AI 做科研：三堵墙、八亿人、一场哥白尼革命

前几天参加一个大会，话题轮到 AI 在科研领域的变化。原本是个收尾环节，结果聊得停不下来。几个有意思的点没来得及展开，回来这两天想了想，记一下。

一、AI 写论文已经是常态，问题是论文这个载体本身

AI 写论文这件事已经普及到不需要再讨论。Nature 2025 年那份 5000 人的研究员调查里，过去两年 57% 的科学家承认用过 AI 帮自己写作，未来两年想用的更高，72%。这还是研究员愿意承认的数字。

大会上有人说，这对刚入行的研究者其实不是好事。写论文本来是一种思维训练，模型代写之后这一关就跳过去了。

我听完没立刻反应过来，琢磨了一会儿才想清楚。这个担忧成立，但格局有点小。真正的问题再上一层。论文这种载体本身，到底还合不合适？

现在的论文绝大多数还是 PDF。PDF 是给人读的格式：版面、字号、双栏排版，照着几十年前的出版社范式走。可如果未来知识的第一手消费者是 agent 而不是人呢？PDF 就成了一道转译，每次得把它拆回结构化文本，再交给模型。

为什么不直接是 Markdown？

Markdown 对 agent 友好得多。结构清晰，可机读，可改写，能嵌进更大的工作流。人想看，再渲染一遍版面就行，不耽误事。default 形态应该反过来：先服务 agent，再服务人。

这件事现在还没人在推，但两年内必然会变。

二、AI 做科研真正的瓶颈，是三堵墙

写论文这种成果输出的部分容易做，但科研的核心从来不在写论文那一步。

科研的核心是把广泛的知识连接起来，在交汇的地方长出新东西。单点的智能有用，但远不够。大会上一个朋友讲得特别清楚：现在卡住 AI 做科研的不是模型能力，是三堵墙。

第一堵：付费墙

整个科学知识体系绝大多数藏在付费墙后面。

计算机有 arXiv 算是一个例外，物理、数学也基本都在 arXiv 上。但出了这几个圈子情况就变了。药学、无机化学、化工这些学科 90% 以上的论文都在付费墙后，agent 根本读不到。开放的部分其实是少数学科的少数人在维持。

朋友用了一个挺贴的比喻：战争迷雾。打过 RTS 游戏的都知道，地图大部分黑着，你只能看到自己探索过的那一小块。AI 现在面对的就是这样一个知识地图。你以为它在做全局推理，其实能看到的版图小得可怜。

更糟糕的是，那些被遮住的部分恰恰是知识连接最密集的地方。一个新发现常常需要跨好几个学科做关联。其中一两个学科是黑的，连接就断了。模型再聪明也补不出不存在的输入。

第二堵：从数字世界到物理世界的墙

两三年前 AI for science 最热的时候，材料学是焦点。那段时间我也认真看过这个领域，发现一个挺经典的卡点。

理论阶段是大量分子、晶体结构的排列组合，要从里面挑出有潜力的。这一步 AI 可以加速几个数量级。Google DeepMind 的 GNoME 系统 2023 年用 17 天就识别出 220 万个新的稳定无机晶体结构，相当于过去人类积累近 800 年的成果，其中 38 万个被预测稳定到可以工程化。

听起来美得不行。但材料从理论结构走到能用的产品，中间要过湿实验、过工艺、过生产工程化。前端加速 100 倍，后端通道没动，整条链路就只能按最慢的速度走。

这一两年好的趋势是 self-driving lab。把湿实验整套自动化、数字化，让 AI 直接调度实验设备，闭环跑。北卡罗来纳州立大学 2025 年发的那个方案，靠动态流体实验，每半秒能采一次数据，比批次实验快了 10 倍以上。

但这条路才刚开始。绝大多数学科的湿实验还是手工的，跑一次几天到几周。物理反馈循环不打通，AI 那一端再快也只能干等。

第三堵：感知墙

这一堵最容易被忽视，可能也是最深的。

AI 现在做得最好的是文字。视觉在追赶，但视觉里包含的真实信息密度，光照、纹理、空间关系，能被多大程度数字化，目前没有清晰答案。

更难的是文字和视觉之外的部分。触觉、气味、味道，对很多学科是关键数据。研究食品的，气味就是核心信号。做生物研究的，化学物质细微的气味变化常常是判断反应方向的依据。这些信号到今天还没有好的数字化通道。

还有一类更模糊的东西，叫直觉。人看到一个实验现象、听到一组数据、闻到一种气味，第一反应不是线性推理出来的，是大脑某个角落直接给出来的。这种直觉是几十年训练沉淀下的模式识别，模式本身却说不出来。

只要这一层在，AI 就没法独立完成科研，必然要跟人协作。

三、陶哲轩说：智能要来一场哥白尼革命

讲到协作，正好想起陶哲轩最近一直在说的一个东西。他在 Dwarkesh 的播客上有句话我记下来了：

"我们正在经历一场认知层面的哥白尼革命。我们以前以为人类智能是宇宙的中心，现在才看清，外面有非常不同种类的智能，各有各的强项和短板。"

