AI当“科研搭子”，你真的放心吗？

谷歌旗下DeepMind曾用AI预测出220万种新的晶体结构，其中38万种被判定为“稳定”。然而，得到实验验证的不到0.2%。中国工程院院士李国杰将这一现象概括为：AI产生了海量“看似合理”的假说，绝大多数无法被验证，导致科研资源被浪费在低优先级选项上。

“看似合理”四个字，精准击中了许多一线研究者的焦虑。

中国科学院空天信息创新研究院国家对地观测科学数据中心常务副主任张连翀的观察很直接：“通用AI系统缺乏主动拒答的能力——即便面对超出其知识范围的问题，它仍会尽力生成一个看似合理的回答，而该回答的准确性并无保障。”

栾浩从技术原理上解释了这种“一本正经胡说”的根源：当问题超出大模型的知识库，或者大模型对于问题的理解有偏差时，它会“强行搜索”，给出不相关甚至错误的答案。

南京航空航天大学副研究员伍群芳在电路设计中也反复遇到类似情形。他举例，AI生成的电路方案从框架上看“基本原理确实可以这样去工作”，但一旦涉及效率、纹波、动态响应等具体工程指标，“它不可能所有东西都兼顾得到”。学生拿AI给的滤波电路或信号调理电路去仿真，往往发现实际结果与纸面方案相去甚远，“给个思路可以，最后实际用的东西还是要改变很多，要自己去仿真、优化、调整”。

朱晨的应对之道，是强制复现，同时保留人在关键节点的判断权。在她的系统里，每次研究完成后，都会生成完整的R代码，研究者可以基于原始数据重新运行分析流程，确认回归结果与报告一致。“这一步复现是整个流程中不可或缺的环节，也是确保研究可靠、避免AI幻觉的关键。”

张连翀和团队有个类似的解决办法——探索一条“可信语料库+数据治理+检索增强生成”的解决路径。他们在后台搭建了经过严格审核的可信语料库，智能客服的所有回答均被限定在这一可控数据源内。

这种“人机协同但人最终负责”的模式，正在成为越来越多实验室的操作方式。但问题在于：当AI的输出是一个“黑箱”，研究者既无法完全理解算法内部逻辑，又被要求为结果承担全部责任，这个责任边界的划分合理吗？

“当下大模型在企业实际部署中推进缓慢，核心障碍正在于此。”在栾浩看来，大模型给出答案的准确性在理论上无法精准量化，是其在工业界大规模落地的根本瓶颈。科研场景与工业控制同理：AI可以辅助，但决策权必须留在人手里。

中国人民大学物理学院副研究员高泽峰划出的边界更具体。他鼓励学生用AI辅助写代码，但到了结果分析环节，要求学生独立完成。“必须对自己学术成果中涉及的所有数据负责，绝不能外包，自己当‘甩手掌柜’。”高泽峰说。

实验结束，进入成文阶段。这是AI介入最普遍、争议最集中的环节。某高校化学方向博士生向记者坦言，课题组使用AI的频率“近乎100%”，从选题、初稿到润色都已渗入。

“100%”的高频使用也放大了两个问题：代笔界限模糊，虚假参考文献泛滥。

“学生发来英文论文，句子语法规范、用词地道，却与学术表达不适配。”马冬昕遇到的情况颇为微妙，“我请AI译回中文，发现译文通畅。叫来学生一问，果然是先写好中文再翻译成英文。”

批评教育之余，马冬昕也在思考边界到底在哪里：“AI可以辅助搭建逻辑框架、梳理论文思路、修改语法、润色语言，但绝不能代笔。”而高泽峰则进一步要求学生，在论文撰写阶段同样必须独立自主完成，不能使用AI工具进行辅助。

作为学术期刊的审稿人，伍群芳从审稿人角度印证了这一点：“审稿的核心还是看创新点——相比现有技术提高了多少？怎么提高的？技术方案是什么？最后验证的是什么？这些恰恰是AI无法替代专业判断的地方。”

栾浩用“画龙点睛”来概括人的不可替代性。“大模型可能可以帮你完成80%甚至90%的工作，但是画龙点睛的那一笔，往往做不到。”他用做饭来打比方：AI做出来的菜，像食堂里的大锅饭，按照经验和机械化流程完成，“这道菜毕竟没有办法喂到它嘴里，它不知道咸淡”；而人给家人做饭时，有观察、有感知、有反馈闭环，“他知道这道菜做出来是什么感觉”。在栾浩看来，科研中最关键的那一笔，恰恰来自这种只有人才能完成的“点睛之笔”。

中国环境科学研究院研究员阳平坚就发现，一些学生有了AI后自己不再认真读英文文献，“这对学生科研能力伤害非常大”。他现在要求学生文献必须自己读，读完后可以用AI翻译和总结。

编辑：HN008