摘要：人工智能正在以前所未有的速度渗透科研领域。Wiley 2025年调查显示，科研人员AI工具使用率从2024年的57%跃升至84%；Elsevier报告指出，58%的研究人员已在工作中使用AI工具，较前一年的37%大幅增长。AI已深度嵌入文献检索、数据分析、论文写作、同行评审等科研全链条。本文系统梳理了AI对科研行业中不同角色（导师、学生、评审专家、实验人员）的影响，分析了哪些工作正在被替代、哪些能力无法被替代。文章认为，AI能够抹平科研人员之间的技术执行能力差距，但无法替代人类在不确定性中做出判断并为此承担责任的能力。科研的核心正在从“技术执行”转向“意义判断”——这一转变将深刻重塑博士教育、学术评价和出版体系。
关键词：人工智能；科研范式；学术出版；工程实践；人机协作
目录
引言
科研角色的命运变迁
哪些工作正在被替代
AI无法替代的是什么
AI难以“入侵”的领域
AI改变不了的是什么
科研人对AI正确心态
AI与人类的发展关系
参考来源
关于本文
1. 引言
2025年，科研领域经历了一场静默的革命。Wiley对全球2400多名科研人员的调查显示，AI工具的整体使用率从2024年的57%激增至2025年的84%，专门用于研究和论文写作的使用率从45%增长至62%。Elsevier的《Researcher of the Future》报告指出，58%的研究人员已在工作中使用AI工具。Research Solutions的基准化分析报告进一步显示，87%的受访者至少每周使用AI工具。这些数字指向一个不可逆的趋势：AI已经从“辅助工具”变成了科研的“基础设施” 。但渗透率的提升只是故事的表面。当AI能写论文、做文献综述、辅助数据分析、甚至参与同行评审时，一个更根本的问题浮现出来：科研行业还剩下什么，是AI拿不走的？
本文试图分析AI如何改变科研生态中不同角色的定位与关系，进而讨论哪些工作正在被替代、哪些能力无法被替代，之后将讨论延伸到AI难以“入侵”的领域，并提出一个关于AI与人类发展关系的终极判断。
2. AI对科研生态的重构：不同角色的命运变迁
2.1 导师与学生的关系：从“教”到“共学”
传统科研训练中，导师的价值体现在三个层面：理论功底、研究方法、研究经验。学生需要数年时间才能逐步掌握这些能力。AI正在改变这个格局。生成式人工智能不但能提高导师的科研效率，也可以提高学生的科研效率。以往，导师可以凭借深厚的理论功底、娴熟的研究方法以及丰富的研究经验，为学生提供研究方向的指引、研究方法的培训，以及论文写作的全过程指导。现在，学生用AI能在几天内完成过去需要数周的资料梳理和代码实现。
导师和学生之间的“技术差距”正在被AI大幅缩小。基于2024年全国博士毕业生调查数据的实证分析表明，生成式AI使博士生科研总产出提升6.5%，国际发表提升6.9%，顶级期刊发表提升达16.5%。Wiley 2025年的数据进一步显示，早期职业研究人员的AI使用率高达92%——年轻人正在以最快的速度拥抱这项技术。这意味着导师的角色正在从“知识传授者”转向“方向判断者”——不是教学生怎么做，而是告诉学生 “做什么值得做” 。有学者指出，导师应对学生在学术研究中的作用进行重新审视与定位，以更平等的态度对待学生，并思考如何将生成式AI的优势与自身的专业指导相结合。但AI也暴露了一个更深层的分化。现有AI擅长文献概括，却缺乏质疑能力。导师的学术判断力——知道“什么问题是好问题”——是学生避开研究弯路的宝贵指南。AI可以帮你写得更快，但无法替代导师在研究品位、问题意识和学术判断上的长期熏陶。
2.2 评审专家：从“把关人”到“复核者”
同行评审正在经历一场静默的革命。Frontiers发布的白皮书显示，53%的审稿人正在使用AI工具。Nature对1600名学者的调查发现，超过50%的研究人员在审稿过程中使用过AI。IOP出版社的调查进一步显示，32%的研究人员已在某种程度上使用过AI辅助审稿。
