叶涛（565net必赢客户端（北京）565net必赢客户端教授）：
思考权全交给AI，能力必然会退化
随着大模型能力不断增强，AI正逐渐从一种辅助工具变成科研基础设施。过去，科研人员需要查阅大量论文、分析物理模型、推导公式、编写程序，再通过实验逐步验证。如今，许多环节可以先问AI，甚至直接要求AI给出完整技术路线、程序代码和实验方案。这极大提高了科研效率，但也带来一个问题：科研人员是否会因为长期依赖AI，而逐渐削弱独立、持续和深入思考的能力，带来思考惰性和科研能力退化？
这一风险值得警惕。以我们课题组从事的多传感器融合感知研究为例，当发现相机与IMU（惯性测量单元）之间存在时间误差时，本应不断追问：误差从何而来？是传感器时间戳问题、通信延迟、驱动抖动，还是触发机制所致？1毫秒、3毫秒和几十微秒的同步误差，分别会产生多大影响？误差应通过硬件同步解决，还是可通过后端时间偏移估计补偿？这些连续的“为什么”，才构成真正的科研思考链条。然而，有了AI之后，容易形成另一种工作模式：直接问AI，AI给出答案或建议。科研人员由此可能跳过了最关键的一层：为什么该方法能够解决问题，以及什么情况下它不能解决问题。
AI时代，科研人员最需要担心的，不是记忆知识的能力，而是三种更重要的能力受到影响：提出问题的能力、建立因果链条的能力，以及判断答案是否可信的能力。尤其需要警惕第三点。大模型的重要特点之一，是即便结论并不完全正确，也往往能给出逻辑完整、语言流畅、看似专业的解释。如果科研人员长期习惯于接受AI生成的答案，就可能从“验证答案的人”变成“消费答案的人”。
事实上，AI是否导致思考惰性，分界线不在于“是否使用AI”，而在于科研人员把什么交给AI。文献初筛、代码辅助、数据整理等流程性和重复性工作，可以在人工复核和规范使用的前提下充分发挥AI作用；候选算法乃至候选研究方案，也可让AI帮助产生。但有些事情不能完全交出去：为什么研究这个问题，真正的科学问题是什么；为什么选择这条技术路线；实验究竟能够证明什么；结果为什么可信；最终应该相信什么。这些属于科研人员必须承担的“认知责任”。
由此看来，AI未来不一定是让科研人员整体变强或整体变弱，而是可能导致科研能力进一步分化。一部分科研人员会逐渐形成把问题交给AI、方案交给AI、代码交给AI、结果解释也交给AI的模式，短期科研效率可能很高，但独立研究能力可能逐渐下降。另一部分科研人员则采取不同方式：自己定义问题，让AI提供候选方案；自己设计验证标准，让AI帮助完成实验；最后反过来要求AI攻击自己的结论。如此使用AI，科研人员的思考未必会减少，反而可能更加深入。
真正需要警惕的，是主动把思考权交给AI。科研人员最重要的能力，也即真正稀缺的能力，是判断什么问题值得问、什么答案值得怀疑、什么结果经得起检验。如果科研人员把问题定义、因果推理和学术判断一并外包给AI，长期来看，独立思考能力必然存在退化风险。
让AI替代机械劳动，而非替代认知责任；让AI扩大思考，而非结束思考——若坚持这样的原则，AI不仅不会削弱科研能力，反而可能把科研人员从大量重复劳动中解放出来，使其有更多时间完成真正属于科学家的工作：提出问题、理解机理、质疑结论、发现未知。
