最近我越来越强烈地感觉到一件事：

AI时代真正拉开差距的，可能不是谁更会用工具，而是谁更能提出问题、形成判断、产生想法。

先说说我的背景。

我是一名在读博士生。2024年底到2025年初，正是我赶小论文和毕业论文的关键时期。那段时间实验数据量巨大，整理数据、分析结果、查找文献、撰写文章——每一项都不算特别难，但都极其耗时。

科研工作最怕的不是辛苦，而是在大量重复性劳动中，失去思考的空间。

也就是在那个阶段，我开始真正感受到AI工具对科研的影响。

01 从“百度一下”到“问问AI”

最开始，大家用ChatGPT帮忙改文章、润色英文、整理思路、分析数据。

后来DeepSeek突然火了——免费、方便、中文体验好，很多人开始把AI当成日常工具，而不是一个新鲜玩具。

再后来，豆包、Kimi、文心一言、Claude、Gemini……各种工具百花齐放，各自在资料整理、长文档阅读、代码编写、图片生成、PPT制作等方面展现出不同优势。

你有没有发现？

以前我们遇到问题，第一反应是打开浏览器搜索。

现在，第一反应已经变成问AI。

某种意义上，AI正在重塑我们获取知识的入口。

02 AI会胡说八道，但这恰恰提醒了我们一件事

当然，AI并不完美。

尤其早期，它经常会编造参考文献、虚构数据、给出似是而非的结论。对科研人员来说，这些问题非常致命——因为科研最基本的底线，就是真实、可复现、可追溯。

所以AI越能说，我们越要保持判断力。

不能把它的回答直接当成结论。

但即便如此，我仍然认为AI极大提高了科研效率。它降低了很多入门成本和试错成本。

举个简单的例子。

假如我需要完成一个燃烧相关的制表计算，整个流程可能涉及多个软件协同，其中一步需要用MATLAB。但我并不熟悉MATLAB。

放在以前，我可能要先找教程、看文档、学语法、调代码，花一周时间才能勉强跑通。

现在呢？

我可以先问AI：完成这个任务需要哪些工具？每一步的数据格式是什么？代码应该怎么写？报错可能是什么原因？

甚至在一些代码工具里，AI可以直接读取本地文件夹，理解已有代码结构，帮我修改、运行和检查。

这个过程中，我当然还是任务的提出者和结果的判断者。但大量执行性的工作，已经越来越像是交给工具完成。

03 门槛在降低，但“判断力”的门槛在升高

这带来的变化非常大。

过去，一个人的能力很大程度上受限于：会不会某个软件？熟不熟某门语言？有没有足够时间查资料？

现在，这些门槛正在快速降低。

• 不会某个工具？让AI辅助入门。

• 不了解某个领域？让AI先帮你梳理框架。

• 想验证一个想法？让AI给出初步方案和可能的问题。

这并不意味着人不需要学习。

恰恰相反，AI时代更需要学习，只是学习的重点变了。

以前我们花很多时间学习“怎么操作”，现在更应该花时间思考：

• 为什么这样做？

• 结果是否可信？

• 这个方向有没有意义？

04 AI最大的价值，是帮我们“低成本试错”

对科研人员来说，AI有一个很突出的优势：知识面广。

单个人的知识结构往往是纵向的，而AI可以很快把材料、能源、化学、流体、机器学习、优化算法等不同领域的信息联系起来，给出一些交叉学科的可能方向。

这些方向不一定都可靠，但它至少提供了一个知识碰撞的起点。

更重要的是，AI降低了验证想法的成本。

以前一个想法冒出来，我们可能要查很多文献、写代码、搭流程，最后才知道它可能不可行。

现在，我们可以先让AI做初步拆解：

• 有没有研究基础？

• 难点在哪里？

• 需要哪些数据？

• 能不能用简化模型先验证？

这能帮助我们更快判断：一个想法值不值得继续投入。

05 想象力比知识更重要

所以我越来越觉得，AI时代，人的想法不是不重要了，而是更重要了。

因为工具越来越强，执行层面的差距会被压缩。

AI可以帮我们写文字、跑代码、总结文献、生成图片，但它不能替我们承担学术观点，不能替我们理解物理意义，更不能替我们决定哪个问题值得长期研究。

真正重要的，仍然是：

• 提出好问题的能力

• 判断答案真假的能力

• 在大量信息中抓住关键线索的能力

• 把工具生成的内容转化为自己研究判断的能力

AI不是替代我们思考的工具，而是放大我们想法的工具。

✅ 研发类：人工智能训练工程师、算法工程师

✅ 应用类：人工智能应用工程师、AIGC 应用工程师、AI 智能体应用工程师

详询马老师：135-2173-0416

知识正在变得越来越容易获得，而真正稀缺的，是想象力、判断力和创造力。

正如爱因斯坦所说：

“想象力比知识更重要。”

在AI时代，这句话或许更值得我们认真体会。