在中国，AI辅助审稿的使用率高达77%，远超北美（31%）和欧洲（46%）——中国科研人员在全球范围内对AI的使用最为积极。但AI在审稿中的应用也引发了巨大争议。Nature 2025年的调查显示，超60%的研究者认为在同行评审中使用AI是不可接受的，尤其是用于起草初审意见。主要担忧集中在保密性和责任的稀释。多数期刊仍要求审稿人证明未使用AI工具。
AI在审稿中的角色正在被重新定义：它可以辅助格式检查、文献比对、统计校验，但最终的学术判断——这项研究有没有价值、论证是否成立——必须由人来完成。Wiley的调查也印证了这一点：与同行评审相关的大多数用例仍被映射到“人类优先”象限。
2.3 实验人员：从“操作者”到“感知者”
在实验科学领域，AI和自动化正在重新定义实验人员的角色。“无人实验室”正在成为现实。清华大学张数一团队携手镁伽科技、智源深澜，建立了一个工业级自动化平台，能够不间断运行约25天实现“近乎0活性”到“完全功能”的进化。美国AMD和约翰斯·霍普金斯大学的研究人员提出了一种“代理实验室”框架，利用大语言模型驱动完成文献综述、实验设计以及报告撰写。然而，自动化实验平台的普及并不意味着实验人员的消失。相反，实验员的角色正在从“操作者”变成“感知者” 。
一个有经验的实验者能通过仪器读数的微小异常、样品颜色的变化、数据曲线的偏移“嗅”到新现象——这种基于物理接触世界的直觉，目前无法被AI替代。在实验过程中出现的细微异常，AI可能忽略，但经验丰富的实验员能从中发现问题、发现新的研究方向。同时，当实验室越来越多自动化设备时，需要有人理解整个系统的运行逻辑，能在出现问题时快速诊断、调整、恢复。
3. 哪些工作正在被替代
AI在科研中的渗透已经超越了简单的“辅助”阶段，开始触及某些工作的核心。
3.1 执行型工作：首先被替代
文献检索与综述：61%的科研人员使用AI查找和总结新研究，51%用于文献综述。这些任务耗时且复杂，尤其在项目启动阶段。数据整理与初步分析：38%的科研人员依赖AI分析研究数据。AI可以加速洞察，使研究人员能够处理更大、更复杂的数据集。论文初稿与格式调整：38%的科研人员使用AI撰写或起草研究论文和报告。74%的研究者对AI辅助论文写作感兴趣。Nature 2025年的调查显示，超90%的研究者认为用AI编辑文本可以接受，近六成已在工作中使用。基金申请书起草：41%的科研人员使用AI起草经费申请书。
这些工作的共同特征是什么？它们都是“执行型”工作——有明确的输入和输出格式、有可验证的标准、有可重复的流程。 这类工作的本质是“把已知信息转化为特定格式的输出”，而这恰恰是当前AI最擅长的。
3.2 替代的边界：什么还在“安全区”
但AI的替代有明确的边界。Wiley的研究发现，随着使用经验增加，研究人员正在显著降低对AI能力的期望——去年研究人员认为AI在超过半数潜在用例上已超越人类，今年这一比例降至不足三分之一。人类判断仍然处于核心位置。Elsevier的报告指出，虽然采用率在增长，但人类专业知识在“提出问题、评估质量和产生洞察”方面仍然至关重要。Nature 2025年对5000多名科学家的调查发现了一个微妙的分裂：大多数研究者认为使用AI编辑或翻译论文是可以接受的，多数人也认为可以用AI起草初稿。但对于AI在同行评审中的应用——尤其是起草初审意见——超过60%的研究者认为不可接受。分界线很清晰：AI可以参与“怎么写”，但不能决定“写什么”和“值不值得写”。
4. AI无法替代的是什么
当AI能写论文、做实验、生成假设、甚至部分参与同行评审时，科研中“人”的剩余价值在哪里？答案可以归结为三个关键词：判断、责任、权力。
4.1 判断：在不确定性中做出选择
