當AI越來越深度介入科學研究，當科研人員越來越離不開AI，“人的科研能力是否會因此退化”的討論隨之熱鬧起來。

有人擔憂，萬事問AI，獨立思考和價值判斷能力會下降﹔有人認為，不僅不會退化，人機協同反而會促進科研能力進化﹔有人指出，改變的是能力結構與科研范式，而非科研能力本身。

本期邀請不同領域一線科研人員現身說法，各抒己見。他們的觀點或許各異，但不約而同地指向同一追問：哪些問題該交給AI，哪些能力必須留給人？

葉濤（中國礦業大學〔北京〕機械與電氣工程學院教授）：

思考權全交給AI，能力必然會退化

隨著大模型能力不斷增強，AI正逐漸從一種輔助工具變成科研基礎設施，提高了科研效率，但也帶來一個問題：科研人員是否會因為長期依賴AI，而逐漸削弱獨立、持續和深入思考的能力，帶來思考惰性和科研能力退化？

這一風險值得警惕。以我們課題組從事的多傳感器融合感知研究為例，當發現相機與IMU（慣性測量單元）之間存在時間誤差時，本應不斷追問：誤差從何而來？1毫秒、3毫秒和幾十微秒的同步誤差，分別會產生多大影響？誤差應通過硬件同步解決，還是可通過后端時間偏移估計補償？這些連續的“為什麼”，才構成真正的科研思考鏈條。有了AI之后，容易形成另一種工作模式：直接問AI，AI給出答案或建議。科研人員由此可能跳過了最關鍵的一層：為什麼該方法能夠解決問題，以及什麼情況下它不能解決問題。

AI是否導致思考惰性，分界線不在於是否使用AI，而在於科研人員把什麼交給AI。文獻初篩、代碼輔助、數據整理等流程性和重復性工作，可以在人工復核和規范使用的前提下充分發揮AI作用﹔候選算法乃至候選研究方案，也可讓AI幫助產生。但有些事情不能完全交出去：為什麼研究這個問題，真正的科學問題是什麼﹔為什麼選擇這條技術路線﹔實驗究竟能夠証明什麼﹔結果為什麼可信﹔最終應該相信什麼。這些是科研人員必須承擔的“認知責任”。

由此看來，AI未來不一定是讓科研人員整體變強或整體變弱，而是可能導致科研能力進一步分化。一部分科研人員把問題、方案、代碼、結果解釋都交給AI，短期科研效率可能很高，但獨立研究能力可能逐漸下降。另一部分科研人員則採取不同方式：自己定義問題，讓AI提供候選方案﹔自己設計驗証標准，讓AI幫助完成實驗﹔最后反過來要求AI攻擊自己的結論。如此使用AI，科研人員的思考未必會減少，反而可能更加深入。

同樣需要警惕的，是主動把思考權交給AI。科研人員最重要的能力，是判斷什麼問題值得問、什麼答案值得懷疑、什麼結果經得起檢驗。如果科研人員把問題定義、因果推理和學術判斷一並外包給AI，長期來看，獨立思考能力必然存在退化風險。

讓AI替代機械勞動，而非替代認知責任﹔讓AI擴大思考，而非結束思考——若堅持這樣的原則，AI不僅不會削弱科研能力，反而可能把科研人員從大量重復勞動中解放出來，使其有更多時間完成真正屬於科學家的工作：提出問題、理解機理、質疑結論、發現未知。

陳曉樂（福建醫科大學藥學院副院長）：

AI在進化，駕馭AI的能力也會進化

AI是否會導致科研能力退化？在我看來，答案是否定的。

我剛獨立主持課題時，天然多肽的發現主要靠“活性追蹤+逐級分離”的傳統路徑。每一項研究起步都要規劃分離純化流程，從粗提物到拿到一條純度達標、結構明確的活性肽，快則數周，慢則數月。到了結構鑒定環節，高分辨串聯質譜產生的肽段碎片離子，需要逐條解析歸屬，再與數據庫逐一比對。一個復雜的天然肽組分往往對應上百條候選序列，每一條的拼接邏輯都要反復推演確認。

