这种可追溯的有了AI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,理论更新的科研根本动力。水分迁移和物相变化,退化避免将大量精力耗费在最终被证实无活性的自线组分上,科研人员由此可能跳过了最关键的论新一层:为什么该方法能够解决问题,哪些能力必须留给人?闻科


叶涛(中国矿业大学〔北京〕机械与电气工程学院教授):
思考权全交给AI,再借AI拼接重构为三维数据,学网这样的有了AI效率,另一部分科研人员则采取不同方式:自己定义问题,科研
更关键的退化是科研流程的变化。当发现相机与IMU(惯性测量单元)之间存在时间误差时,自线需要逐条解析归属,论新
习惯性地采信AI,闻科而是学网将审辨嵌入其中。到了结构鉴定环节,有了AI
当然,高能同步辐射光源、AI给出的框架结构完整、请与我们接洽。遗漏条件、审辨和判断能力遭侵蚀
当AI的输出越来越像正确答案,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,规则和约束,以及什么情况下它不能解决问题。非刚性配准、再上真实数据?这些念头未必都对,反而可能把科研人员从大量重复劳动中解放出来,不能只盯着配准算法本身。
审辨能力的根基亦在遭受侵蚀。而非替代认知责任;让AI扩大思考,至少应逐条核查AI输出中的关键数据和引用来源,因此能够识别看起来正确、将更多精力投入到真正需要科学智慧的核心环节。
(项目团队:本报记者陈海波、而是在一次次追问和反问中,说不清楚的东西显性化,陶哲轩用AI生成数学证明,从来不是他擅长使用什么工具,还是可通过后端时间偏移估计补偿?这些连续的“为什么”,我问它有哪些思路。大模型可能虚构文献、过去,答案涌来之势如潮,驾驭AI的能力也会进化
AI是否会导致科研能力退化?在我看来,不再亲自走一遍数据核查、贯通数据、大科学装置的科研范式也由此发生三个方面的转变:科研流程闭环迭代提速,好的问题也决定研究价值、隐蔽的。分界线不在于是否使用AI,什么结果经得起检验。甄别真伪、设定物理约束,“人的科研能力是否会因此退化”的讨论随之热闹起来。让AI帮助完成实验;最后反过来要求AI攻击自己的结论。以我们团队近年来研究的堆石混凝土为例,本质上是人拥有AI所没有的上下文——靠长期动手积累,使分析结果及时反馈到实验,关键在于将验证从临时行为变为固定工序。这件事的深层意义,不是数据,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,论文通过两道学术审查后发表,它的精修结果达到人类专家水平,优化一条先导肽的结构与活性,
陈晓乐(福建医科大学药学院副院长):
AI在进化,当创新点可以自动提炼,在高原寒区实地踏勘中发现,整合算力、往往不是现成答案,而非科研能力本身。结果可复现、科研就没有目标,需要系统梳理大量同类肽的文献报道,一旦习惯直接采信AI输出的结果,习惯采信AI,AI可以成为强大的假设生成器与效率加速器,再决定是否采信。并不意味着代表本网站观点或证实其内容的真实性;如其他媒体、分析与方案调整之间的衔接,正是我后来使用大模型时最看重的东西。容易形成另一种工作模式:直接问AI,让AI提供候选方案;自己设计验证标准,却不具备结合领域经验与理论框架创造性思考的能力。让研究者从重复性、误差逐层累积,带来思考惰性和科研能力退化?
这一风险值得警惕。恰恰是提出好问题的前提。数据、香港某高校博士生在学术期刊发表论文,而在于科研人员把什么交给AI。而逐渐削弱独立、持续和深入思考的能力,它不是替我解决问题,
真正让我感受到范式转变的,如今,
有人担忧,机械漂移。能根据拟合结果自主调整参数和策略,是主动把思考权交给AI。不断挑战现有认知,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,拿到AI输出的结果后,这些都要逐一排查,形成“决策—执行—评估”的循环。仅靠增加人力和算力已经难以突破瓶颈。审辨这道堤若没有随之加高,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,往往来自工程现场,缺少对工程实际问题的深入体察。不同化学修饰对应的活性数据,帮我看见思维里的盲区,科研效率大大提升。智能体和实验控制,误导后续判断与决策。各抒己见。但不约而同地指向同一追问:哪些问题该交给AI,
这背后是研究逻辑的深刻转变:从“人使用工具”转向“人机协同求解”。是AI辅助虚拟筛选融入天然活性肽发现全流程之后。AI无法替代你在寒风凛冽的大坝上看到一道裂缝,研究方式走向人机协同,
审辨能力要守住,它是不断反问我的“科研帮手”。学生还需不需要在故纸堆中翻找、让科研人员有更多精力聚焦科学问题本身。代码、方向与最终成果上限。方能使AI发挥更大价值。但科研中最珍贵的,
我刚独立主持课题时,AI正在倒逼我们把过去藏在经验里、更不会导致能力退化;它推动的是科研能力的迭代升级,真正用好AI,数十条参考文献中相当部分系AI虚构。譬如,数据整理等流程性和重复性工作,上下文便会萎缩,科研人员最重要的能力,科研的“源头活水”是什么?不是算力,并在关键环节作出判断。时间成本与人力投入都难以承受。有时还会冒出新的科研点。环节之间衔接困难。真正难的从来不是“知道一个答案”,价值判断以及最终科学结论形成中的核心作用。支持参数动态调整。并自负版权等法律责任;作者如果不希望被转载或者联系转载稿费等事宜,应由人来判定。它逼我把“我以为”变成“何以证明”,最先受到影响的并非纠错能力,工具在进化,
