當人工智能以空前效率介入科研，從文獻綜述到實驗設計無所不能，一個根本問題反而被遮蔽：原始創新究竟靠什麼？

科學研究的根本目的在於拓展人類知識的邊界，其最大特征是不確定性。真正的原始創新是小概率事件，無法預先規定。因此，自由探索是顛覆性創新最核心的要素。然而自由探索門檻極高：研究者必須了解人類知識的邊界，了解社會與技術真正需要解決的問題，還必須具備冒險精神和擔當精神。

我們的專業體系分得很細，科研文化在某種程度上變成了“從論文中來到論文中去”，甚至形成八股文習慣，論文發表被等同於科學發現。這種稀釋恰恰暴露了人類科研能力的局限：我們獲取知識的能力有限，理論方法仍基於古老的數學工具，計算只能處理理想化場景，實驗則依賴試錯。這一背景下，AI被寄予厚望。但我們必須清醒：當前以深度學習和大語言模型為代表的AI，本質是對已有數據分布的學習、逼近與重採樣。它可以在高維空間中尋找相關性，完成插值和一定范圍內的外推，卻無法超出訓練數據的結構約束。它輸出的每一個“新發現”，都是基於已知語料、已知樣本和已知規則的概率生成，更多是對已有龐雜材料的整理、歸納與重組，而非創造新的知識。如果AI的輸出在原則上可由輸入數據和模型參數確定，它所提供的信息增量就極其有限。比如，AlphaFold預測蛋白質結構是重要進展，但它並未提出蛋白質折疊的新原理，只是利用已有序列—結構數據進行高效建模。

真正的原始創新，往往發生在既有認知框架之外。愛因斯坦提出相對論，不是因為他讀了更多數據，而是因為他追問“如果追著一束光跑會怎樣”﹔達爾文提出自然選擇，不是因為他掌握了更多物種樣本，而是因為他從無數細節中洞察到一個新的解釋框架。這種跳出框架的能力，依賴於人的直覺、想象力、跨領域聯想和默會知識——那些我們知道的遠比能說出來的多的東西。而科研中的關鍵選擇，包括做什麼問題、走哪條路、何時堅持、何時放棄、如何解釋意外結果，等等，這些都無法完全編碼為數據，也就無法被AI習得。AI擅長在既定范式下高效解謎，卻難以引發范式革命。

更值得警惕的是，AI可能產生“平極化”效應。由於模型基於主流數據和平均化目標優化，它傾向於給出最常見、最符合既有范式的答案。過度依賴AI，不僅會削弱科學家動手實驗、閱讀原始文獻和深度思考的意願，還可能使整個科學共同體趨向均值化、安全化、平庸化。那些看似邊緣的、暫時不被理解的思想，很可能被算法過濾。長此以往，人的腦子會轉不動，科研將失去顛覆性。此時的AI，再強大也只是讓“從論文中來到論文中去”的循環更高效，而無法帶來真正的科學進步。

我呼吁：保護“不合時宜”的頭腦風暴，這才是AI時代原始創新的根本。

（作者：陳謀，系南京航空航天大學自動化學院院長、教授）