每周末我都会在醒来时整理自己这周的一些念想当一般性的知识、答案和方案变得触手可及时真正稀缺的就不再只是“知道什么”而是判断什么值得相信、什么值得投入以及自己究竟应该走向哪里。最近反复思考的则包括论文写作、博士培养以及AI时代教师角色的变化。一、科研不是把事情做多而是把问题想清楚科研工作的第一步是将研究问题凝练清楚。每篇论文都应当具有独立而完整的立意能够明确回答三个问题究竟要解决什么问题现有方法为什么没有解决好自己的核心改进是什么。研究不应一味追求面面俱到而应围绕最关键的矛盾展开。相比罗列大量模块更重要的是识别出真正具有必要性和独特性的两三个核心设计。至于常规流程、基础实现和通用组件则可以适当简化。最近审阅了不少论文也在不断修改学生和团队的论文。我越来越明显地感到随着AI逐渐渗透到科研的各个环节许多研究方案看起来内容丰富包含多个模块和完整流程但真正追问下去却很难说明哪些部分构成了实质性的研究贡献哪些只是为了让系统运行而进行的必要实现。模块数量并不等于创新数量系统复杂也不代表研究问题深刻。创新不能停留在“提出了一个框架、模块或机制”这一层面。提出一个东西本身并不构成创新关键在于它与已有工作相比究竟新在哪里针对什么具体问题又为什么能够发挥作用。方法设计、创新表述和实验验证之间应当形成清晰的对应关系每一个核心设计都需要有相应的实验、指标或分析来证明其价值。因此科研方案需要不断做减法。那些缺少明确问题指向、没有实质性差异或者无法通过实验有效验证的内容即使能够让系统看起来更加完整也未必适合作为论文的主要贡献。论文写作同样需要详略得当。初步方案以及生成式工具产生的内容往往容易呈现出“浅而宽”的特点结构似乎完整内容也面面俱到但真正的重点并不突出。科研需要“深而精”论文表达则需要在完整性与聚焦性之间取得平衡。关键问题、核心方法和重要发现应当充分展开次要内容则可以简要交代。论文不是对研究过程的流水账式记录而是围绕一个中心问题组织起来的故事。所有方法、实验和结论都应当共同服务于这一条主线。从更深一层来看这些要求最终都指向科研训练中最重要的一项能力判断什么问题值得研究判断现有方法的不足在哪里判断自己的设计是否真正构成创新也判断实验能否支持所提出的结论。二、博士训练的核心是建立独立判断所谓“博士”既要“专”也要“博”。博士训练要求一个人在具体问题上持续深入但也要求他具有较为广阔的学术视野能够理解不同的问题、方法和研究范式。其中最重要的是始终保持好奇心、开放性和接纳能力。面对自己不了解的方向不应因为陌生而轻易排斥也不应简单地以“道不同不相为谋”来回避而应愿意先去理解、学习再作出判断。广泛阅读的意义并不只是积累更多知识更不是单纯追求阅读数量而是建立一个稳定的认知坐标。当我们见过更多问题、方法、成功经验与失败路径之后才更容易判断什么是常规做法什么是真正的创新什么问题值得长期投入。广度帮助我们建立参照系深度帮助我们形成真正的贡献。见过的道路越多最终选择自己的道路时通常也会更加稳健。但现实中一些研究者越来越少系统阅读论文。一方面是因为阅读速度慢、理解成本高另一方面也是因为AI显著降低了信息获取和内容生成的门槛。AI可以快速总结论文、梳理思路、生成代码甚至给出一套看起来相当完整的研究方案。于是人们很容易产生一种错觉过去需要通过长期阅读和训练获得的能力现在似乎可以直接由AI补足。但学习的价值从来不只是得到一个结果。当我们亲自阅读一篇论文、推导一个方法、调试一段代码或者反复修改一套研究方案时一方面是在解决眼前的问题、获得新的知识另一方面也是在训练自己的注意力、理解力、推理能力和问题解决能力。前者是任务的完成后者则是能力的形成。AI出现以后越来越多原本需要由人完成的认知过程被部分外包给了工具。事情确实做得更快了但如果我们只是接受结果而没有参与理解、比较、质疑和修正的过程那么原本蕴含在任务中的认知训练也会随之减少。这或许可以解释一种越来越普遍的感受我们完成工作的速度变快了产生的内容变多了却未必同样明显地感受到自身能力的增长。这并不是说使用AI必然会削弱能力而是说AI节省下来的究竟是低价值的重复劳动还是本应由自己完成的关键思考结果完全不同。真正需要警惕的不是AI替我们打字、检索和整理而是它逐渐替我们完成问题定义、逻辑推演和价值判断而我们却没有意识到这些能力正在缺少锻炼。因此这里需要区分“提升效率”和“替代判断”。真正能够借助AI大幅提升效率的人通常并不是不知道自己要做什么而是已经比较清楚目标、路径和评价标准只是原有生产力限制了执行速度。