原文发布于知乎：AI4S 时代，人类研究者如何更高效地科研讨论？
以前很喜欢跟人去讨论，比如说分享你看到的论文，看到很有意思的大厂提出来的一些文章或者理论。但最近这种念头越来越少了。因为说白了，你觉得很不错的 idea 如果分享给别人，你也用 Claude Code 和 Codex，他也用 Codex，大家都在做 auto research，那最后谁能做出来？说白了就是拼 token 嘛。如果人家的 token 更多、卡更多，你这个 idea 就变成人家的了。
另外就是局限于每个人的视野以及知识量，很多时候自己提出来的 idea，其实远远不如跟 AI 交流得到的更有深度。这也是最近的一大趋势，大家都在闷头跟 AI 交流，就跟 AlphaGo 把围棋打败之后人类都去学 AI 路数是一个道理。大家发现 AI 的确走出了一条跟人类完全不一样的路，毕竟人家的路可能甚至大概率比人类更优。去学习，其实就是现在最主要的事情。
Idea生成器
我分享最近发现的两个在 Agent 时代做科研很牛的工具，其中一个叫 Idea Scientist。
它是最近发在 arXiv 上的一篇文章，作者做的东西其实很简单，是用 Google 学术、知乎论文助手等工具分析出来的。文章提到，idea 最好还是由人想出来，因为 AI 提出来的想法很多时候都浮于表面；而且以往的创意或 idea 往往局限于单一领域的已有文献，很难实现跨学科的思路借鉴，导致研究方案新颖性不足，难以产生突破性的新方向。
这项研究的核心逻辑是“跨学科的问题拓扑匹配”，说白了就是个排列组合问题：把计算机、生物学、化学、物理学等一系列学科大杂烩式地结合起来，去寻找 gap、找方向。
它的核心方法主要由三部分组成：
- Gap Finder：扫描各类顶会论文，寻找研究空白
- Innovator（创新者）：提出创造性的问题
- Report Writer：负责整理并生成一个看起来很像样的完整 idea
怎么说呢，有了这种工具之后，以前觉得很珍贵的 idea 现在来看并没有那么珍贵了，起码从数量上来说变得非常廉价：尤其是那种迭代式、拼接式的“A + B + C，再加个 D、加个 E，想加多少就加多少”的想法。
但很多人会说有 idea 其实并不代表什么，因为有 idea 是一件很容易的事情，你自己作为人类开动脑筋也能想出无数个 idea 来。
Auto Research
实际上难以做到的问题，主要就是没办法真正把 idea 部署出来，也就是做实验。
用 Agent 或者 AI 把你的 idea 部署下来、做出实验，其实有好几个阶段：
- 第一个阶段：在最原始的 GPT 时代，它能做的就是把你想要的逻辑变成代码，或者变成一套实验方案，然后你自己动手去做。这是最初级的，受限于大家都是手工手搓阶段，效率提升并不多。
- 第二个阶段：进入 Agent 时代，特别是 AI 接入大量 MCP、工具并调用 Computer Use 功能之后，情况就完全不同了。大家发现以前需要手工操作的软件或 App 都可以交给 AI。特别是以 Codex 为首的那批 AI，对电脑的操作能力只要 token 管够，绝对不输人类，甚至比人类更准确、更快；即便是需要精确绘制的图表，也没有任何问题。
- 第三个阶段：真正的 Auto Research。最开始是 Karpathy 提出的概念，也就是针对那些可以 verify 和 evaluate 的工作，让 AI 一步步去设计实验，每次只给有限的资源去试错：试出来了就继续投入，试不出来就及时止损。以前受限于没有这么强的 AI 和海量资源，很难做到；虽然这种实验目前顶多在特定领域进行（一些需要反应时间长的方向就很难做），但据我所知，商业公司已经把它做出来了，只要你提供 idea，他们负责配置机器和实验环境替你跑实验，你的 idea 就能直接变成一篇文章或科研成果。这其实就是一个变相的 from token / from budget to AI research output 的过程。
这样做的大前提是拥有海量的 idea 和 budget，理论上就能实现绝大多数想法。看似 idea 和做 research 做实验变廉价了，但实际上非常昂贵，背后需要海量的顶级大模型与算力资源供你调配。普通人订阅 200 刀的 Claude 都已经很困难了，更别说海量资源起码得一个月几十万刀。
回到如何更科学、更高效地讨论科研：我认为高效科研的一个前提，是给 Agent 提供更高效率的检索系统。
这次知乎推出的功能很有意思。比如我刚刚在 arXiv 打开的那篇论文，右下角直接出了一个按钮，可以一键查看知乎上的相关讨论，了解其他人是怎么评价的。AI 抓取到这些 insight 之后，就可以据此做进一步的推演或泛化。
说白了，在 AI for Science 这个大阶段，做好基建是最重要的：
- 做 AI 友好型的论文
- 做 AI 友好型的数据集
- 做 AI 友好型的 benchmark
剩下的就交给 AI，让它自我迭代去。
评论