科学研究变天了！斯坦福华人物理学家眼中的AI

纵观地球漫长的岁月，信息传递方式的更迭，决定了生命与文明演化的速度。

AI革命最深远的意义在于，人类那些难以言传的经验和手艺，首次获得了被大规模复制、携带和共享的能力。

斯坦福大学理论物理研究所祁晓亮教授以物理学家的视角，清晰勾勒了AI从单纯的科研工具，一步步成长为真正科学合作者的演进路线，并预言了科学出版与评价体系即将迎来的彻底重塑。

祁晓亮1999年以辽宁省理科状元身份考入清华大学基础科学班，2003年本科毕业后师从翁征宇攻读博士学位，2006年底赴斯坦福大学跟随张首晟从事博士后研究。

2009年任斯坦福大学物理系助理教授，成为该校历史上最年轻的助理教授之一，2014年升任副教授并获终身教职。

早期研究凝聚态理论，是拓扑绝缘体理论和拓扑超导理论的开创者之一，在量子反常霍尔效应等领域的理论研究中做出贡献。 目前研究兴趣包括量子信息、量子多体与量子引力及量子混沌的相互关系，涉及量子纠缠表征时空几何及全息对偶性（AdS/CFT）研究。

2016年获科学突破奖下设物理学新视野奖，并曾获斯隆研究奖。

祁晓亮教授用一篇论文总结了自2023年以来对AI革命的思考。

信息演化的第三次跃迁

当我们用信息的眼光审视复杂系统时，最核心的命题在于关键信息是如何被控制、承载和处理的。

地球历史上，主导复杂信息的载体与处理器经历过几次根本性的转换，每一次都彻底改变了适应、学习和群体演化的结构。

生命起源开启了第一次大跃迁。

借助脱氧核糖核酸和核糖核酸这些信息载体，生命系统的特征与行为得以在世代间存储、复制和修改。有用的信息不再随个体死亡而消亡，生物进化成为可能。信息的复制与处理，深深刻印在生命本身之中。

人类语言的诞生促成了第二次跃迁。

语言打破了生物遗传的漫长等待，让经验、记忆和知识在个体之间直接传递。人类社会依靠交流、教育和书写，迅速积累思想与技术。文明的驱动力从基于基因的进化，全面转向基于语言的文化演进。

眼下的这场AI革命，正是地球信息动态史上的第三次大跃迁。

大语言模型能够在一个统一的框架内，表征和处理文本、图像、音频、视频以及结构化数据。

最高阶的信息处理不再是大脑的专属特权。过往的信息技术革命极大改善了数据的存储与检索，但最深层的解释、综合与判断依然依赖人类的认知。机器只能执行明确定义的程序，无法参与复杂且开放的信息处理。

现在，机器跨越了复杂性的关键门槛。这种变革催生了一种全新的生产力。

教科书和论文可以传递明确的知识，但人类真实能力的很大一部分存在于“隐性知识”中。那些由经验积累的直觉、解决问题的习惯、对上下文的默契理解以及应对现实细微变化的能力，过去只能通过手把手教导和漫长的学徒期来传承。论文会展示最终的漂亮结果，却把无数次失败的尝试、中间的取舍和实用的小窍门统统隐藏了起来。

通过学习海量人类语言记录并直接参与实际任务，AI开始吸收并重现那些曾经只存在于人类实践中的推理、解释和问题拆解模式。

它掌握了如何着手处理问题、如何提出下一个疑问、如何组织工作流。那些曾经局限于个体、脆弱且极难转移的实践经验，如今被编码进系统，在不同个体与机构间自由流动与重组。

突破科研的隐性壁垒

明确的知识极易共享，隐性经验的转移却困难重重。这种割裂在当前的科学研究中尤为明显，给前沿探索带来了普遍的痛点。

研究人员要理解行业进展、学习他人的工作，必须耗费极其庞大的时间成本。

同时，海量的中间经验和废弃数据未曾体现在发表的论文中，导致无数后来者只能在黑暗中从头摸索。

再加上人类沟通带宽的物理限制，大规模、跨学科的合作举步维艰。科学家们还要把大量时间消耗在写论文、同行评审、申请项目资金等非创造性的繁杂事务上。

让系统深入科研流程，正是化解这些痛点的有效路径。

在生物、数学、化学、理论物理和机器学习等领域，代理（Agent）辅助研究的探索已经全面展开。这绝非简单的工具升级，系统在研究中获得了越来越高的自主性和存在感，科研活动的结构本身正在经历一场“代理化”重塑。

第一步是让系统获取真正的研究工具。在理论计算中，这意味着接入仿真软件包、编程环境和数据库。在实验领域，这意味着控制仪器软件、收集数据并调整参数。没有这些切实的物理抓手，系统只能停留在聊天框里纸上谈兵。

