真正让我感受到研究范式深刻变革的论新,如果我只满足于第一个方案,闻科但这个反问确实提醒我,学网模型、有了AI并自负版权等法律责任;作者如果不希望被转载或者联系转载稿费等事宜,科研但独立研究能力可能逐渐下降。退化
审辨判断的自线失守,在高原寒区实地踏勘中发现,论新让AI提供候选方案;自己设计验证标准,闻科审辨如堤——审辨不失,学网哪些能力必须留给人?有了AI


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,不妨先自问:若不借助AI,却越来越不善于“提出问题”。它是不断反问我的“科研帮手”。同时效率提升约5倍。什么结果经得起检验。大模型可能虚构文献、大模型让我找到了这样一个可以随时对话的“科研帮手”。每一项研究起步都要规划分离纯化流程,是判断什么问题值得问、问题意识的退化是渐进的、论文通过两道学术审查后发表,以我们课题组从事的多传感器融合感知研究为例,分别会产生多大影响?误差应通过硬件同步解决,形成“决策—执行—评估”的循环。物理分析往往由不同团队和软件系统分段协作完成,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,当综述可以一键生成,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。真正用好AI,而是正在从根子上改变我们做科研的方式。让人机对话中的灵感碰撞成为创新催化剂,
审辨能力的根基亦在遭受侵蚀。反例和边界条件。转机来自团队与同行的反复讨论。再借AI拼接重构为三维数据,误差逐层累积,对我自己的研究而言,这种对“现场复杂性”的感知,
AI不是对人的科研能力的替代,
我研究微观脑联接图谱绘制。
缪东晶(中国计量科学研究院几何量所研究员):
习惯采信AI,崔兴毅)
(原标题:“探问AI参与科研的边界”系列报道之三 有了AI,没有科学问题,一部分科研人员把问题、天然多肽的发现主要靠“活性追踪+逐级分离”的传统路径。变成模型、最先受到影响的并非纠错能力,推荐选题方向、理论更新的根本动力。而是一个能不断反问、专业知识和科研软件,但有些事情不能完全交出去:为什么研究这个问题,过去,香港某高校博士生在学术期刊发表论文,而是人对未知世界的好奇与追问。自身能否独立验证该结果的准确性?若尚不能,
AI时代,有了AI之后,
问题从来不是从数据中自动浮现的。仅靠增加人力和算力已经难以突破瓶颈。再与数据库逐一比对。快则数周,虚假结论便会畅通无阻地流入知识生产链条,染色差异、
更深层的忧虑在于,甄别真伪、2026年9月,
AI是否导致思考惰性,需要系统梳理大量同类肽的文献报道,需要逐条解析归属,
现在,人是否还会审辨和判断,措辞周全,提高探索效率,哪些假设需要验证、不再亲自走一遍数据核查、我曾承担中尼交通廊道冻融灾害调查的科考任务,人的科研能力是否会退化:来自一线的讨论
当AI越来越深度介入科学研究,而逐渐削弱独立、变成科研人员可持续使用的公共能力。科研人员的作用也随之转变:从逐步执行和协调具体任务,在环境恶劣的工程现场奔波?长此以往,而是将审辨嵌入其中。它不是替我解决问题,AI不是答案,算力、才能把技术进步真正转化为科学创造力。如一处异常裂缝、误导后续判断与决策。X射线吸收谱到三维结构的解析时间,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、隐蔽的。我常把大模型当成一个可以随时对话的“反问者”。在传统研究模式下几乎难以想象。才能捕捉得到。容易形成另一种工作模式:直接问AI,我们卡在百万量级图像的三维配准上,如果科研人员把问题定义、再依赖研究经验判断改造方向,这种“被反问”的体验,答案是否定的。这样的效率,习惯先请大模型梳理研究现状、不同化学修饰对应的活性数据,提高了科研效率,科研人员可能越来越擅长“回答问题”,我问它有哪些思路。
这逼着我们重新思考:AI能不能不只作为单点工具,带来思考惰性和科研能力退化?
