本文探讨了人工智能（AI）在科研训练中引发的深层危机。通过对比传统学习方式与 AI 辅助方式，文章指出，虽然 AI 能显著提升论文产出效率，但它可能导致研究者跳过必经的“认知苦旅”，从而失去对学科的深刻理解和直觉。如果科研评价体系只关注产出数量而忽视人的成长，科学界将面临一代“懂操作却不懂原理”的研究者。作者强调，科学的真正价值不在于结果本身，而在于培养具备独立思考能力的科学家。
两个学生，两种路径
导师给两个博士生 Alice 和 Bob 布置了类似的科研任务。从外部衡量标准看，一年后他们都交出了合格的论文，但在内部认知层面上，两人已截然不同：
- Alice 的方式： 坚持用笔在论文页边标注，亲自推导公式，在代码报错中苦苦挣扎。她经历了一年的混乱和重读，在脑中构建了一套永久且独立的知识结构。
- Bob 的方式： 秘密使用 AI 代理。AI 负责总结论文、解释统计方法、调试代码甚至撰写初稿。Bob 的每周进展看起来与 Alice 无异，但他只是完成了一次产品交付，而非掌握一门手艺。
评价体系的系统性失灵
当前的学术环境正在奖赏“Bob”而惩罚“Alice”。
- 指标至上： 管理机构和资助部门只看论文数量和影响因子。在量化考核下，Alice 和 Bob 是等效的。
- 动机错位： 机构需要论文来换取经费，学生被视为生产手段。至于学生五年后是成为独立思考者还是“提示词工程师”，对机构来说并不重要。
- 生存压力： 在“不发表就发臭”的学术圈，学生为了生存，理所当然地会选择能带来短期产出的 AI 工具。
被误解的“杂活”与直觉的缺失
许多人认为，调试代码或处理繁琐的数据是应当被 AI 取代的“杂活”。然而，这种观点忽视了认知的基本规律：
“这些失败的过程本身就是课程表，错误信息就是教学大纲。你感到困惑的每一小时，都是在脑中构建基础设施。”
- 无法外包的直觉： 资深科学家之所以能识破 AI 的虚假结果，是因为他们曾经历过无数次“手动”计算，建立了敏锐的物理直觉。
- 监督的本质： 如果你没有亲自做过基础工作，你就无法对 AI 进行有效监督。你甚至不知道 AI 在哪里造假，也不知道结果为什么看起来不对。
AI 工具与认知外包的界限
文章并不主张禁止 AI，而是强调使用序列的重要性。
- 辅助工具： 资深研究者利用 AI 处理琐碎的语法或格式，这是在已有认知基础上的提速。
- 认知外包： 初学者利用 AI 代替思考和决策，这是在剥夺自己的成长机会。
“你可以把 AI 当成字典，但不能让它替你构思逻辑。一旦你利用机器绕过思考过程，你省下的不是时间，而是你原本应得的经验。”
真正的威胁：悄然逼近的“不理解”
真正的危险不是 AI 带来的剧烈崩溃，而是一种缓慢、舒适的漂移——我们逐渐变得不再理解自己所做的事情。
- 能够产出，无法理解： 这一代研究者可能知道按哪个按钮能出结果，却无法向同行从底层解释清楚公式中某个项的物理意义。
- 科学精神的丧失： 科学最伟大的地方在于“人”的转变——一个困惑的学生如何成长为独立思考者。如果跳过这个痛苦的过程，科学就只剩下了一堆冰冷的机器数据。
结论： AI 带来的效率提升是诱人的，但在科研训练中，“快”往往意味着“肤浅”。如果人类停止在错误和失败中摸索，我们将失去科学中最不可替代的部分：人类的智慧与洞察力。