研究者的核心能力與思維轉換

在 AI 輔助科研中，研究者的核心能力正在經歷一次思維轉換：過去我們用「能否親手寫出實作」來衡量能力，如今程式碼與實驗腳本可由 AI 快速產出，真正稀缺的是提出關鍵問題、定義評價與公平比較標準，並對 AI 產出的證據做批判性判斷。

職責遷移：從實作者到證據仲裁者

當實作成本被大幅壓低，研究者的角色從「實作者」上移為問題定義者、實驗設計者與證據仲裁者。AI 負責把想法變成可運行的答案，而「什麼問題值得回答、什麼證據值得相信」仍由研究者決定。

• 問題定義者：判斷哪一類問題具有科學價值，而不是哪一類問題最容易出結果。
• 實驗設計者：把模糊的想法轉成可執行、可重現、可比較的實驗協議。
• 證據仲裁者：對 AI 給出的曲線、指標與結論保持懷疑，追問其可信邊界與失敗條件。

三類必須由人回答的關鍵問題

1. 改變對象：這次要動的是優化參數、程式實作、演算法結構，還是研究流程本身？改動所處的層級不同，結論的意義也完全不同。
2. 評價回饋：用什麼指標觀測、用什麼代理訊號近似真實目標、驗收門檻設在哪裡、什麼情況判為失敗——四者缺一不可。
3. 公平比較：基線、預算、隨機性、算力條件與統計檢驗是否對齊。不對齊的比較，常把隨機波動或算力優勢誤讀為演算法進步。

為什麼「品味」至關重要

AI 可以生成大量「能跑」的方案，但可行不等於有價值。Taste matters：在眾多可行方案中判斷哪個問題、哪個假設、哪份證據真正具有科學價值，這正是人類研究者的核心價值。相應地，能力重心從單純的編碼速度，轉向批判性思維、系統抽象、領域判斷與人機分工。