深入真实工作流后，它能接触到常规训练语料中绝对没有的宝贵数据，比如失败的测试、仪器的古怪脾气以及基于具体语境的临场调整。

拥有工具后，接下来的重点是接管常规与重复性工作。这犹如培养一名入门学生。系统可以梳理文献、执行标准数据清洗、进行参数扫描并生成日常报告。人类研究员的精力得以彻底解放，转而投入到判断、解释和极具创造力的思考中。

当系统跨过一个关键阈值，它就正式从工具蜕变为合作者。

这个阈值的衡量标准十分直观：系统在具体科研项目中的贡献，是否已经与一名人类研究生的贡献相当。一旦达到这个水平，系统就开始实质性地影响科学发现的方向与内容。它能够给出富有洞见的假设，将看似无关的线索巧妙连接。

这种级别的参与，极大降低了跨学科协作的壁垒。生物学家、物理学家和程序员掌握着各自领域的碎片，系统充当起活跃的接口，翻译跨界概念，对接异构数据集。就像早期的万维网重塑了信息交流一样，代理化将促成全新的科学协作平台与模式。

科学出版的彻底重塑

科学研究的代理化自然会延伸到出版环节。

今天的学术成果被压缩在死板的静态论文里，这种高度标准化的格式适合存档显性知识，却根本无法承载科学探索全过程的深度与隐性细节。

未来，我们发布的不再仅仅是一篇文档，而是直接发布代理本身。科学成果将由一个能够互动的研究代理来呈现。

这个代理能耐心向读者解释工作背景、推理过程和每一个中间决策。读者不用再痛苦地啃枯燥的方法论章节，可以直接询问代理当时为什么选择某一种近似算法、考虑过哪些替代方案、如果修改某个初始假设结论会发生怎样的偏移。

代理还能精准识别受众。面对初学者，它给出简洁的概念引导，面对同行专家，它探讨深度的技术细节，面对想要复现结果的开发者，它直接提供面向代码实现的执行指南。出版物变成了一个极其鲜活的接口。

更有趣的远景是代理与代理之间的直接协作。

如果两项不同研究的作者认为彼此的成果存在交叉点，他们可以授权代表各自研究的代理进行深度交流。代理们碰撞思想、比对前提假设，迅速生成极具潜力的后续研究方向，再交由人类研究员去评估与推进。

出版方式的颠覆必然撼动沿用百年的学术评价体系。

当前的同行评审重度依赖学者的无偿劳动，期刊双向收取高昂费用，而诸如维护开源科学软件库、构建高质量数据集等极具价值的贡献，往往因为不符合论文格式而遭到严重低估。

更低成本、更高效且高度开放的交互式出版平台，将创造出更加公平合理的价值认可机制。

走向真实的科学发现

从引人注目的技术展示走向真正的科学范式转移，依然有几道核心难关需要跨越。

最直接的挑战是缺乏前沿数据。现有的模型擅长解答教科书级别的标准化难题，一头扎进真实且细分的垂直研究领域就会显得水土不服。真实研究场景的细枝末节根本没有覆盖在公开的训练库中，必须由顶尖专家引导系统接触最前沿的真实数据。

科学研究中每天都在诞生新概念和新工具。传统的缓慢训练周期根本无法跟上这种节奏。系统需要具备实时在线学习的能力。引入类似模型上下文协议（Model Context Protocol）这样的技术框架，将系统与不断更新的知识和工具库实时连接，正在努力填补这一空白。

评估框架的滞后同样不容忽视。现有的基准测试大多针对广泛的主流领域，以一问一答的客观题为主。

这种方式无法衡量一个合作者在长周期的科学项目中表现如何。未来的评估需要像考核博士生那样，不仅看孤立任务的正确率，更要看它在真实项目中的长期稳定性、从反馈中学习的悟性以及在复杂语境下的判断力。

系统参与原创科学发现最根本的前提，是思想的多样性。

人类科学界的突破，不仅依赖深厚的专业知识，更依赖不同研究者迥异的直觉、品味和关注点。面对同一个物理异常现象，成千上万的研究者会有完全不同的切入点。正是这种视角的多样性，维持着科学共同体的创新活力。

当前的系统恰恰缺乏这种多样性。即使可以被提示展现出不同的性格，它们对同一复杂问题的底层见解往往高度同质化。

如果没有持续且多样化的在线学习机制，系统只会不断重复训练数据中早已存在的主流模式。

实现在线学习并保留思想的多样性，是让AI成为原创科学发现真正同盟军的核心关键。

这场文明级别的进程，终将重塑人类创造新知的基本方式。

参考资料：

https://arxiv.org/pdf/2604.14718v1