三位院士谈 AI 使用边界、结果一键输出科研过程还重要吗、AI 不能替你承担学术责任

AI 能干活，但不能替你思考

2026 年 10 月 26 日，《光明日报》刊出「探问 AI 参与科研的边界」系列报道的第四篇，标题是《结果「一键输出」，科研过程还重要吗》，主持人是记者崔兴毅和陈海波，请来三位院士聊 AI 到底能把科研的哪一段接管。

三位分别是：中国工程院院士、大连化物所所长刘中民；中科院院士、南京大学地球科学与工程学院教授沈树忠；中国工程院院士、中科院光电技术研究所所长罗先刚。

用人话说： 这不是一场「AI 好不好」的辩论，是一场「AI 该干到哪一步」的划界。三位院士给了一条非常干净的判断标准，听完你就能自己判断手头的事该不该交给 AI。

一句话总结

三位院士给出的分界线只有一句话：目标是已知的，可以信任 AI；目标是需要被发现的，必须由人主导。

一、AI 已经把科研推进到哪一步

先看好消息。

刘中民院士提到，大连化物所的智能化工大模型现在能做到「能规划、会执行、可验证」——自动拆解任务、调用工具、输出方案。他还提到，长兴岛建成了国内首个千吨级智能中试平台，可以「按需生成」真实工况数据。

沈树忠院士说，科研正在从「靠经验、有限数据作推断」，走向「利用大规模数据训练分析总结规律」。

罗先刚院士说，现在已经能在某些方向上，从海量候选参数里直接给出「最优参数」。

用人话说： 「按需生成真实工况数据」这一条最值得划重点。过去做一次化工实验中试，可能要几个月、烧掉大量物料。现在可以先用 AI 造出足够接近真实的数据去筛方向，把宝贵的实验资源留给最值得试的那几个方案。这不是替代实验，是替实验挡掉九成的无效尝试。

二、真正会丢的三样东西

三位院士谈的「丢失」，比「AI 会不会出错」重要得多。

第一样，沈树忠院士说的：实地看过的那个东西。

AI 给出的结果，本质建立在科学家长期野外观察和真实数据记录之上。野外考察、实物辨析、实验验证、对异常情况的追问——这些是必须守住的基础。

第二样，罗先刚院士说的：跟不确定相处的经验。

失败实验的「为什么不行」和成功实验的「为什么行」，同样构成科研积累。AI 能给你最优参数，但替代不了理解「为什么在物理上是自洽的」。

第三样，刘中民院士说的：失败数据。

现在公开资料里大多是成功案例，失败数据散落在各处、很难被利用。AI 如果只从「好数据」里学习，缺陷是必然的。

用人话说： 这三条串起来是一句狠话——AI 只会继承这个世界已经整理好的那部分知识，而科学的增量，恰恰来自那些没被整理好的乱局。 一个只在成功案例里学习的人，失去了「怎么失败」的经验；一个只在成功数据里学习的模型，也是同一回事。

三、三位院士给出的分界线

这是整篇报道最该被抄下来的部分。

罗先刚院士：「目标是已知的，可以信任 AI；目标是需要被发现的，必须由人主导。」

具体到任务，他的划分是：基础验证、参数迭代、数据复盘这些，可以优先交给效率；而新物理机理的提出、跨学科问题的提炼，必须由人主导。

沈树忠院士的划分是按任务性质切的：

可以交给 AI · 不能替代

基因结构预测 · 地层界线定义

数学求解 · 大灭绝模式判定

化石信息整合 · 关键结果的人工审查与独立验证

刘中民院士的划分更朴素：让 AI 做它擅长的「快」，人守住「对」的底线。 从实验室到工业化的「死亡之谷」，必须由有经验的研发人员把关。

用人话说： 用人话说，这三条其实说的是同一件事的不同切面——AI 擅长的是「在已知空间里找最优解」，人擅长的是「定义那个空间」。 让 AI 帮你在已有的地图上找最快的路，完全合理；让 AI 决定要去哪个城市，它只会给你一个「大家都想去」的地方。

四、院士们给的建议，比判断更重要

三位院士最后都在谈人和制度怎么变，这一点比技术判断更有长期价值。

刘中民院士的三条建议：

1. 把 AI 当「工程伙伴」，而不是「替代者」

2. 评价体系不能只看论文和结果

3. 国家层面统筹建设高质量数据集与数据中心

罗先刚院士的一句话最狠：「工具层面结果导向，人的培养层面过程优先。」 他警告说，只考核 AI 辅助产出的论文数量，会催生出一批「善于调用工具但缺乏物理直觉」的研究者。