AI可以告诉你“这个方向有90%的概率能出成果”，但无法回答 “这个成果对人类意味着什么” 。AI可以生成一个完美的实验方案，但无法回答 “这个实验为什么值得做” 。科研不只是“发现新知识”——它是人类对世界理解的一种扩展。AI可以扩展知识，但无法“理解”这些知识在人类认知框架中的位置。未来的科研训练，重心必须转向培养 “判断什么研究值得做” ——问题意识、学术品位、跨学科视野。Nature的调查显示，只有22%的受访者认为当前的AI工具值得信赖。这种不信任，恰恰源于AI缺乏判断的“根基”——它不知道什么是对人类重要的。
4.2 责任：为结果承担后果
AI可以给出建议，但最终为建议后果负责的是人。当我们问“AI能否替代科学家”时，其实是在问 “AI能否替一个科学家承担科研失败的后果” 。答案显然是否定的——AI不会因为实验失败而失去经费、名誉或职业生涯。有学者指出，AI是依赖算法与数据的工具，缺乏自主意识与道德判断能力，因而无法为其生成内容的真实性、准确性及伦理合规性负责。责任，是人类社会的核心契约。 AI可以参与契约的制定，但无法成为契约的承担者。
4.3 权力：决定规则的权利
谁有权决定AI怎么用、用在哪、边界在哪？这个权力本身，就是人类社会最顶层的资源。AI再发达，也是人类社会中的一个“工具”——它的规则由人类制定、边界由人类划定、目标由人类设定。当AI威胁到人类社会的根本利益时，人类有权关掉它。这不是技术问题，是权力问题。Nature的调查显示，仅32%的科研人员认为其所在机构已建立完善的AI治理机制。治理机制的缺失，恰恰说明“谁来制定规则”这个问题还没有被认真对待。AI的作用是“在给定规则内做到极致”，而人类的作用是“制定规则、改变规则、打破规则”。
5. AI难以“入侵”的领域--工程控制
如果说科研的核心是“发现”世界已有的规律，那么工程的核心就是 “创造”世界上从未有过的东西。
5.1 科研是“发现”，工程是“创造”
科研的成果是知识——一篇论文、一个理论、一个发现。工程的成果是一个能稳定运行的物理系统——一颗芯片、一架飞机、一座桥梁。一个理论再完美，如果不能被制造出来，就毫无价值。华为的韬定律正是这种“创造”的典范——它没有发现新物理定律，而是通过逻辑折叠等工程技术，在现有工艺下实现了芯片性能的巨大飞跃。2026年7月，韬定律V2版本论文进一步用工程细节和大量实测数据验证了技术路线的可行性，将韬定律从“思想纲领”推进到了“工程实证”。
5.2 隐性知识：无法编码的“手感”
AI能处理数据，但工程的核心是 “隐性知识” ——它来自无数次的实践、试错和失败，无法被编码为训练数据。有分析指出，AI可以提升效率、预测风险、优化流程，却无法自行学会那些未被明说、无法量化的“隐性知识”。如果企业没有意识到这一点，便容易误以为转型完成，实则丧失了面对变化的判断力。工程师能通过设备异响、数据异常等细微征兆判断问题——这种“手感”源于数十年积累，是AI无法从数据中获得的。工程师的决策常是在不完整信息下做权衡——判断工期与风险、供应商能力等。这种包含价值判断的“工程判断”，是AI无法模拟的。通用大模型缺乏对行业的深度认知，难以准确把握复杂的行业规范、技术标准以及特定的业务流程。这些“行规”和“手感”，是AI无法通过学习公开数据获得的。
5.3 面对未知：AI的“盲区”
AI在处理已知模式的问题上表现出色，但在面对真正的“未知”时，其局限性暴露无遗。工程中常遇到标准规范无法覆盖的独特情况。此时，工程师依赖的是过往的“手感”和情境判断。AI能设计出计算完美的方案，但资深工程师却能凭经验发现隐藏风险——这种能力AI无法企及。华为的韬定律论文中，何庭波详细披露了放弃精度更高但更不成熟的路线、选择成熟路线的决策过程。这正是无数次试错积累的工程智慧——不是“更聪明”，而是“更懂得在约束条件下做选择” 。只要还需要把理论变成现实，还需要在不确定性中做决策，工程师就永远不可被替代。
