有了AI，人的科研能力是否会退化

当AI越来越深度介入科学研究，当科研人员越来越离不开AI，“人的科研能力是否会因此退化”的讨论随之热闹起来。

有人担忧，万事问AI，独立思考和价值判断能力会下降；有人认为，不仅不会退化，人机协同反而会促进科研能力进化；有人指出，改变的是能力结构与科研范式，而非科研能力本身。

本期邀请不同领域一线科研人员现身说法，各抒己见。他们的观点或许各异，但不约而同地指向同一追问：哪些问题该交给AI，哪些能力必须留给人？

叶涛（中国矿业大学〔北京〕机械与电气工程学院教授）：

随着大模型能力不断增强，AI正逐渐从一种辅助工具变成科研基础设施，提高了科研效率，但也带来一个问题：科研人员是否会因为长期依赖AI，而逐渐削弱独立、持续和深入思考的能力，带来思考惰性和科研能力退化？

这一风险值得警惕。以我们课题组从事的多传感器融合感知研究为例，当发现相机与IMU（惯性测量单元）之间存在时间误差时，本应不断追问：误差从何而来？1毫秒、3毫秒和几十微秒的同步误差，分别会产生多大影响？误差应通过硬件同步解决，还是可通过后端时间偏移估计补偿？这些连续的“为什么”，才构成真正的科研思考链条。有了AI之后，容易形成另一种工作模式：直接问AI，AI给出答案或建议。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，以及什么情况下它不能解决问题。

AI是否导致思考惰性，分界线不在于是否使用AI，而在于科研人员把什么交给AI。文献初筛、代码辅助、数据整理等流程性和重复性工作，可以在人工复核和规范使用的前提下充分发挥AI作用；候选算法乃至候选研究方案，也可让AI帮助产生。但有些事情不能完全交出去：为什么研究这个问题，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。这些是科研人员必须承担的“认知责任”。

由此看来，AI未来不一定是让科研人员整体变强或整体变弱，而是可能导致科研能力进一步分化。一部分科研人员把问题、方案、代码、结果解释都交给AI，短期科研效率可能很高，但独立研究能力可能逐渐下降。另一部分科研人员则采取不同方式：自己定义问题，让AI提供候选方案；自己设计验证标准，让AI帮助完成实验；最后反过来要求AI攻击自己的结论。如此使用AI，科研人员的思考未必会减少，反而可能更加深入。

同样需要警惕的，是主动把思考权交给AI。科研人员最重要的能力，是判断什么问题值得问、什么答案值得怀疑、什么结果经得起检验。如果科研人员把问题定义、因果推理和学术判断一并外包给AI，长期来看，独立思考能力必然存在退化风险。

让AI替代机械劳动，而非替代认知责任；让AI扩大思考，而非结束思考——若坚持这样的原则，AI不仅不会削弱科研能力，反而可能把科研人员从大量重复劳动中解放出来，使其有更多时间完成真正属于科学家的工作：提出问题、理解机理、质疑结论、发现未知。

AI是否会导致科研能力退化？在我看来，答案是否定的。

我刚独立主持课题时，天然多肽的发现主要靠“活性追踪+逐级分离”的传统路径。每一项研究起步都要规划分离纯化流程，从粗提物到拿到一条纯度达标、结构明确的活性肽，快则数周，慢则数月。到了结构鉴定环节，高分辨串联质谱产生的肽段碎片离子，需要逐条解析归属，再与数据库逐一比对。一个复杂的天然肽组分往往对应上百条候选序列，每一条的拼接逻辑都要反复推演确认。

真正让我感受到研究范式深刻变革的，是AI辅助虚拟筛选融入天然活性肽发现全流程之后。我国科研团队针对海洋产物蛋白酶水解物的研究让我印象深刻：样本中可鉴定的肽序列多达数千条，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，样品消耗量、时间成本与人力投入都难以承受。该团队建立了“活性追踪分离—高分辨串联质谱定向鉴定—AI辅助虚拟筛选”的新型工作流程，最终从96个高置信度候选结构中筛选出20条肽开展实验验证。这样的效率，在传统研究模式下几乎难以想象。对我自己的研究而言，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、哪些序列更值得投入资源重点攻关，避免将大量精力耗费在最终被证实无活性的组分上，实现了研究资源的精准配置。

编辑：HN008