真正讓我感受到研究范式深刻變革的，是AI輔助虛擬篩選融入天然活性肽發現全流程之后。我國科研團隊針對海洋產物蛋白酶水解物的研究讓我印象深刻：樣本中可鑒定的肽序列多達數千條，若沿用傳統“逐一分離純化—高分辨串聯質譜鑒定—活性驗証”的思路，樣品消耗量、時間成本與人力投入都難以承受。該團隊建立了“活性追蹤分離—高分辨串聯質譜定向鑒定—AI輔助虛擬篩選”的新型工作流程，最終從96個高置信度候選結構中篩選出20條肽開展實驗驗証。這樣的效率，在傳統研究模式下幾乎難以想象。對我自己的研究而言，這類工具的價值遠不止提速：它讓我們在分離純化的早期階段就能預判哪些組分、哪些序列更值得投入資源重點攻關，避免將大量精力耗費在最終被証實無活性的組分上，實現了研究資源的精准配置。

在文獻調研與多肽序列優化環節，AI的價值同樣突出。過去，優化一條先導肽的結構與活性，需要系統梳理大量同類肽的文獻報道，逐條整理不同位點突變、不同化學修飾對應的活性數據，再依賴研究經驗判斷改造方向，很耗時間且易出現信息遺漏。如今，我會借助多肽AI設計工具開展預研：它作為一套閉環的多肽設計框架，將序列生成、理化性質預測、單殘基突變生成等功能模塊化，每一步預測都有明確的算法依據，結果可復現、過程可回溯。對科研人員而言，這種可追溯的工具至關重要——我們的科研判斷絕不能建立在“黑箱”式的結論之上，每一個決策都要有清晰的科學邏輯支撐。

AI不是對人的科研能力的替代，更不會導致能力退化﹔它推動的是科研能力的迭代升級，讓研究者從重復性、遍歷性的勞動中解放出來，將更多精力投入到真正需要科學智慧的核心環節。工具在進化，科研能力的定義也在進化。這不是退步，而是新時代科研人員的必然適配與主動進化。

羅滔（西北農林科技大學水利與建筑工程學院副教授）：

AI想選題，人越來越不會“提出問題”

選題是科研的起點和前提，沒有科學問題，科研就沒有目標，所有實驗、分析都屬於無目的的資料收集，算不上研究。好的問題也決定研究價值、方向與最終成果上限。持續提出新問題，不斷挑戰現有認知，是學科迭代、理論更新的根本動力。

隨著人工智能的發展，我在指導研究生過程中注意到一個越來越普遍的現象：不少學生在開題之前，習慣先請大模型梳理研究現狀、推薦選題方向、生成“創新點”。AI給出的框架結構完整、措辭周全，初看令人眼前一亮，但細讀之下發現，這些“創新點”大多是對已有工作的排列組合，缺少對工程實際問題的深入體察。以我們團隊近年來研究的堆石混凝土為例，真正有價值的問題，往往來自工程現場，如一處異常裂縫、一組不合常理的監測數據等。這些“不對勁”的信號，隻有在壩上、在試驗台前反復觀察和思考，才能捕捉得到。

問題從來不是從數據中自動浮現的。我曾承擔中尼交通廊道凍融災害調查的科考任務，在高原寒區實地踏勘中發現，凍融循環對混凝土的破壞遠比室內試驗所呈現的復雜得多——真實環境中的溫度梯度、水分遷移和物相變化，無法在任何單一模型中完整重現。這種對“現場復雜性”的感知，恰恰是提出好問題的前提。AI無法替代你在寒風凜冽的大壩上看到一道裂縫，並在心中涌起那個追問：為什麼偏偏在這裡？

這並非否定AI賦能科研的價值。AI可以成為強大的假設生成器與效率加速器，但無法替代研究人員在問題凝練、機理闡釋、價值判斷以及最終科學結論形成中的核心作用。換言之，AI擅長在已知中尋找關聯，卻不具備結合領域經驗與理論框架創造性思考的能力。如果研究者把“提出問題”這一最關鍵的認知環節也交給算法，科研就可能淪為“數據驅動的知識搬運”。

更深層的憂慮在於，問題意識的退化是漸進的、隱蔽的。當綜述可以一鍵生成，當創新點可以自動提煉，學生還需不需要在故紙堆中翻找、在實驗失敗中追問、在環境惡劣的工程現場奔波？長此以往，科研人員可能越來越擅長“回答問題”，卻越來越不善於“提出問題”。