6. AI改变不了的是什么
6.1 AI改变的是“工具层”，不是“结构层”
AI确实在改变科研的“怎么做”——文献检索更快了、论文初稿生成更高效了、数据分析更智能了。但它没有改变科研的 “谁来做、谁说了算、资源怎么分”——这些才是科研行业的底层结构。帽子问题：杰青、长江、院士的头衔体系，不是因为AI出现就重新洗牌的。谁来评、怎么评、谁能上——这些规则和权力格局依然掌握在既有体系的掌权者手中。AI可以让一个青年学者论文写得更多，但决定他能不能拿帽子的，依然是评审委员会里的那几个人。资源分配：经费分配、实验室空间、招生名额、期刊版面——这些都是“零和博弈”。AI提高了整体效率，但“谁拿到更多”这个问题，本质上没有变。当一个课题组能用AI一年发20篇论文时，期刊的版面是有限的、经费池是有限的、帽子名额是有限的——竞争只会更激烈，不会更轻松。导师权力：导师和学生之间的权力关系，没有因为AI发生本质变化。导师依然掌握着选题方向、经费分配、署名顺序、毕业签字权。甚至可能出现一种新的权力不对称：导师比你更会用AI，或者导师要求你用AI但成果归他。学生压力：当AI让论文产量普遍提升时，博士毕业的“门槛”不会降低，只会水涨船高。以前发3篇能毕业，现在大家都用AI能发5篇，那5篇就成了新标准。AI没有减轻压力，它可能只是把压力从“写不出来”转移到了“写出来还不够多”。
6.2 AI的“改革”是工具性的，不是制度性的
AI是一种技术工具，它的作用是“提高效率”，不是“改变权力结构”。电力革命没有改变工厂里的老板和工人的关系——老板依然是老板，工人依然是工人，只是生产线跑得更快了。互联网革命也没有改变媒体行业的主编和记者的关系——主编依然是主编，记者依然是记者，只是新闻发得更快了。AI的底层逻辑是“赋能”，不是“赋权”。 它让现有体系运转得更快、更高效，但它不会自动让这个体系变得更公平、更合理。技术可以迭代，但人类社会的底层逻辑是稳定的：谁掌控资源，谁就掌控规则；谁定义评价体系，谁就定义什么是“优秀”；谁掌握权力，谁就掌握游戏的输赢标准。AI没有改变这三条铁律。它只是让这三条铁律的运作更快了。
6.3 那为什么还要拥抱AI？
因为你不拥抱AI，连在现有体系里“被看见”的机会都会减少。AI不会让你更容易拿帽子，但不用AI会让你更难拿帽子——当大家都用AI提升产出时，你不用就会被甩在后面。AI不会让你更容易毕业，但不用AI会让你更难毕业——当同门都在用AI加速时，你不用就显得“慢”了。拥抱AI，不是为了改变体系，而是为了在现有体系里不被淘汰。这是一个务实的判断，不是理想主义的判断。
7. 科研人对AI的正确态度
7.1 心态上：做AI的“主人”，不做AI的“仆人”，积极拥抱，但不盲目追热点
面对AI，科研人员不应盲目抵触，也不能一味依赖。中国科学院院士梅宏明确表示，希望青年科技工作者积极拥抱AI、用好AI，但也不要盲信AI，不能忽视人在科研过程中的主体地位。中国科学院院士施一公同样呼吁青年科学家打好科研基本功，更好地用AI。“不管AI有多大的进步，只要科学家有批判性思维，有好的基础研究训练，就总是可以立于不败之地。”马大为院士则从另一个角度提醒：不要太迷信人工智能在科学研究上的作用，因为 “人的跳跃性思维不是靠人工智能的逻辑推导能够实现的” 。很多时候，科研突破来自“灵机一现”——而这恰恰是AI的逻辑推导无法替代的。中国石油大学孙根云教授的观点更为具体：科研人员应将AI视为辅助科研的工具，而非替代思考的“拐杖”，要学会在AI赋能中保持独立思考与创新精神，形成自己的见解与学术风格。
AI时代，科研人员的角色正在被重新定义。新时代的科学家不能只满足于做“解题人”，更应成为“出题人”——立足国家战略需求和科技发展前沿，以战略视野引领科研方向。换句话说：AI可以帮你解一道题，但“该解哪道题”这个判断，必须由人来做出。 未来科学发展将呈现“AI提出候选方案—人类判定科学意义—协同优化”的螺旋上升模式。