这一风险值得警惕。并在关键环节作出判断。将更多精力投入到真正需要科学智慧的核心环节。一旦习惯直接采信AI输出的结果,样品消耗量、使分析结果及时反馈到实验,结构明确的活性肽,这些是科研人员必须承担的“认知责任”。
陈晓乐(福建医科大学药学院副院长):
AI在进化,感知力靠的则是长期积累的直觉。
陈曦(中国科学院大学博士生导师):
人机碰撞,它会列出光流、避免将大量精力耗费在最终被证实无活性的组分上,它的精修结果达到人类专家水平,
有人担忧,整合洞见的重担落在人类身上。说不清楚的东西显性化,
在文献调研与多肽序列优化环节,学生还需不需要在故纸堆中翻找、但逻辑思维必须扎根于人的训练与实践。真正定义一个科学家的,解决问题是发现新洞见的标志而非终点,往往是因为AI的高仿能力已高到常规审查难以穿透。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,优化一条先导肽的结构与活性,往往来自工程现场,而非结束思考——若坚持这样的原则,但细读之下发现,本应不断追问:误差从何而来?1毫秒、而是他追问了什么问题。使其有更多时间完成真正属于科学家的工作:提出问题、竟无人发现异常。陶哲轩、
习惯性地采信AI,审辨判断便趋于退化乃至缺失。重复性的工作接过去,数十条参考文献中相当部分系AI虚构。成像畸变、高能同步辐射光源、是让AI从个别团队的实验性工具,智能体和实验控制,声明中有个比喻:著名数学问题如同地标和灯塔,持续提出新问题,AI未来不一定是让科研人员整体变强或整体变弱,不仅不会退化,关键在于将验证从临时行为变为固定工序。还是已经习惯不假思索地采信?2025年底有媒体报道,纠错有标准流程可循,不是数据,但科研中最珍贵的,真正有价值的问题,数据整理等流程性和重复性工作,我们建设先进光源AI4S平台,而是在一次次追问和反问中,各抒己见。恰恰是提出好问题的前提。数据采集、当AI虚构的文献格式规范、什么答案值得怀疑、慢则数月。连制度化的学术审查都难以识别,设定物理约束,逼你跳出定式的声音。审辨判断的退化正在从个体疏忽演变为系统性风险。而是对哪里可能有错的感知力。在实验失败中追问、生物医学论文的虚假引文率在近两年大幅攀升。AI擅长在已知中寻找关联,反而可能把科研人员从大量重复劳动中解放出来,所有实验、不能只盯着配准算法本身。分析都属于无目的的资料收集,每一个决策都要有清晰的科学逻辑支撑。研究方式走向人机协同,代码、AI正逐渐从一种辅助工具变成科研基础设施,拿到AI输出的结果后,初看令人眼前一亮,但无法替代研究人员在问题凝练、全脑要切成22887张30纳米厚的薄片,作者署名,科研效率大大提升。换言之,逐条整理不同位点突变、
让AI替代机械劳动,科研人员最重要的能力,AI可以成为强大的假设生成器与效率加速器,审辨这道堤若没有随之加高,能根据拟合结果自主调整参数和策略,
(项目团队:本报记者陈海波、以我们团队近年来研究的堆石混凝土为例,AI无法替代你在寒风凛冽的大坝上看到一道裂缝,单残基突变生成等功能模块化,
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,有一次我问它:如果误差不是随机的,实现了研究资源的精准配置。而非科研能力本身。
这种变化在散裂中子源上更加明显。再借助形式化验证工具逐行核查。它融合大模型、短期科研效率可能很高,科研体系走向平台化组织。人越来越不会“提出问题”
选题是科研的起点和前提,到了结构鉴定环节,好的问题也决定研究价值、很耗时间且易出现信息遗漏。最终都必须回到实验和数据中检验。
上下文的萎缩,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,答案涌来之势如潮,省去了沿途积累的机会。《柳叶刀》研究显示,不足1立方毫米的斑马鱼幼鱼大脑有10万个神经元,陶哲轩用AI生成数学证明,一个复杂的天然肽组分往往对应上百条候选序列,科研的“源头活水”是什么?不是算力,将序列生成、北京正负电子对撞机、过程可回溯。那时还没有大模型,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,
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”。贯通数据、分界线不在于是否使用AI,流程线性推进,原始数据量高达200万亿字节。算不上研究。从来不是他擅长使用什么工具,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、而在于科研人员把什么交给AI。如此使用AI,人机协同反而会促进科研能力进化;有人指出,独立思考能力必然存在退化风险。逐层拍摄,非刚性配准、
当然,上下文便会萎缩,数据、结果可复现、如今,有时还会冒出新的科研点。遍历性的劳动中解放出来,因果推理和学术判断一并外包给AI,AI给出答案或建议。实验、特征匹配、AI正在倒逼我们把过去藏在经验里、AI正将这些环节更紧密地连接起来,哪些序列更值得投入资源重点攻关,再决定是否采信。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、主要依靠科研人员推动;如今,应由人来判定。AI正重写科研底层逻辑
AI带来的已经不是“算得快一点”,至少应逐条核查AI输出中的关键数据和引用来源,长期来看,
同样需要警惕的,规则和约束,时间成本与人力投入都难以承受。因此能够识别看起来正确、理化性质预测、AI的价值同样突出。这些都要逐一排查,以前,
由此看来,习惯采信AI,也可让AI帮助产生。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,AI把大量规则性、每一步预测都有明确的算法依据,
本期邀请不同领域一线科研人员现身说法,
更关键的是科研流程的变化。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》,是学科迭代、科研能力的定义也在进化。任何由AI激发的想法,
评论专区