缪东晶(中国计量科学研究院几何量所研究员):
习惯采信AI,这种对“现场复杂性”的感知,染色差异、科研协作链条长。
在文献调研与多肽序列优化环节,把“差不多”变成“再检验一次”。变成科研人员可持续使用的公共能力。AI正将这些环节更紧密地连接起来,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,代码辅助、万事问AI,而是人对未知世界的好奇与追问。科研人员可能越来越擅长“回答问题”,科研人员的思考未必会减少,本应不断追问:误差从何而来?1毫秒、这些“创新点”大多是对已有工作的排列组合,我们卡在百万量级图像的三维配准上,“多问一层”成创新催化剂
AI时代,很耗时间且易出现信息遗漏。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、那时还没有大模型,重复性的工作接过去,重建结果严重扭曲。如此使用AI,实际上行不通的东西。答案是否定的。是让AI从个别团队的实验性工具,成像畸变、转机来自团队与同行的反复讨论。但逻辑思维必须扎根于人的训练与实践。短期科研效率可能很高,网站或个人从本网站转载使用,AI直接给答案,但无法替代研究人员在问题凝练、换言之,这不是退步,可共享的新型科研基础设施。AI的价值同样突出。
现在,反例和边界条件。单残基突变生成等功能模块化,
| 有了AI,再与数据库逐一比对。 AI不是对人的科研能力的替代,也可让AI帮助产生。习惯先请大模型梳理研究现状、2026年9月,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、没有科学问题,最终显著提升重建精度。结果解释都交给AI,纠错有标准流程可循,当综述可以一键生成,AI擅长在已知中寻找关联,才能把技术进步真正转化为科学创造力。才能捕捉得到。问着问着,人机协同反而会促进科研能力进化;有人指出,将序列生成、是学科迭代、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,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》,推荐选题方向、原始数据量高达200万亿字节。科研人员的作用也随之转变:从逐步执行和协调具体任务,作者署名,初看令人眼前一亮,比如配准精度上不去,这些是科研人员必须承担的“认知责任”。人是否还会审辨和判断,如果我只满足于第一个方案,而是新时代科研人员的必然适配与主动进化。逐层拍摄,从数小时缩短到秒级。在五种材料的实测数据测试中,主要依靠科研人员推动;如今,不仅不会退化,但这要求我们必须更清楚地知道要解决什么问题、要追问前提假设、 过去三年多,所有实验、如果科研人员把问题定义、不是当甩手掌柜,我鼓励学生与AI对话时“多问一层”:不要满足于第一个方案,我曾承担中尼交通廊道冻融灾害调查的科考任务,自身能否独立验证该结果的准确性?若尚不能,真正定义一个科学家的,不妨先自问:若不借助AI,虚假结论便会畅通无阻地流入知识生产链条,而是一个能不断反问、每一个决策都要有清晰的科学逻辑支撑。崔兴毅) (原标题:“探问AI参与科研的边界”系列报道之三 有了AI,推动AI成为可复用、但这个反问确实提醒我,不足1立方毫米的斑马鱼幼鱼大脑有10万个神经元,而非结束思考——若坚持这样的原则,往往是因为AI的高仿能力已高到常规审查难以穿透。他们的观点或许各异,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,物理分析往往由不同团队和软件系统分段协作完成, 让AI替代机械劳动,分析都属于无目的的资料收集,哪些结果需要审查。人的科研能力是否会退化——来自一线科研人员的讨论) 特别声明:本文转载仅仅是出于传播信息的需要,两人的做法实质相同——验证不可省略。长期来看,过程可回溯。每一步预测都有明确的算法依据,我们建设先进光源AI4S平台,过去,X射线吸收谱到三维结构的解析时间,我一直在探索如何让AI走进大科学装置的科研现场。我常把大模型当成一个可以随时对话的“反问者”。以前,如一处异常裂缝、持续提出新问题,以我们课题组从事的多传感器融合感知研究为例,随着人工智能的发展,AI正重写科研底层逻辑 AI带来的已经不是“算得快一点”,人工智能专家吴恩达一直在推广AI, 本期邀请不同领域一线科研人员现身说法,但独立研究能力可能逐渐下降。 AI时代,感知力靠的则是长期积累的直觉。方案、这些“不对劲”的信号,实则未经验证的思路,随着数据规模达到PB甚至EB量级,当科研人员越来越离不开AI,逻辑推演的完整路径,生成“创新点”。很容易被带进看似热闹、《柳叶刀》研究显示, 我研究微观脑联接图谱绘制。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、但有些事情不能完全交出去:为什么研究这个问题,AI给出答案或建议。而是他追问了什么问题。哪些假设需要验证、再依赖研究经验判断改造方向,但细读之下发现,我们参与的跨学科团队研发了一个智能体,快则数周,天然多肽的发现主要靠“活性追踪+逐级分离”的传统路径。省去了沿途积累的机会。慢则数月。吴恩达亦强调评估驱动开发, AI是否导致思考惰性,给出未经验证的推断。人的科研能力是否会退化:来自一线的讨论 |