哥白尼当年做的事，是把人类从宇宙中心拉下来。陶哲轩说智能这件事也是一样的，要把人类从智能的中心位置拉下来。

我们以前思考智能是单维的、线性的。人在中间，超过人就是超人，低于人就是没用。所以一谈 AGI 就紧张：万一它哪天超过我了，我是不是就没价值了？

陶说这个思路本身就错了。

智能是多维的。不同维度可以共存、可以协作，而不是相互替代。AI 在广度上极强，快速扫描海量信息、跨学科联想，这是人怎么练都练不出来的能力。人在深度上有不可替代的东西，直觉、问题选择、意义判断这些。两者放一起做事，比任何单一一方都强。

这件事跟前面的三堵墙刚好对得上。AI 翻不过去的那几堵墙，正好是人最有着力感的地方。物理世界的体感、跨感官的直觉、对一个问题"值不值得做"的判断，AI 短期内替不掉，反而是这场协作里人最值钱的部分。

哥白尼当年把人从宇宙中心拉下来，并没有说人没价值了。他说的是宇宙真实的运行方式跟人想的不一样。陶哲轩这句话也是一个意思。从认知中心退下来不是降级，是看清楚自己在更大的系统里到底站在什么位置。

四、科研的"参与人口"，可能要跳两个数量级

整场讨论里最让我兴奋的是另一个角度的变化。

大家担心 AI 冲击科研人员，但有意思的事情正好反过来。AI 把科研这件事，从极少数人手里下放给亿万人。

按 UNESCO 的统计，2018 年全球全职科研人员大约 880 万。看起来不少，但放到全人类 80 亿的盘子里，比例不到千分之一。也就是说人类知识的最前沿过去一直只有千分之一的人在推进，剩下 99.9% 都在更基础、更日常的位置上做事。

这件事不是大家过去不愿意，是参与不进去。

翻一下科学史就明白。早期科学家有不少都是业余的。牛顿做光学是兼着干，达尔文是搭便船去考察。那时候人类知识的前沿还没那么深，一个聪明、好奇又有时间的人，认真投入几年，是真的能做出贡献的。

后来不行了。学科越分越细，前沿越走越远。一篇严肃论文要先读几百篇前序文献，一个实验要先掌握一整套实验技术。门槛越垒越高，大多数人就被挡在外面，社会分工把他们安排到了别的位置上去做基础工作、做组织运转、做重复劳动。没办法的事。

AI 的到来把这道门槛压下来一大截。

不是说每个人都能去破解千禧年大奖问题。是说当你对某个领域真有好奇心、愿意持续钻进去的时候，以前你需要十年才能建起来的那套"先备能力"，现在可能几个月就够用了。剩下真正稀缺的是问题判断力、好奇心、坚持力，这些本来就跟"是不是科班出身"关系不大。

前两天写过 AI 让无知变成了优势，讲 23 岁的 Liam Price 用 GPT-5.4 Pro 破了 Erdős 困了 60 年的数学猜想。那是一个很极端的样本，但它指向的方向是真的。能站到人类知识前沿的人数，未来 5 到 10 年很可能会从百万级跳到几千万、甚至几亿。

十倍、百倍的体量提升。

我自己的体感是，以前根本不敢想去碰前沿研究。我做的是商业，琢磨的是公司怎么把创新带到社会里去。在这个层级思考，每一次"要不要去研究 X"都得极其谨慎。资源有限，每条路都得投入大量的人和钱，等很长时间。过去做战略要天天琢磨的就是这个：怎么把有限的资源砸到最关键的地方。

但 AI 把研究的门槛拍到地面之后，那些原本太深、太复杂、太久远的方向，比如某个推理引擎的优化、某种设备的能效改进、某个被忽视的细分问题，普通人只要真有思考、愿意钻进去，是有机会做出非平凡贡献的。

下一个十年大概率会有一次知识的大爆炸。不是那种微小增量的进步，是参与人数翻几个数量级之后必然出现的供给侧爆发。

五、好的一面之外，那道阴影

当然不能只看积极的一面。

技术进步从来不直接等于幸福。生产力的提升能创造多少新可能性，跟它带来多少实际福祉，中间还隔着一层叫分配。分配是另一个话题，今天不展开，但不能装作不存在。

直接的影响里最确定的一件事：重复性劳动会持续被砍掉。这件事没什么悬念。一种供给变得极其便宜、极其充裕的时候，它就不再有稀缺性。没有稀缺性就没有价值，没有价值就不能再以此为生。经济学最基础的一段。

电梯里有人聊起被裁员，写周报、做 PPT、跑流程的岗位先消失。这部分新闻已经天天在发生。

但放到更长的时间尺度上看，我还是更愿意看积极的一面。参与科研的人口从千分之一变到几个百分点，体量太大了，大到任何一种短期的负面冲击都会被它的长期影响盖过去。

这种级别的杠杆，历史上你很少看到人类拿到过。

写在最后

回到大会上那场讨论。

有人担心 AI 写论文会让初级研究者失去思维训练。我现在觉得这个担忧抓的尺度有点小。AI 写论文只是这场变革最表层的一层。深一层的变化是，过去只有 880 万人在推进人类知识的前沿，未来可能是 8 亿人。过去这件事是少数学科精英的特权，未来对每一个有真正好奇心的人都开放。

门里面还有那三堵墙：付费墙、湿实验墙、感知墙。今天已经能看到，明天还得一堵堵翻过去。

陶哲轩说要从智能的中心位置退下来。话听起来谦逊，最关键的潜台词其实是：人要重新看清楚，在新的智能系统里自己最值钱的那部分到底是什么，然后把时间和注意力都砸到那部分上。

上一次发这种门票，已经是几百年前的事了。