在长期使用AI辅助科研的过程中，我逐渐注意到，不同类型的AI系统在行为方式上存在显著差异，也暴露出各自的问题。有些AI倾向于高度发散地满足用户需求。哪怕你提出一个本身逻辑上存在漏洞的问题，它也会尽力去“完成任务”，为了自圆其说，不惜编造事实、拼凑推理过程，甚至虚构不存在的文献。关于这一点，网络上已经有不少讨论，一些研究者也曾因此付出过代价。另一些AI则走向另一个极端，它们过度依赖已有文献和既定结论，事事核查，结果虽然减少了错误，却在创新性上有所欠缺，难以产生真正具有突破性的研究成果。

显然，不同的AI系统并非彼此替代，而可能互为补充。据我所知，有些数学研究者会构建多个AI智能体，让它们相互评价、相互找问题，最终真的解决了一个长期悬而未决的难题。这说明，AI并非在科研中毫无用处，关键在于我们如何使用它，而这恰恰涉及“如何与AI打交道”这一核心问题。

最近，我在网上看到一些从事核物理研究的学者抱怨，使用AI非常困难。他们提出的各种想法交给AI之后，AI为了“配合”用户，往往胡说八道，无法提供真正有价值的推理过程。这背后其实与核物理学科本身的特点有关。与其他学科相比，核物理研究的对象范围非常狭窄。高能物理面对的基本粒子不过几十种，而进入原子核层面后，结构似乎更为“简单”：我们已知的原子核层次仅由质子、中子、电子、中微子、光子等少数粒子构成，元素种类也才一百多种。换句话说，核物理研究者面对的就是这几百个研究对象。然而，全世界每年发表的核物理论文成千上万篇。如此庞大的论文数量集中于如此狭窄的研究对象上，想要真正发现重要规律自然非常困难。

自核物理学科建立以来，包括一些知名学术期刊在内的论文，很多都带有较强的理论思辨色彩，有些甚至与亚里士多德时代的纯粹理性思考并无本质区别。这就导致不少看似严肃的论文，实际上学术价值有限，部分观点甚至是错误的。AI的推理主要依赖概率统计方法，它从公开学术期刊中那些“经过同行评审”的成果中提取人类惯常的思维模式，再用这些知识来辅助你的研究和推理。问题在于，物理学与其他学科不同，一个理论最终能否成立，必须经过实验的严格验证。但核物理中能够被实验验证的理论其实并不多，一本教科书足以涵盖其核心内容。更多处于探索阶段的研究，往往很难获得实验支持。于是，过去积累下来的许多猜想乃至错误理论也被AI学习，并用于推理，这自然会导致AI给出的推理过程和结论常常互相矛盾。

相比之下，数学是一个高度自洽、相对封闭的学科。验证一个数学理论的方法非常直接：用实际数字代入检验，很快就能判断其正确与否。生物医学等领域也有类似的验证途径。但核物理的研究对象实在太少，几十种粒子、一百多种元素，能够通过实验验证的基本上都已经被验证过了。要在这样的领域产生新的思路和结论，确实极为困难。

那么，我们应该如何正确地与AI打交道？关键在于对AI在人类社会中所扮演的角色有一个清晰的认识。麦克卢汉的媒介理论曾提出“媒介是人体的延伸”：广播是耳朵的延伸，电视是眼睛的延伸。那么，AI大模型是否可以被视为人脑的延伸？我认为，AI大模型实际上扩展了我们的思维能力，把我们原本难以触及的思维层次变得可达。如果这一看法成立，那么AI就不是一个简单的“助手”或“工具”，而是你大脑的一部分。因为它延伸了你的大脑，而你通过AI输出的结果，完全可以视为你自己的想法和表达，它就是你的成果。因此，像过去那样将AI列为论文的“共同作者”，其实并不必要。

既然AI可以被看作你身体的一部分、大脑的一部分，那么它的输出结果就是你的思考过程，它的研究成果也就是你的研究成果。更直白地说，AI大模型延伸了你的大脑，它可以帮助你完成许多你原本想做却力不从心的事情，说出你想说却不敢说的话，甚至吹出你想吹却不敢吹的牛。当然，既然AI的输出就是你的输出，AI的成果就是你的成果，那么你也必须为这些输出负责。如果AI给出了错误的结论，你就要为这些错误承担责任。

我想，这样来定位AI，或许有助于我们更清楚地理解它，也能帮助我们在未来更好地利用AI，去完成那些以往难以完成的工作。

转载本文请联系原作者获取授权，同时请注明本文来自程智科学网博客。

链接地址：https://wap.sciencenet.cn/blog-361477-1550737.html?mobile=1

收藏

分享