距离上一篇博文发表已经过去两三个月，这两三个月一直忙于论文撰写，制作PPT等工作。实在是抽不出时间来深思一个话题。但是人只要在工作的过程中就会不断地发现问题和思考。近三年，我不断地在感慨AI的飞速发展，因为我也是AI工具的使用者之一。从2023年AI作为语言大模型为代表的问世，一时间解决了不少人们在文字工作上的劳动力，效率的提高是几何倍数的。再到过完2025年，AI的多模态发展已经日渐成熟，大语言模型不再局限于文字的输出，它现在可以帮我们写代码、生成图片、视频以及制作PPT。它越来越具备计算机专家所说的Agent（智能体）功能，多元化功能的发展让我受益匪浅。首先冲击的就是英文论文的润色翻译越来越好；代码的编写功能几乎可以让人人零门槛开发自己所需的简单工具；PPT制作的功能也让我们在一些文献汇报、甚至是课程讲解上得力不少。它的能力别说远超一些博士生，就连很多副教授、教授的外文语言水平、新兴技术能力、以及逻辑思考能力的程度都不一定能媲美AI的输出。我越使用它，它带给我的直观感受让我越发焦虑。我在焦虑自己现在或未来所处的生态位还和使用它的云云科研人员有什么区别。大家都在用相同的工具输出，那我们还如何把握创新？

这种焦虑或许并非只有我一人感受，而是源于对科研本质的深刻拷问。当我们回望刚刚过去的2025年，会发现这不仅是AI技术井喷的一年，更是科研门槛被重塑的一年。在过去，科研工作的评价体系中隐含着一种由于技能稀缺性带来的“溢价”。一个博士生如果拥有一口流利的学术英语，或者精通Python进行复杂的数据可视化，亦或是能够制作出精美绝伦的汇报幻灯片，这些技能往往会被直接等同于其科研能力的体现。我们习惯于通过这些外在的、技术性的指标来筛选人才，甚至在很长一段时间里，这些工具属性的技能成为了科研工作者的护城河。然而，AI的不断发展和成熟无情地填平了这条护城河。当一个本科生通过几句精准的Prompt（提示词）就能调用大模型生成出逻辑严密、语言地道的综述，甚至生成出连资深教授都需要数小时才能调试好的模型代码时。我们不得不承认，科研的技术性壁垒或已开始坍塌。这直接导致了一个残酷的结论——如果一个科研工作者的价值仅仅停留在“执行”层面，即翻译文献、调试代码、美化图表、处理数据，那么他实际上已经失去了存在的必要性。在这个意义上，AI不是在辅助我们，而是在剥离我们身上那些名为专业技能实则为重复劳动的伪装。

更深层次的危机在于“平庸的同质化”。我常常在思考，当所有的科研人员都使用了相同的AI，使用的是类似的预训练底座，甚至采用的是同一套优化的提示词工程时，我们的思维是否也在不知不觉中被平均化了？AI生成的逻辑往往是基于概率最大化的“最优解”，它是对过往人类知识库的一种高维拟合与平滑。这意味着，AI倾向于输出那些看起来最正确、最符合主流范式的答案。对于科研创新而言，这可能是一个巨大的陷阱。科学的突破往往源于对主流的背叛，源于那些在概率上看起来极不可能的异常点。如果我们过度依赖AI来生成研究假设、设计实验流程甚至解释实验结果，我们最终得到的可能是一大批格式完美、逻辑自洽但毫无灵魂的平庸之作。这些作品在形式上无可挑剔，在语言上华丽流畅，但其内核却是在不断重复已有的知识结构，缺乏真正意义上的原始创新。这种流水线式的科研产出，正在制造一种虚假的繁荣，它掩盖了真正的科学探索所必须经历的迷茫、试错和顿悟。因此，平庸的科研工作者，正是那些甘愿沦为AI操作员的人，他们满足于AI带来的高效率，却丧失了作为人类最宝贵的“反直觉”思考能力。

