中生还是本科生的认知水平，至少在科研层面，AI依然缺少顶尖人类学者的三个关键特质。

第一，长期而深刻的问题意识。

AI当然能根据指令产出问题，但它从不会被某个问题“长时间纠缠”。它没有“认知不适”。没有输入时，它只是停在死寂里。

真正的学者，往往会被某个问题长期折磨：那种必须把理论的薄弱处撕开看个究竟的执念，是任何算法都很难真正复刻的。

费曼曾说，他脑中会同时保留十几个开放性问题；当新信息出现时，他会迅速判断它能否照亮其中某一个。

从信息互动的角度看，AI带来的主要是信息供给效率的变化，而真正决定信息需求的，仍是人类使用者本身。人类需要先问清“我究竟想弄明白什么”，才能把AI用到更高效的地方；也可以说，人的信息需求越是更高级，AI的供给效果就越能显得精妙。

但这类问题的答案并不比苏格拉底那句“认识你自己”更简单。

能随时知道“自己想知道什么”，绝非易事：要么来自严密的学术训练，要么来自彻底的觉悟与人生智慧。在这一点上，工具能否发挥价值，关键并不在工具本身，而在使用者：长期而深刻的问题意识，才是真正能高效牵引AI的动力。

第二，学术直觉与审美判断。

AI的思维更偏向连续性：它会在既有概念之间建立联系，在已知点附近填补内容，因此它很难真正挑战训练数据所塑造的世界观。

而天才的思维往往更具跳跃性。他们不只是去检索既有知识，还会在阅读、思考与观察中持续捕捉张力、识别矛盾、发现尚未被命名的现象。这种感知并非算法层面的运算，而是长时间沉浸在某个问题中形成的直觉。

例如爱因斯坦提出相对论，并不是因为他只接受“既定答案”，而是愿意追问一个常被视为“不成问题”的问法：如果我以接近光速奔跑，看到的光会是什么样？

越是天才，越需要对问题保持直觉式的判断。这种判断不是纯粹计算，而是无数次思考、阅读与实验现场经验反复验证后的结果，更像一种审美、一种想象，乃至一种直觉。

正如哈代所言，“美是检验数学真理的第一道门槛”。

顶尖学者对理论的简洁性、统一性与解释力往往带有某种本能偏好；在混沌数据中，他们更容易直觉地靠近那条更可能正确的路径。

任何科研走到最后，都不只需要智慧，还需要勇气：那种面向“无人地带”的勇气——在没有共识、也没有现成对错标准的地方，只能靠自己做最终判断。

但目前的AI仍不具备这些能力。

第三，长期主义。

站在用户交互的角度，AI几乎必然是短期主义者：只要你提问，它就要回答，而且还要一次性给出答案。

可真正深刻的问题往往并不容易立刻找到答案。

尤其是重大发现与研究范式的突破，通常要经历漫长的失败期。达尔文从环球考察归来到发表《物种起源》用了二十年；这中间就是持续的失败、反复修正以及对反驳的应对。

AI没有这种跨时间尺度的坚持。一个假设被推翻，并不会让它产生沮丧，也不会因此变得更强。

从知识结构来看，AI的知识往往是宽而浅、分布均匀的。它对量子力学和文艺复兴绘画的“理解”，在形式上可能看起来对称，但同样也难免浅尝辄止。

而顶尖学者的知识结构则高度不对称：在自己的核心领域，他们拥有远超AI的深度积累，包含大量未公开的思考、失败实验带来的教训、与同行争论留下的记忆，以及对领域内隐性知识的把握。这些并不会以文本形式完整出现，因此AI也永远难以真正获得。

只有这种持续的长期投入，才可能在既有范式之外完成超越：重新审视整个知识界的框架，并在他人认为理所当然或毫不相干的地方发现问题。

就像达尔文在加拉帕戈斯群岛看到与同行一样的鸟，却只有他问出了那个问题。

又像香农把布尔代数引入通信工程、并由此创立信息论，只有他看见两个看似毫不相关的领域里隐藏着更深层的同构联系。

归根结底：AI把科研的效率边界大幅拓宽，就如同望远镜扩展了人类的视野边界。但望远镜本身不会去追问宇宙起源，不会因观测数据而感到震动，也不会在两个不相干的现象之间突然看到关联。

所以大师之所以是大师，正因为他们做到了AI做不到的事：在混沌中识别意义，在失败里坚持，在边界处完成突破。

三、学者必须进化

AI的进化速度很快。就目前而言，一篇论文的生成可能仍需要人类学者反复跟进、调试、核查与修改；但随着大模型持续迭代，自动化科研的Multi-Agent体系正快速走向成熟。

人类学者必须重新梳理自己的能力版图，学会配合AI、超越AI、并在必要时对抗AI。

首先是配合AI。所谓配合，本质是服从规则。这个时代的年轻人必须学会使用AI。

其次要超越AI。因为AI给出的往往是听起来合理的答案，而不等同于经过验证的结论。为了让文本更顺滑，它可能会胡编参考文献，甚至“编造”不存在的研究空白。因此，人类学者必须在某个细分方向上完成超越：在通识理解之外锤炼自己的独特判断力。在Agent时代，就算你不必懂代码，也一定要具备逻辑构建能力、审美能力与决策能力。

最后是对抗AI。对抗并不意味着反对，而是提醒自己在风险面前要保持警觉。过去原子弹的爆炸让人们惊讶于：我们原来根本没想过该如何应对这种发明。大模型的爆发同样说明，最可怕的并不是技术不发展，而是技术发展的速度远远超过文明的更新，一旦失控就可能毁灭文明。

无论后现代主义还是后人类中心主义如何宣称，在价值判断的立场上，人类文明必须始终居于首位；人的生活与主观幸福，也必须始终居于首位。

AI输出的是关于现实的文本，而不是现实本身。沉迷AI终究会让人失去自我。

但当人机协同与脑机接口正成为下一轮产业浪潮，我们把强大的芯片植入大脑时，“自我”到底意味着什么，又只能走一步看一步了。