每年基金评审季，评审专家们面对成堆的本子，常常陷入一种尴尬：除了明显拔尖和明显不合格的，中间一大片申请书写得都不错，分数挤在一起，硬要排出个一二三四，很多时候是让评审专家左右为难，难以决策。 既然人分不清，不如换个思路：让AI做它擅长的事，把人类难以取舍的部分交给摇号。

这个设想的具体操作如下。比如总体资助率为15%，先用AI筛出前30%，再在这30%里随机摇号选出15%，摇号成功率为50%，也就是二选一。它比现行制度更公平、更高效，也更尊重科学探索本身的随机性。

AI的优势在于“把不合适的挡在门外”。现行同行评议中，评审专家要读完整本子、写意见、开会讨论，耗时数月，评审经费和评审时间消耗巨大。而AI可以快速完成合规性检查、逻辑一致性判断和基本质量筛查。2026年的一项研究测试了本地部署的大语言模型对基金申请的评审能力，发现模型在检测“预算与时间线错位”“团队能力缺口”等结构性缺陷上表现可靠，且分段审阅的效果显著优于一次性通读。这意味着AI不需要判断“谁最优秀”，只需要判断“谁明显不合格”或“谁达到基本门槛”。把后70%筛掉，AI完全胜任，而且不消耗差旅费和专家劳务费，可以为基金委节省大量的评审经费。

但AI绝不能决定谁拿钱。 2026年的一次学术评价论坛上，某领导明确表示，AI不得承担打分、淘汰、资助排序等核心决策职能，必须坚持“人类终责、机器辅助”。这恰恰是“AI筛前30% + 摇号选15%”设计的精妙之处在于AI只做排除，不做选拔。它把明显不合格的申请剔除，剩下的30%在质量上已经过了及格线，谁上谁下不再由算法或某位专家的偏好决定。

随机摇号则承认了一个被长期掩盖的事实：科学探索本身充满随机性。瑞士国家科学基金会从2022年起正式在资助线附近引入随机选择机制，因为统计模型显示，评审者对那些“B档申请”的排序根本不可靠。英国谢菲尔德大学的认知科学家说得更直白：“我们早就知道这些奖项是一场抽签，只是应该把它变成正式的，而不是潜规则。” 与其让评审专家在疲惫中强行找理由淘汰一半人，不如坦率地承认：在达到质量门槛之后，运气本来就是科研生涯的一部分。一个idea能不能做成，受太多不可控因素影响。谁拿到经费，也不该假装是精确科学算出来的。

从经费角度看，这个方案省下的钱是实实在在的。现行评审中，大量专家时间花在反复比较那些本就分不出高下的本子上。如果AI先筛掉70%，只有30%进入摇号池，再二选一，这2项工作的费用几乎可以忽略不计。省下的专家费、会议费、差旅费，可以回流到资助池里，或者用于支持更多小额探索项目。

  当然，这个方案有一个需要认真对待的反对意见：如果摇号完全随机，会不会让资助方向过于分散？答案是，前30%的筛选已经保证了基本质量。摇号池里的人，都是AI判断“合格”的申请者，他们的研究计划在逻辑、预算、可行性上都没有硬伤。剩下的差异，比如“这个方向更热门”或“那个团队履历更漂亮”，恰恰是主观偏见最容易渗入的地方。让这些因素退场，反而可能提升资助的多样性。遗传算法等进化计算方法告诉我们，多样性是提高科学探索成功率的一个关键因素。

所以，这个idea值得认真试一试。它不是用AI取代人，也不是用运气取代判断，而是把两者放在各自该在的位置上：AI初审守住质量底线，随机摇号释放被过度排序压抑的公平。资助率15%的现实改变不了，但至少可以让那15%的诞生过程，少一点假装精确的纠结，多一点坦然的随机。如果这样改革，申请人就不用到处找关系，就会有更多的时间从事科研。以此类推，如果总体资助率是20%，就用AI先选出前40%，再随机摇号选择一半。 这样，还可以破除唯基金，因为摇号说明了项目是否得到资助有运气成分，而不是完全靠关系和实力。 

支持单位：