The Old Grammar of Research Is Changing

AI 对科研最深刻的影响，可能并不是让每一项任务变快，而是改变工作的顺序：过去要等实验之后才发生的事情，可以提前开始；过去只存在于研究者脑中的推理，也可以进入一个看得见、能够被检查的系统。

科研原有的“语法”

很多实验研究仍然遵循一套熟悉的顺序：搜索文献、总结领域、寻找缺口、设计课题、开展预实验、修正协议、收集结果，再讨论结果意味着什么。

这套顺序并没有错。它是前几代研究者在当时的工具和时间条件下形成的一种有效语法。但它也有一个弱点：前端的理解常常很慢，而整个过程中的推理又经常是私人的。一则模糊的想法可能需要几周才能变成结构化问题，一个意外结果也可能需要很久才能转化为更新后的模型。

AI Agent 可以帮助研究者把一个尚未成形的直觉，转化为更明确的问题地图。它可以收集和比较相关证据，列出竞争性解释，在不同领域之间翻译概念，并把一个大问题拆成若干个更小的测试。

重点不在于 Agent 总能画出正确的地图——它当然不能。重点在于，一张粗糙的地图可以足够早地被拿出来质疑。研究者可以看到其中的假设、缺失的变量，也可以看见一个漂亮故事究竟是被证据支撑，还是仅仅依靠类比成立。

这会改变第一次实验的角色。它不再只是盲目寻找一个好看的结果，而成为一个暂时模型与真实材料世界发生接触的地方。

很多研究者其实已经形成了相当复杂的系统模型。他们知道哪个参数脆弱，哪种材料状态值得怀疑，哪种失败模式可能带来信息。但这些能力往往是默会的，难以传递、难以检查，也很难在人员和项目变化之后被保留下来。

Agent 提供了把部分推理外化的机会。实验前的简报可以记录证据、假设、敏感参数、边界条件，以及哪种观察能够区分不同解释。实验后的复盘则可以记录模型发生了什么变化，而不是只把结果压缩成“成功”或“失败”。

这不是替代专业能力，而是给专业能力提供一个可以被追问、复用和改进的表面。

我们很容易把这个变化描述成“科学的自动化”，但这还不够准确。生物系统、材料、仪器和人仍然充满具体情境。模型可以建议参数扫描，却不能把仿真变成测量；流畅的综合可以连接论文，却不能让一个没有证据支持的机制自动变成真实。

因此，研究者的作用并没有减弱，反而更集中于真正需要判断的节点：定义问题，决定哪一种不确定性值得被降低，选择有信息量的测量，检查论断的来源，并决定一个结果应该削弱模型，还是只是被包装成模型的装饰。

我想象中的新节奏，是在一个较长项目里嵌套很多较短的闭环：实验前先绘制问题地图；用一个小测试暴露假设；让结果更新地图；再根据它能够区分什么来选择下一步，而不是只根据它能产出什么来选择。

在这样的节奏中，AI 不是确定性的来源，而是提高推理频率、让推理过程更容易被看见的一种方式。实验室仍然是模型遇到阻力的地方，而正是这种阻力，让这个闭环保持科学性。

更快的科研过程，并不自动意味着更好的科研。如果 AI 只是高效地产生更多摘要、更多假设和更漂亮的文字，它也可能同样高效地放大噪音。

因此，新的科研语法需要更强的来源意识和克制能力。研究者必须区分观察与解释、来源与综合、工作假设与结论，以及一个有用的建议与一个经过验证的结果。工具越强，这些区分就越重要。

科研原有的“语法”不会一夜之间消失，而且其中很多部分仍然值得保留。但仅仅搜索、总结、尝试，再在事后解释，也许已经不够了。下一种科研方式，可能会更早地让模型显形，让实验去挑战模型，并允许每一个结果真正改变下一步会发生什么。