有了AI，人的科研能力是否会退化

在文献调研与多肽序列优化环节，AI的价值同样突出。过去，优化一条先导肽的结构与活性，需要系统梳理大量同类肽的文献报道，逐条整理不同位点突变、不同化学修饰对应的活性数据，再依赖研究经验判断改造方向，很耗时间且易出现信息遗漏。如今，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，将序列生成、理化性质预测、单残基突变生成等功能模块化，每一步预测都有明确的算法依据，结果可复现、过程可回溯。对科研人员而言，这种可追溯的工具至关重要——我们的科研判断绝不能建立在“黑箱”式的结论之上，每一个决策都要有清晰的科学逻辑支撑。

AI不是对人的科研能力的替代，更不会导致能力退化；它推动的是科研能力的迭代升级，让研究者从重复性、遍历性的劳动中解放出来，将更多精力投入到真正需要科学智慧的核心环节。工具在进化，科研能力的定义也在进化。这不是退步，而是新时代科研人员的必然适配与主动进化。

罗滔（西北农林科技大学水利与建筑工程学院副教授）：

选题是科研的起点和前提，没有科学问题，科研就没有目标，所有实验、分析都属于无目的的资料收集，算不上研究。好的问题也决定研究价值、方向与最终成果上限。持续提出新问题，不断挑战现有认知，是学科迭代、理论更新的根本动力。

随着人工智能的发展，我在指导研究生过程中注意到一个越来越普遍的现象：不少学生在开题之前，习惯先请大模型梳理研究现状、推荐选题方向、生成“创新点”。AI给出的框架结构完整、措辞周全，初看令人眼前一亮，但细读之下发现，这些“创新点”大多是对已有工作的排列组合，缺少对工程实际问题的深入体察。以我们团队近年来研究的堆石混凝土为例，真正有价值的问题，往往来自工程现场，如一处异常裂缝、一组不合常理的监测数据等。这些“不对劲”的信号，只有在坝上、在试验台前反复观察和思考，才能捕捉得到。

问题从来不是从数据中自动浮现的。我曾承担中尼交通廊道冻融灾害调查的科考任务，在高原寒区实地踏勘中发现，冻融循环对混凝土的破坏远比室内试验所呈现的复杂得多——真实环境中的温度梯度、水分迁移和物相变化，无法在任何单一模型中完整重现。这种对“现场复杂性”的感知，恰恰是提出好问题的前提。AI无法替代你在寒风凛冽的大坝上看到一道裂缝，并在心中涌起那个追问：为什么偏偏在这里？

这并非否定AI赋能科研的价值。AI可以成为强大的假设生成器与效率加速器，但无法替代研究人员在问题凝练、机理阐释、价值判断以及最终科学结论形成中的核心作用。换言之，AI擅长在已知中寻找关联，却不具备结合领域经验与理论框架创造性思考的能力。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，科研就可能沦为“数据驱动的知识搬运”。

更深层的忧虑在于，问题意识的退化是渐进的、隐蔽的。当综述可以一键生成，当创新点可以自动提炼，学生还需不需要在故纸堆中翻找、在实验失败中追问、在环境恶劣的工程现场奔波？长此以往，科研人员可能越来越擅长“回答问题”，却越来越不善于“提出问题”。

AI时代，科研的“源头活水”是什么？不是算力，不是数据，而是人对未知世界的好奇与追问。真正定义一个科学家的，从来不是他擅长使用什么工具，而是他追问了什么问题。

AI时代，知识触手可及。但科研中最珍贵的，往往不是现成答案，而是一个能不断反问、逼你跳出定式的声音。近年来，大模型让我找到了这样一个可以随时对话的“科研帮手”。它不是替我解决问题，而是在一次次追问和反问中，帮我看见思维里的盲区，有时还会冒出新的科研点。

我研究微观脑联接图谱绘制。不足1立方毫米的斑马鱼幼鱼大脑有10万个神经元，全脑要切成22887张30纳米厚的薄片，逐层拍摄，再借AI拼接重构为三维数据，原始数据量高达200万亿字节。过去，我们卡在百万量级图像的三维配准上，误差逐层累积，重建结果严重扭曲。那时还没有大模型，转机来自团队与同行的反复讨论。一位合作者反问：“你们考虑过把逐层串行配准改为全局优化吗？”这个反问逼我跳出定式，最终显著提升重建精度。今天回头看，这种“被反问”的体验，正是我后来使用大模型时最看重的东西。

编辑：HN008