沈树忠院士强调的是底线：AI 的使用边界涉及科研诚信与科学责任，不能让 AI 替代研究者来承担学术责任。

同日《新浪财经》另一篇《智能体「跑」任务？科研思辨无法「外包」》里还引了诺奖得主迈克尔·莱维特的一句话：「问题比想法更重要。」 以及中国新闻网报道中袁钧瑛院士的判断：AI 能提效，但核心科学问题只能靠人。

用人话说： 这几位院士合起来说的是同一件事——AI 会让「产出」变便宜，但「提出好问题」这件事会变得更贵。 因为当谁都能一键拿到答案时，唯一稀缺的就剩下「你问的是什么」。

对普通人意味着什么

第一，这套判断标准你今天就能用。 拿任何一件手上的事问一句：这件事的目标是已经定好的，还是需要我去发现的？ 目标是定好的——写周报、做 PPT、查资料、跑数据、翻译——尽管交给 AI。目标需要你去找——该学什么、该做什么产品、该信谁、这家人为什么值得投——AI 帮不上核心忙。

第二，最该警惕的是「一键输出」的诱惑。 AI 给你一个漂亮答案的速度，比你判断它对错的速度快得多。先问「这个问题是怎么来的」，再问「答案对不对」。 顺序反了，就会变成一个看起来完美的错误答案。

第三，「失败数据」这条，对职场同样成立。 AI 从成功案例里学习，所以它给你的建议往往是最优路径、最主流做法、最不会出错的方案。而你的成长，往往来自那些没走通的弯路——那些 AI 帮不了你的经验，正是你不可替代的部分。

第四，学生和刚入行的人要格外小心。 罗先刚院士说的「善于调用工具但缺乏物理直觉」，放到今天就是：会写提示词但没有判断力的人，会被工具反噬。 因为他出的每一个结论都对，但连起来什么都没解决。多问一句「为什么」，这项能力比任何提示词模板都值钱。

第五，AI 越普及，「负责」这件事越值钱。 院士们反复强调「不能让 AI 替代研究者承担学术责任」。这句话的通用版是：AI 可以替你干活，但签字的必须是你。 在公司里，在论文里，在生活里，都是同一条。

写在最后

1 这是目前关于 AI 边界最清醒的一次公开讨论

市面上关于 AI 的讨论要么是「万能」要么是「泡沫」，很少有人像这三位院士这样，把边界切得这么具体：哪些任务可交、哪些不可交、评价体系该怎么改、数据该怎么建。这份报告值得存下来反复读。

2 「目标已知的交给 AI，目标未知的留给人」

这可能是目前最实用的一条 AI 使用守则。它不需要任何技术背景，却能解释未来几年里，人和 AI 在职场里的分工到底怎么切。会用 AI 的人会越来越多，但会定义目标的人永远稀缺。

3 过程不会被淘汰，但会被重新定价

当结果可以一键生成，过程的价值会从「做了多少」转移到「想清楚了没有」。罗先刚院士那句「工具层面结果导向，人的培养层面过程优先」，说的其实是同一件事的两面——短期内大家还在看结果，但决定你能走多远的，是过程。

未来 1 年看三件事：① 会不会有更多高校和科研机构把「AI 使用边界」写进正式的学术规范；② 期刊和评审会不会开始要求披露 AI 参与的过程，而不只是最终结果；③ 「失败数据集」会不会成为新的公共基础设施——谁先把失败数据喂给模型，谁就在下一轮科学发现里领先。

如果觉得这篇拆解对你有帮助，不妨点个关注和在看。

你的 AI 陪跑伙伴 【数字新奇点】 会继续关注 AI 能力边界这件事——知道哪里不能去，比知道哪里能去更重要。

咱们下期见！

参考资料

结果「一键输出」，科研过程还重要吗——院士谈 AI 的使用边界（光明网）

结果「一键输出」，科研过程还重要吗（光明日报）

结果「一键输出」，科研过程还重要吗——院士谈 AI 的使用边界（新浪财经）

「探问 AI 参与科研的边界」系列报道之四：结果「一键输出」，科研过程还重要吗（腾讯新闻）

【活力中国调研行】袁钧瑛院士谈 AI：能提效，但核心科学问题只能靠人（中国新闻网）

智能体「跑」任务？科研思辨无法「外包」（新浪）