研究者的核心能力与思维转换

在 AI 辅助科研中，研究者的核心能力正在经历一次思维转换：过去我们用「能否亲手写出实现」来衡量能力，如今代码与实验脚本可由 AI 快速产出，真正稀缺的是提出关键问题、定义评价与公平比较标准，并对 AI 产出的证据做批判性判断。

职责迁移：从实现者到证据仲裁者

当实现成本被大幅压低，研究者的角色从「实现者」上移为问题定义者、实验设计者与证据仲裁者。AI 负责把想法变成可运行的答案，而「什么问题值得回答、什么证据值得相信」仍由研究者决定。

• 问题定义者：判断哪一类问题具有科学价值，而不是哪一类问题最容易出结果。
• 实验设计者：把模糊的想法转成可执行、可复现、可比较的实验协议。
• 证据仲裁者：对 AI 给出的曲线、指标与结论保持怀疑，追问其可信边界与失败条件。

三类必须由人回答的关键问题

1. 改变对象：这次要动的是优化参数、程序实现、算法结构，还是研究流程本身？改动所处的层级不同，结论的意义也完全不同。
2. 评价反馈：用什么指标观测、用什么代理信号近似真实目标、验收门槛设在哪里、什么情况判为失败——四者缺一不可。
3. 公平比较：基线、预算、随机性、算力条件与统计检验是否对齐。不对齐的比较，常把随机波动或算力优势误读为算法进步。

为什么「品味」至关重要

AI 可以生成大量「能跑」的方案，但可行不等于有价值。Taste matters：在众多可行方案中判断哪个问题、哪个假设、哪份证据真正具有科学价值，这正是人类研究者的核心价值。相应地，能力重心从单纯的编码速度，转向批判性思维、系统抽象、领域判断与人机分工。