如果大模型真的让科研效率翻倍，科学家们反而可能把研究做烂

现在的技术圈都在吹嘘 AI Agent 能怎么解放生产力，但大家好像都忽略了一个很反直觉的逻辑：当工具变得极其廉价且高效时，人类的注意力反而会被迫分散到更多低质量的坑里。

最近看了一篇挺有意思的理论研究，它直接挑战了“AI 助力科研”的乐观情绪。研究者做了一套模拟模型，结论挺扎心的：就算大模型表现得完美无缺，科研质量也可能不升反降。

核心逻辑其实就是“边际成本”的问题。以前科学家写论文、跑数据、整理文献得耗费大量精力，这其实是一种“强制性的深度思考”。当 AI 把这些琐碎活儿的耗时缩短后，科学家省下来的时间并不会全部用来打磨现有的课题，而是会产生一种诱惑——既然写论文变快了，那我干脆一口气多开几个新课题吧。

这种行为会导致两个非常严重的后果：

• 研究广度膨胀，深度严重稀释： 研究者从“深耕一个领域”变成了“广撒网”，原本该用来反复验证实验、推敲逻辑的时间，被用来启动新的项目流程了。
• 质量下降的闭环： 在研究模拟的几种场景中，有三分之二的情况显示，单篇论文的质量实际上是在下滑的。因为大家都在追求“产出量”，而忽略了对结论严谨性的极致追求。

这让我想起以前写代码或者写文档的逻辑，如果你用 Copilot 自动补全了所有模板代码，你可能很快能写完一个项目，但你对底层逻辑的理解深度，大概率不如那个一行行敲代码的时代。

对于咱们搞技术或者搞研究的人来说，这其实是个警示。如果过度依赖 AI 来处理工作流中的“执行层”，我们很可能会陷入一种“看起来很忙、产出很多、但实际贡献很浅”的勤奋陷阱里。怎么利用 AI 去增强思考，而不是用它来逃避思考，这才是接下来最硬核的课题。