Wiley 2025年的研究发现了一个有趣现象：科研人员AI使用量越大，对AI的信任度反而越低。64%的科研人员担心AI生成错误或出现“幻觉”。对全球113个国家3200多名科研人员的调研显示，仅有22%的受访者认为当前的AI工具值得信赖。“经验催生谨慎”——这种心态本身就是在AI时代保持清醒的体现。
7.2 行动上：三条可操作的建议
建立自己的“AI工作流”，中国科学院遗传与发育生物学研究所举办的“2026年，我该如何用AI做科研”专题分享中指出，AI时代科研工作的核心已悄然转变——科研人员更需要具备的是：清晰定义问题的能力、解读并验证AI输出的批判性思维，以及基于专业知识进行决策的掌舵能力。具体行动：把AI嵌入到固定的科研流程中——文献检索用AI、数据分析用AI辅助、论文润色用AI，但每个环节的输出都要经过人工验证。正如梅宏院士所说：“我们不能完全相信AI所给出的结果，最终的科研结果，要由科技工作者自己判断对与否。”
夯实基础，积累“真数据”，梅宏院士特别强调：AI提供了远超人类的数据处理能力，但科学数据从哪里来，AI并不能生成真实的新数据。“我们需要更多的科技工作者，下苦功夫、下笨功夫，通过实验、观察，去获取新的科学数据。”换句话说：AI可以帮你分析已有的数据，但产生新数据这件事，必须靠人。
守住学术底线，树立“善用、慎用、规范用AI”的科研理念，分清人工智能辅助创作与自主原创的边界。杜绝完全依赖AI生成学术成果、隐匿AI辅助痕迹等违规行为。善用AI、慎用AI、规范用AI，是新时代科研人的必备素养。有学者明确提出：AI是依赖算法与数据的工具，缺乏自主意识与道德判断能力，因而无法为其生成内容的真实性、准确性及伦理合规性负责。技术工具没有自律能力，唯一能约束AI使用边界的，是研究者自身的学术道德与底线意识。
最终用AI的科研人员会淘汰不会用AI的科研人员。但“会用”不等于“依赖”——真正的会用，是让AI成为你的“副驾驶”，而不是让AI替你开车。你始终坐在主驾驶位上，握着方向盘，决定方向。AI可以帮你加速，但不能替你导航。科研工作者对AI的正确心态，可以用一句话概括：拥抱但不盲从，善用但不依赖。
8. 结论：AI与人类的发展关系
综合以上分析，可以得出一个清晰的结论：AI正在重塑科研的每一个环节——从文献检索到实验设计，从论文写作到同行评审。它能替代的，始终是 “执行层面” ，而不是 “判断层面” 。AI可以写论文、做实验、生成假设，甚至判断研究方向，但它无法回答 “为什么这件事值得做” ，无法在信息不完整的情况下做出决定，更无法为这些决定的后果承担责任。科研的核心，从来不是“会不会做实验”或“会不会写论文”——而是“在不确定中做出判断，并为这个判断承担责任”。
当巨石（AI）落进湖里，激起浪花的同时，也把湖底的泥沙翻上来了。作为湖中的一条鱼，你能做的不是等浪花消失，而是在泥沙翻涌的时候看清楚哪里更值得去。技术不会让竞争消失，只会让竞争“升级”——从拼体力到拼判断力，从拼执行到拼洞察力，从拼“谁能更快地做”到拼“谁能更早地知道该做什么”。不努力肯定是不行的，但努力的方向变得更加重要了。
AI可以成为最博学的助手、最高效的执行者、最精确的分析师。但它永远只是一个工具——因为工具没有立场，不承担代价，也不会在黑暗中做出属于自己的选择。而人类之所以是人类，恰恰在于我们拥有这三样东西。
8.1 博士不会消失，但“水博士”会
技术变革带来的往往不是“更轻松”，而是“更卷”。当AI让效率翻倍时，老板不会让你少干一半的活，而是让你干两倍的活。那些只靠执行力和勤奋就能毕业的博士项目，会被AI大幅压缩价值。只有那些能培养出“AI无法替代的判断力”的博士项目，才有存在的必要。博士训练的重心必须从“怎么做研究”转向“判断什么研究值得做”——培养问题意识、学术品位、跨学科视野。人机共生将成为学术研究的新范式，但人类的批判性思维、创新能力和伦理判断仍是不可替代的核心价值。
