追根溯源：AI for Science背后的迷思

zyj_1410

? ?
近几年，人工智能以一种前所未有的姿态闯入了科学殿堂。
从破解困扰数学家数十年的经典猜想，到精准预测蛋白质的三维折叠结构，AI 在不少领域已经展现出超越绝大多数人类研究者的能力。惊叹之余，一种深层焦虑开始蔓延：AI 会不会取代科学家？有些学科会不会就此消失？当思考本身都能外包给机器，科学还有什么意义？
这些问题值得认真对待。因为它们迫使我们回到一个最根本的命题：人类做科学，到底是为了什么？
学科不会消失，但科学家的身份正在被改写
“AI 取代研究者、学科终将消亡”—— 这个说法听起来很吓人，但犯了一个根本错误：把手段当成了目的。
科学研究的终极目标，从来不是培养多少研究者、发表多少论文，而是了解世界、发现规律、解决问题。AI 能极大加速这个进程，所以它不是学科的掘墓人，而是一种空前强大的工具。
但这不意味着人可以坐享其成。准确地说，发生的是一场 “智力需求的迁移”—— 就像汽车没有让人丧失移动能力，只是把人的能力从 “步行” 迁移到了 “驾驶”。AI 接管了计算、推导、筛查这些繁重的基础性劳动，却把更具挑战性的任务推到了台前：
提出好问题，比解决一个已知问题难得多；
在海量 AI 结果中选出真正有价值的那条路，比亲自一步步算更需要判断力；
跨领域的直觉跳跃，机器目前还做不到。
未来的科学家，不再是封闭系统里的解题者，而是未知边疆上的提问者、评估者和意义建构者。
“理解” 正在变味 —— 从透明公式到黑箱答案
比 “学科消失” 更深一层的焦虑，指向了科学的核心：我们到底在追求什么样的 “理解”？
传统科学讲究的是可解释、可传授、可追溯。一个公式、一条定理，你能看懂它为什么对，能讲给别人听，能在此基础上继续推进。这是科学认知的底色。但 AI 给出的答案，往往藏在数亿参数的黑箱里。它能精准预测蛋白质怎么折，却无法用人类语言清晰阐释 “为什么”。
这就倒逼科学重新定义 “理解”：未来的科学理解，也许不再是 “我手里有一个漂亮公式”，而是 “我知道怎么指挥 AI 去探索、怎么设计实验去验证、怎么从一堆结果里挑出真正重要的那个”。
理解从 “静态的拥有” 变成了 “动态的获取”。这到底是升维还是退化？目前没人能给出确定答案。
两个隐蔽风险：灯下寻钥与万物皆真
AI 高度依赖数据，这带来两个容易被忽略的风险。第一个叫 “探索窄化”。
AI 跑得好的地方，都是数据多、问题清楚的领域。这些方向会吸走最多资源，而那些数据少、概念模糊、需要坐几十年冷板凳的基础领域，可能越来越没人管。我们会不会只在有路灯的地方找钥匙，却忘了钥匙可能掉在暗处？
第二个叫 “真理通胀”。AI 能以极低成本每天生成上万个拟合完美的假说。当猜想不再稀缺，“提出新假说” 这件事本身就会贬值。我们可能进入一个 “万物皆真” 的世界 —— 每个结论在模型里都完美自洽，却无法与现实世界相符。当什么都能为 “真”，“真” 本身就被消解了。
天才的黄昏？效率可能是创造力的敌人
还有一个更隐蔽的担忧。
历史上，真正颠覆范式的突破，几乎都来自长期的孤独思考、反复试错和看似无用的探索。爱因斯坦在专利局 “浪费” 的那几年，恰恰是他最有创造力的时期。
如果新一代研究者从小习惯了 “提问 —AI— 答案” 的捷径，还有没有机会在那种漫长的、低效的、充满挫败的思考中，孕育出足以颠覆范式的直觉？
这不是反对效率，而是提醒一件事：顶级的科学创造力，需要被 “浪费” 的时间来滋养。极致的效率，可能恰恰会关上通往原创问题的大门。
发现的荣耀归谁？一个被忽略的制度危机
科学进步靠的是一套激励体系：优先权、署名权、学术声誉。这些东西驱动着无数人深耕未知。
但当 AI 能独立完成从提假说到出结论的全流程，一个棘手的问题出现了：发现的荣耀归谁？写代码的人？提供数据的人？还是最初提出问题的人？
贡献链条变得又长又模糊，传统的署名规则和激励机制完全跟不上。如果搞不清楚谁做了什么、谁该被认可，科研的内生动力就会被慢慢瓦解。
这不是遥远的未来问题，而是 AI for Science 规模化之后，科学共同体必须马上面对的现实。
回到原点：AI 是工具，不是目的
所有迷思最终都指向同一个核心 ——
AI 是工具，不是目的。它足够强大，强大到正在改变我们 “做什么” 科学，甚至 “为什么” 做科学。但真正的挑战从来不是继续堆砌 AI 的能力，而是我们能不能同步发展出驾驭这股力量的智慧。
科学之所以是科学，从来不只是因为答案的积累，更因为提问的勇气、求真的意志和对未知永不枯竭的好奇。
守住这些，AI 就永远只是工具。而人，也会在这场变革中找到自己新的位置 ——
不是唯一的思考者，但仍然是那个必须决定 “什么值得思考” 的人。
（注：本文借助AI生成）