那么，我斗胆畅想在未来AI高度发达的时代，我们究竟需要什么样的科研工作者？我认为，核心竞争力的定义已经从“解答问题”的能力转移到了“提出问题”的能力。在之前，解决一个具体的科学问题往往需要耗费大量精力在方法的实现上；而现在，方法论的实现途径变得多样且有效，真正的稀缺资源变成了对问题的敏锐嗅觉。一个优秀的科研工作者，必须具备跳出AI逻辑闭环的能力。他需要深入到真实的物理世界中去，去感知那些尚未被数字化、尚未被喂入模型训练的数据。这也正如王阳明先生所说：格物致知。这也是古人用于认识世界规律的方法，尽管那个时候技术不够发达，格物的过程很慢。但是我们发现规律探究事物的本质并未变化，还是需要格物才能致知。而今得益于现代科技手段和技术格物的过程会加速但是对真理的探寻原则不会变。

此外，我想我们还必须重新审视“创新”的定义。在AI时代，创新不再是单一维度的技术突破，而是多维度的跨界融合与系统集成。AI的Agent功能使得跨学科研究的门槛大幅降低，在这样的背景下，真正的创新者是那些具有宏大视野、能够将碎片化的知识模块通过独特的逻辑链条串联起来的人。平庸的科研者会被AI分割在各自狭窄的学科孤岛上，用AI做着重复的优化。而卓越的科研工作者则会将AI视为连接不同孤岛的桥梁，去探索那些过去因为学科壁垒而无法触及的无人区。这种能力要求科研工作者具备极高的学科知识间逻辑构建能力和批判性思维。我们需要时刻警惕AI输出的“幻觉”，更要警惕自己思维的惰性。当AI能轻易给出一个说得通的解释时，我们是否有勇气去质疑它？是否有能力去设计更精妙的实验来验证它？这种对真理的执着和对便捷的抗拒，将是区分“平庸”与“卓越”的分水岭。

这种焦虑的终点，不应该是对技术的恐惧，而应该是对自我认知的觉醒。AI的发展实际上是在逼迫我们进化。它剥夺了我们在低维空间竞争的资格，强迫我们将精力集中到更高维度的思考上。回顾历史，每一次工具的革命都伴随着对旧工种的淘汰和新工种的诞生。显微镜的出现没有让生物学家失业，反而开启了微观世界的大门；计算机的普及没有让数学家消失，反而拓展了计算科学的疆域。同样，2025年的AI大爆发，实际上是在清除科研队伍中的“南郭先生”。那些缺乏独立思考、缺乏领域直觉、缺乏系统性思维，仅仅依靠掌握某种工具而生存的科研人员，注定会被边缘化。这或许是残酷的，但对于科学发展本身而言，这是一种必要的净化。它让我们回归科研的初心，科研不是为了生产漂亮的PPT，不是为了堆砌毫无意义的代码，也不是为了发表仅仅用于职称晋升的灌水论文。科研是为了探索未知，是为了解决人类面临的真实挑战。

最后，我想说的是，我们不需要平庸的科研工作者，并不意味着我们需要每一个科研人员都成为天才。它意味着我们需要每一个人都成为最真实的研究者。所谓真实，就是敢于直面科学问题的复杂性，不满足于AI或他人给出的标准答案，愿意在AI无法触及的不可知知识领域深耕。作为当今受益AI发展的使用者，我们应该感到庆幸，因为繁琐的劳作已被剥离，我们终于有时间去深思那个被搁置已久的话题——关于科学的本质，关于生命、世界存在的奥秘，关于我们究竟想通过研究为这个世界带来什么。未来的科研生态位，属于那些能够在先进技术算法的海洋中依然能坚持人文精神与科学直觉的人。这既是时代的挑战，也是对我们这一代科研人员最高的奖赏。