8.2 “水教授”的好日子到头了
过去，一个教授可以靠“知识搬运”维持学术地位——我知道你不知道，所以我有价值。当AI让所有人都能快速获取和整合知识时，这种价值归零。当互联网普及后，信息差确实被抹平了，但注意力竞争变得更激烈了。AI也一样，当所有人都能写论文、做数据分析时，竞争的维度只是从“谁写得快”变成了“谁写得更有洞察力”。“蒙混过关”可能变得更难，而不是更容易，但真正的学者价值会更高。AI可以总结文献，但无法判断哪些文献真正重要；AI可以生成假设，但无法判断哪些假设值得验证；AI可以写论文，但无法判断什么发现真正改变了我们对世界的理解。
8.3 实验员不会消失，但角色会转变
从“操作者”变成“感知者”——不是亲手做实验，而是监控AI/机器人执行、处理异常、解读结果。在高精尖实验中，人的“手感”和“直觉”仍然不可替代。
8.4 AI越强大，规则制定者的价值越高
AI的作用是“在给定规则内做到极致”，而人类的作用是“制定规则、改变规则、打破规则”。AI越强大，制定规则和打破规则的“顶层人类”就越有价值。AI可以参与科研，但无法承担科研失败的责任；AI可以提供建议，但无权决定研究方向的取舍；AI可以生成方案，但无法在信息不完整的情况下做出最终的抉择。这是AI永远无法替代的人类能力。而AI越强大，这种能力就越珍贵。
9. 参考来源
Wiley, “AI Adoption Jumps to 84% Among Researchers as Expectations Undergo Significant 'Reality Check',” ExplanAItions Study 2025, October 7, 2025
Elsevier, “Researcher of the Future: Confidence in Research,” 2025
Research Solutions, “The State of AI in Research 2026,” June 2026
Frontiers, “Unlocking AI's Untapped Potential: Responsible Innovation in Research and Publishing,” 2025
Nature, “More than half of researchers now use AI for peer review — often against guidance,” Nature 649, 273-274 (2026)
Nature, “Is it OK for AI to write science papers? Nature survey shows researchers are split,” May 2025
Wiley, ExplanAItions 2025 Study — Regional Adoption Data
中国高教研究，“生成式人工智能能否提升科研产出——基于2024年全国博士毕业生调查的实证分析”，2025年
IOP Publishing, Global Peer Review Survey 2025
经济观察报，“华为更新韬定律论文，首次详细公开逻辑折叠工艺参数”，2026年7月5日
10. 关于本文
本文首发于个人博客 serene-skin.com，本文视角聚焦于AI对科研行业的深层重构——从不同角色的命运变迁到不可替代的人类能力，从学术生态到工程实践，试图回答一个根本问题：在AI时代，科研还剩下什么是AI拿不走的。文中案例、数据与引述均来自公开可查的政府文件、官方媒体报道及权威研究报告，截至2026年7月。欢迎交流讨论，如有转载或使用请注明出处和作者。