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

