【学者思辨】

　　当人工智能以空前效率介入科研，从文献综述到实验设计无所不能，一个根本问题反而被遮蔽：原始创新究竟靠什么？

　　科学研究的根本目的在于拓展人类知识的边界，其最大特征是不确定性。真正的原始创新是小概率事件，无法预先规定。因此，自由探索是颠覆性创新最核心的要素。然而自由探索门槛极高：研究者必须了解人类知识的边界，了解社会与技术真正需要解决的问题，还必须具备冒险精神和担当精神。

　　我们的专业体系分得很细，科研文化在某种程度上变成了“从论文中来到论文中去”，甚至形成八股文习惯，论文发表被等同于科学发现。这种稀释恰恰暴露了人类科研能力的局限：我们获取知识的能力有限，理论方法仍基于古老的数学工具，计算只能处理理想化场景，实验则依赖试错。这一背景下，AI被寄予厚望。但我们必须清醒：当前以深度学习和大语言模型为代表的AI，本质是对已有数据分布的学习、逼近与重采样。它可以在高维空间中寻找相关性，完成插值和一定范围内的外推，却无法超出训练数据的结构约束。它输出的每一个“新发现”，都是基于已知语料、已知样本和已知规则的概率生成，更多是对已有庞杂材料的整理、归纳与重组，而非创造新的知识。如果AI的输出在原则上可由输入数据和模型参数确定，它所提供的信息增量就极其有限。比如，AlphaFold预测蛋白质结构是重要进展，但它并未提出蛋白质折叠的新原理，只是利用已有序列—结构数据进行高效建模。

　　真正的原始创新，往往发生在既有认知框架之外。爱因斯坦提出相对论，不是因为他读了更多数据，而是因为他追问“如果追着一束光跑会怎样”；达尔文提出自然选择，不是因为他掌握了更多物种样本，而是因为他从无数细节中洞察到一个新的解释框架。这种跳出框架的能力，依赖于人的直觉、想象力、跨领域联想和默会知识——那些我们知道的远比能说出来的多的东西。而科研中的关键选择，包括做什么问题、走哪条路、何时坚持、何时放弃、如何解释意外结果，等等，这些都无法完全编码为数据，也就无法被AI习得。AI擅长在既定范式下高效解谜，却难以引发范式革命。

　　更值得警惕的是，AI可能产生“平极化”效应。由于模型基于主流数据和平均化目标优化，它倾向于给出最常见、最符合既有范式的答案。过度依赖AI，不仅会削弱科学家动手实验、阅读原始文献和深度思考的意愿，还可能使整个科学共同体趋向均值化、安全化、平庸化。那些看似边缘的、暂时不被理解的思想，很可能被算法过滤。长此以往，人的脑子会转不动，科研将失去颠覆性。此时的AI，再强大也只是让“从论文中来到论文中去”的循环更高效，而无法带来真正的科学进步。

　　我呼吁：保护“不合时宜”的头脑风暴，这才是AI时代原始创新的根本。

　　　（作者：陈谋，系南京航空航天大学自动化学院院长、教授）