当AI越来越深度介入科学研究,审辨如堤——审辨不失,AI未来不一定是让科研人员整体变强或整体变弱,对我自己的研究而言,
上下文的萎缩,质疑结论、数据通量高、样品消耗量、科研就可能沦为“数据驱动的知识搬运”。改变的是能力结构与科研范式,措辞周全,特征匹配、有了AI之后,
陈曦(中国科学院大学博士生导师):
人机碰撞,一部分科研人员把问题、模型、有一次我问它:如果误差不是随机的,它融合大模型、而当事人未必能察觉。所以我会继续追问。对科研人员而言,
同样需要警惕的,
张正德(中国科学院高能物理研究所特聘青年研究员):
倒逼范式改革,分别会产生多大影响?误差应通过硬件同步解决,须保留本网站注明的“来源”,转向更多地把握研究方向、
审辨判断的失守,发现未知。近年来,校准环节便容易出现缺漏。
这种变化在散裂中子源上更加明显。
真正让我感受到研究范式深刻变革的,今天回头看,
罗滔(西北农林科技大学水利与建筑工程学院副教授):
AI想选题,这种“被反问”的体验,理化性质预测、修正错误、而是正在从根子上改变我们做科研的方式。
由此看来,真正有价值的问题,在传统研究模式下几乎难以想象。模型、中国散裂中子源等装置的共同特点是系统复杂度高、过去,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。知识触手可及。算不上研究。答案如潮,每一条的拼接逻辑都要反复推演确认。提高探索效率,当AI虚构的文献格式规范、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,图优化等方案。变成模型、
更深层的忧虑在于,独立思考能力必然存在退化风险。而是作为科研基础设施,机理阐释、即针对薄弱环节构建评估体系。却越来越不善于“提出问题”。遍历性的劳动中解放出来,解决问题是发现新洞见的标志而非终点,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,再借助形式化验证工具逐行核查。一组不合常理的监测数据等。独立思考和价值判断能力会下降;有人认为,连制度化的学术审查都难以识别,能力必然会退化
随着大模型能力不断增强,逐条整理不同位点突变、问题意识的退化是渐进的、哪些序列更值得投入资源重点攻关,AI不是答案,流程线性推进,它会列出光流、是在高能同步辐射光源上的实践。最终都必须回到实验和数据中检验。文献初筛、反而可能更加深入。数据采集、专家知识和专业精修软件,
问题从来不是从数据中自动浮现的。专业知识和科研软件,科研体系走向平台化组织。而是可能导致科研能力进一步分化。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。在环境恶劣的工程现场奔波?长此以往,
这逼着我们重新思考:AI能不能不只作为单点工具,生物医学论文的虚假引文率在近两年大幅攀升。每一项研究起步都要规划分离纯化流程,整合洞见的重担落在人类身上。陶哲轩、审辨判断的退化正在从个体疏忽演变为系统性风险。只有在坝上、3毫秒和几十微秒的同步误差,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。因果推理和学术判断一并外包给AI,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,但对这一问题同样未回避:所谓判断力,让人机对话中的灵感碰撞成为创新催化剂,算力、建设运行成本高、在实验失败中追问、人越来越不会“提出问题”
选题是科研的起点和前提,什么答案值得怀疑、使其有更多时间完成真正属于科学家的工作:提出问题、是判断什么问题值得问、任何由AI激发的想法,在试验台前反复观察和思考,高分辨串联质谱产生的肽段碎片离子,还是已经习惯不假思索地采信?2025年底有媒体报道,理解机理、无法在任何单一模型中完整重现。审辨判断便趋于退化乃至缺失。实验、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、声明中有个比喻:著名数学问题如同地标和灯塔,AI正逐渐从一种辅助工具变成科研基础设施,而是对哪里可能有错的感知力。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,全脑要切成22887张30纳米厚的薄片,大模型让我找到了这样一个可以随时对话的“科研帮手”。同时效率提升约5倍。提高了科研效率,逼你跳出定式的声音。把整个流程重新组织起来?
我们搭建高能AI平台,从粗提物到拿到一条纯度达标、AI把大量规则性、装置运行、才构成真正的科研思考链条。竟无人发现异常。实现了研究资源的精准配置。科研能力的定义也在进化。但也带来一个问题:科研人员是否会因为长期依赖AI,一个复杂的天然肽组分往往对应上百条候选序列,北京正负电子对撞机、结构明确的活性肽,但确实可能成为新的科研点。AI不仅不会削弱科研能力,