AI時代，科研的“源頭活水”是什麼？不是算力，不是數據，而是人對未知世界的好奇與追問。真正定義一個科學家的，從來不是他擅長使用什麼工具，而是他追問了什麼問題。

陳曦（中國科學院大學博士生導師）：

人機碰撞，“多問一層”成創新催化劑

AI時代，知識觸手可及。但科研中最珍貴的，往往不是現成答案，而是一個能不斷反問、逼你跳出定式的聲音。近年來，大模型讓我找到了這樣一個可以隨時對話的“科研幫手”。它不是替我解決問題，而是在一次次追問和反問中，幫我看見思維裡的盲區，有時還會冒出新的科研點。

我研究微觀腦聯接圖譜繪制。不足1立方毫米的斑馬魚幼魚大腦有10萬個神經元，全腦要切成22887張30納米厚的薄片，逐層拍攝，再借AI拼接重構為三維數據，原始數據量高達200萬億字節。過去，我們卡在百萬量級圖像的三維配准上，誤差逐層累積，重建結果嚴重扭曲。那時還沒有大模型，轉機來自團隊與同行的反復討論。一位合作者反問：“你們考慮過把逐層串行配准改為全局優化嗎？”這個反問逼我跳出定式，最終顯著提升重建精度。今天回頭看，這種“被反問”的體驗，正是我后來使用大模型時最看重的東西。

現在，我常把大模型當成一個可以隨時對話的“反問者”。比如配准精度上不去，我問它有哪些思路。它會列出光流、特征匹配、非剛性配准、圖優化等方案。如果我隻滿足於第一個方案，很容易被帶進看似熱鬧、實則未經驗証的思路，所以我會繼續追問。有一次我問它：如果誤差不是隨機的，而是系統偏差呢？它順著這個假設幫我列出幾種可能來源——切片順序、成像畸變、染色差異、機械漂移。這些都要逐一排查，但這個反問確實提醒我，不能隻盯著配准算法本身。問著問著，有時就會冒出新想法：能不能把局部配准放進全局一致性框架？能不能利用跨層幾何約束抑制誤差累積？能不能先用模擬退化數據驗証算法，再上真實數據？這些念頭未必都對，但確實可能成為新的科研點。

當然，大模型可能虛構文獻、遺漏條件、給出未經驗証的推斷。任何由AI激發的想法，最終都必須回到實驗和數據中檢驗。我鼓勵學生與AI對話時“多問一層”：不要滿足於第一個方案，要追問前提假設、反例和邊界條件。真正難的從來不是“知道一個答案”，而是不斷確認：我們有沒有問對問題？有沒有掉進局部最優？有沒有把偶然成功當成普遍規律？

AI可以拓展知識入口、提高探索效率，但邏輯思維必須扎根於人的訓練與實踐。AI不是答案，它是不斷反問我的“科研幫手”。它逼我把“我以為”變成“何以証明”，把“差不多”變成“再檢驗一次”。讓人機對話中的靈感碰撞成為創新催化劑，才能把技術進步真正轉化為科學創造力。

繆東晶（中國計量科學研究院幾何量所研究員）：

習慣採信AI，審辨和判斷能力遭侵蝕

當AI的輸出越來越像正確答案，人是否還會審辨和判斷，還是已經習慣不假思索地採信？2025年底有媒體報道，香港某高校博士生在學術期刊發表論文，數十條參考文獻中相當部分系AI虛構。論文通過兩道學術審查后發表，竟無人發現異常。《柳葉刀》研究顯示，生物醫學論文的虛假引文率在近兩年大幅攀升。當AI虛構的文獻格式規范、作者署名，連制度化的學術審查都難以識別，審辨判斷的退化正在從個體疏忽演變為系統性風險。

審辨判斷的失守，往往是因為AI的高仿能力已高到常規審查難以穿透。2026年9月，陶哲軒、鄧煜等25位菲爾茲獎得主聯合發表聲明《人工智能在數學中的嚴重錯位》，指向的正是這一困境：AI正以越來越快的速度批量生產真假結論，甄別真偽、修正錯誤、整合洞見的重擔落在人類身上。聲明中有個比喻：著名數學問題如同地標和燈塔，解決問題是發現新洞見的標志而非終點，AI直接給答案，省去了沿途積累的機會。答案涌來之勢如潮，審辨這道堤若沒有隨之加高，虛假結論便會暢通無阻地流入知識生產鏈條，誤導后續判斷與決策。

