有了AI，人的科研能力是否会退化

现在，我常把大模型当成一个可以随时对话的“反问者”。比如配准精度上不去，我问它有哪些思路。它会列出光流、特征匹配、非刚性配准、图优化等方案。如果我只满足于第一个方案，很容易被带进看似热闹、实则未经验证的思路，所以我会继续追问。有一次我问它：如果误差不是随机的，而是系统偏差呢？它顺着这个假设帮我列出几种可能来源——切片顺序、成像畸变、染色差异、机械漂移。这些都要逐一排查，但这个反问确实提醒我，不能只盯着配准算法本身。问着问着，有时就会冒出新想法：能不能把局部配准放进全局一致性框架？能不能利用跨层几何约束抑制误差累积？能不能先用模拟退化数据验证算法，再上真实数据？这些念头未必都对，但确实可能成为新的科研点。

当然，大模型可能虚构文献、遗漏条件、给出未经验证的推断。任何由AI激发的想法，最终都必须回到实验和数据中检验。我鼓励学生与AI对话时“多问一层”：不要满足于第一个方案，要追问前提假设、反例和边界条件。真正难的从来不是“知道一个答案”，而是不断确认：我们有没有问对问题？有没有掉进局部最优？有没有把偶然成功当成普遍规律？

AI可以拓展知识入口、提高探索效率，但逻辑思维必须扎根于人的训练与实践。AI不是答案，它是不断反问我的“科研帮手”。它逼我把“我以为”变成“何以证明”，把“差不多”变成“再检验一次”。让人机对话中的灵感碰撞成为创新催化剂，才能把技术进步真正转化为科学创造力。

缪东晶（中国计量科学研究院几何量所研究员）：

当AI的输出越来越像正确答案，人是否还会审辨和判断，还是已经习惯不假思索地采信？2025年底有媒体报道，香港某高校博士生在学术期刊发表论文，数十条参考文献中相当部分系AI虚构。论文通过两道学术审查后发表，竟无人发现异常。《柳叶刀》研究显示，生物医学论文的虚假引文率在近两年大幅攀升。当AI虚构的文献格式规范、作者署名，连制度化的学术审查都难以识别，审辨判断的退化正在从个体疏忽演变为系统性风险。

审辨判断的失守，往往是因为AI的高仿能力已高到常规审查难以穿透。2026年9月，陶哲轩、邓煜等25位菲尔兹奖得主联合发表声明《人工智能在数学中的严重错位》，指向的正是这一困境：AI正以越来越快的速度批量生产真假结论，甄别真伪、修正错误、整合洞见的重担落在人类身上。声明中有个比喻：著名数学问题如同地标和灯塔，解决问题是发现新洞见的标志而非终点，AI直接给答案，省去了沿途积累的机会。答案涌来之势如潮，审辨这道堤若没有随之加高，虚假结论便会畅通无阻地流入知识生产链条，误导后续判断与决策。

审辨能力的根基亦在遭受侵蚀。人工智能专家吴恩达一直在推广AI，但对这一问题同样未回避：所谓判断力，本质上是人拥有AI所没有的上下文——靠长期动手积累，因此能够识别看起来正确、实际上行不通的东西。一旦习惯直接采信AI输出的结果，不再亲自走一遍数据核查、逻辑推演的完整路径，上下文便会萎缩，而当事人未必能察觉。

上下文的萎缩，最先受到影响的并非纠错能力，而是对哪里可能有错的感知力。纠错有标准流程可循，感知力靠的则是长期积累的直觉。工业领域将拿到结果后判断其是否可靠的过程称作校准——误差出在哪个环节，应由人来判定。习惯采信AI，校准环节便容易出现缺漏。

审辨能力要守住，关键在于将验证从临时行为变为固定工序。陶哲轩用AI生成数学证明，再借助形式化验证工具逐行核查。吴恩达亦强调评估驱动开发，即针对薄弱环节构建评估体系。两人的做法实质相同——验证不可省略。

习惯性地采信AI，审辨判断便趋于退化乃至缺失。真正用好AI，不是当甩手掌柜，而是将审辨嵌入其中。拿到AI输出的结果后，不妨先自问：若不借助AI，自身能否独立验证该结果的准确性？若尚不能，至少应逐条核查AI输出中的关键数据和引用来源，再决定是否采信。答案如潮，审辨如堤——审辨不失，方能使AI发挥更大价值。

张正德（中国科学院高能物理研究所特聘青年研究员）：

AI带来的已经不是“算得快一点”，而是正在从根子上改变我们做科研的方式。

过去三年多，我一直在探索如何让AI走进大科学装置的科研现场。北京正负电子对撞机、高能同步辐射光源、中国散裂中子源等装置的共同特点是系统复杂度高、数据通量高、建设运行成本高、科研协作链条长。以前，装置运行、数据采集、物理分析往往由不同团队和软件系统分段协作完成，流程线性推进，环节之间衔接困难。随着数据规模达到PB甚至EB量级，仅靠增加人力和算力已经难以突破瓶颈。

编辑：HN008