AI可以帮助他们更快地完成解决问题的执行过程却没有替代他们对问题本身的理解。相反当一个人不知道要做什么不知道为什么要做也不知道如何判断结果是否合理时指望AI直接把事情做好往往并不现实。汽车确实比步行更快但只有当驾驶者知道目的地、理解道路规则并具备基本驾驶能力时汽车才能真正提升效率。对于一个不会驾驶、也不知道目的地的人而言更快的工具未必带来更大的增益反而可能使他更快地驶向错误的方向。AI也是如此。它能够帮助初学者降低理解门槛提供可能的路径和初步方案但它无法替代研究者建立真正的方向感也不能替代人对研究价值、技术合理性和结果可信度作出最终判断。AI可以提供地图却不能替我们决定去哪里可以给出很多答案却不能替我们建立判断答案的标准。这并不是因为AI的能力不足而是因为一旦连方向和判断标准也交给AI我们就可能在越来越多的答案中逐渐迷失自己。因此博士训练不能因为有了AI就降低对阅读、思考和独立判断的要求。恰恰相反当获取信息和生成方案变得越来越容易时辨别信息、比较方案和判断价值的能力只会变得更加重要。三、教师不是百科全书而是可信的路标这也使我不断思考在AI时代教师究竟应当扮演怎样的角色如果只是传授某一个具体知识点AI在信息检索、标准化讲解、反复答疑以及针对不同基础进行解释等方面已经表现出很强的能力。教师自己也越来越多地借助AI备课、整理材料和辅助教学。因此教师的核心价值不应只是比学生知道得更多也不只是把知识讲得更加精彩。今天的学生并不缺少信息也不缺少方案。一个问题可以得到许多模型的回答同一个模型也可以一次生成许多不同的选择。真正稀缺的反而是判断哪些信息值得相信、哪些方案适合自己、哪些道路值得继续走的能力。信息越丰富人反而越容易失去方向。我愿意将这种状态称为“数字迷路”我们拥有越来越多的地图、路线和导航建议却不知道自己身在何处也不知道真正想去哪里。面对大量看似合理、甚至彼此矛盾的答案学生真正需要的往往不是再增加一个答案而是有人帮助他建立判断答案的标准。在这种情况下教师更像是路标而不是百科全书。教师之所以能够成为路标并不是因为教师永远正确也不是因为教师天然比AI更加聪明而是因为教师曾经亲身走过一段相似的道路经历过选择、失败、调整和积累。同时教师能够基于对学生的持续观察以及真实的责任关系提供更具有情境针对性的判断。换一种表述教师其实是“亲身经历过的先行者”。当然先行者并不意味着永远掌握唯一正确的道路。一个真正值得信赖的教师也需要持续更新自己的认知愿意承认经验的边界并在新的事实出现时修正判断。教师的可信度不应仅仅来自身份而应来自真实经验、持续学习、对学生具体情况的理解以及对建议负责的态度。传统意义上的“传道、授业、解惑”在AI时代依然成立只是其内涵正在发生变化。过去教师的重要作用之一是传递相对稀缺的知识今天知识本身越来越容易获取借用一组如今常被AI使用的表达真正稀缺的是可信的方向、可靠的标准和可解释的反馈。因此今天的传道授业解惑更强调帮助学生理解为什么选择这条路如何判断自己是否走对以及出现偏差时应当怎样调整。教师不仅要告诉学生某个方案“行”或者“不行”还需要逐渐解释判断背后的依据将原本隐性的科研经验转化为学生能够理解、学习和迁移的标准。因此教师更重要的职责是提供方向、激发火花、建立标准并在关键节点给予及时而可信的纠正反馈。至于知识的收集、工具的使用和日常研究的推进则越来越依赖学生自身的内在动力。教师无法长期代替学生运转一个研究项目也无法依靠更加用力地讲授知识来弥补学生主动性的缺失。真正有效的培养不是教师替学生完成更多工作而是帮助学生逐渐形成独立完成工作的能力。教师的判断可以成为学生早期所依靠的外部参照但培养的最终目标是让这种外部判断逐渐转化为学生自己的内部能力。从这个意义上说AI时代的教师不应与AI竞争谁知道得更多、谁回答得更快、谁讲得更精彩而应将更多精力放在AI难以替代的事情上帮助学生发现真正重要的问题建立判断问题的标准在关键节点提供方向与纠偏并通过自身的经验、持续学习和责任感成为学生在复杂信息环境中可以信赖的参照。教师最终要做的不是带着学生走完所有的路也不是要求学生永远按照自己走过的道路前行而是帮助他们形成辨认道路、选择方向和持续前行的能力。AI提升的是生产力博士训练塑造的是判断力而教师的责任是帮助学生将外部的方向与标准逐渐内化为独立判断和自我纠偏的能力。当学生有一天不再需要依赖教师给出的具体答案却仍然能够提出有价值的问题、作出可靠的判断并为自己的选择负责时教育才真正完成了它的使命。z