審辨能力的根基亦在遭受侵蝕。人工智能專家吳恩達一直在推廣AI，但對這一問題同樣未回避：所謂判斷力，本質上是人擁有AI所沒有的上下文——靠長期動手積累，因此能夠識別看起來正確、實際上行不通的東西。一旦習慣直接採信AI輸出的結果，不再親自走一遍數據核查、邏輯推演的完整路徑，上下文便會萎縮，而當事人未必能察覺。

上下文的萎縮，最先受到影響的並非糾錯能力，而是對哪裡可能有錯的感知力。糾錯有標准流程可循，感知力靠的則是長期積累的直覺。工業領域將拿到結果后判斷其是否可靠的過程稱作校准——誤差出在哪個環節，應由人來判定。習慣採信AI，校准環節便容易出現缺漏。

審辨能力要守住，關鍵在於將驗証從臨時行為變為固定工序。陶哲軒用AI生成數學証明，再借助形式化驗証工具逐行核查。吳恩達亦強調評估驅動開發，即針對薄弱環節構建評估體系。兩人的做法實質相同——驗証不可省略。

習慣性地採信AI，審辨判斷便趨於退化乃至缺失。真正用好AI，不是當甩手掌櫃，而是將審辨嵌入其中。拿到AI輸出的結果后，不妨先自問：若不借助AI，自身能否獨立驗証該結果的准確性？若尚不能，至少應逐條核查AI輸出中的關鍵數據和引用來源，再決定是否採信。答案如潮，審辨如堤——審辨不失，方能使AI發揮更大價值。

張正德（中國科學院高能物理研究所特聘青年研究員）：

倒逼范式改革，AI正重寫科研底層邏輯

AI帶來的已經不是“算得快一點”，而是正在從根子上改變我們做科研的方式。

過去三年多，我一直在探索如何讓AI走進大科學裝置的科研現場。北京正負電子對撞機、高能同步輻射光源、中國散裂中子源等裝置的共同特點是系統復雜度高、數據通量高、建設運行成本高、科研協作鏈條長。以前，裝置運行、數據採集、物理分析往往由不同團隊和軟件系統分段協作完成，流程線性推進，環節之間銜接困難。隨著數據規模達到PB甚至EB量級，僅靠增加人力和算力已經難以突破瓶頸。

這逼著我們重新思考：AI能不能不隻作為單點工具，而是作為科研基礎設施，把整個流程重新組織起來？

我們搭建高能AI平台，整合算力、模型、數據、專業知識和科研軟件，推動AI成為可復用、可共享的新型科研基礎設施。這件事的深層意義，是讓AI從個別團隊的實驗性工具，變成科研人員可持續使用的公共能力。

真正讓我感受到范式轉變的，是在高能同步輻射光源上的實踐。我們建設先進光源AI4S平台，貫通數據、算力、模型、智能體和實驗控制，科研效率大大提升。譬如，X射線吸收譜到三維結構的解析時間，從數小時縮短到秒級。

更關鍵的是科研流程的變化。過去，實驗、分析與方案調整之間的銜接，主要依靠科研人員推動﹔如今，AI正將這些環節更緊密地連接起來，使分析結果及時反饋到實驗，支持參數動態調整。科研人員的作用也隨之轉變：從逐步執行和協調具體任務，轉向更多地把握研究方向、設定物理約束，並在關鍵環節作出判斷。

這種變化在散裂中子源上更加明顯。我們參與的跨學科團隊研發了一個智能體，它融合大模型、專家知識和專業精修軟件，能根據擬合結果自主調整參數和策略，形成“決策—執行—評估”的循環。在五種材料的實測數據測試中，它的精修結果達到人類專家水平，同時效率提升約5倍。

這背后是研究邏輯的深刻轉變：從“人使用工具”轉向“人機協同求解”。AI把大量規則性、重復性的工作接過去，讓科研人員有更多精力聚焦科學問題本身。但這要求我們必須更清楚地知道要解決什麼問題、哪些假設需要驗証、哪些結果需要審查。AI正在倒逼我們把過去藏在經驗裡、說不清楚的東西顯性化，變成模型、規則和約束，大科學裝置的科研范式也由此發生三個方面的轉變：科研流程閉環迭代提速，研究方式走向人機協同，科研體系走向平台化組織。（記者 陳海波、崔興毅）