AI for Science：你的自信，正在让你失去优势。

前几天，在江南山里一家只有十几间房的酒店喝茶。

雨刚停，竹林很静。

一位做科研的朋友把电脑推过来，上面同时开着三个顶级模型。

他说：

“我现在几乎不自己想问题了。”

我看了他一眼。

他说：

“自己想，太贵。”

这句话，可能比过去两年绝大多数关于 AI for Science 的报告都重要。

因为很多科研工作者至今没有意识到：

AI for Science这个词，已经把答案写在名字里了。

重点逐渐从 Science 转向 AI。

牛顿当然自己想。

爱因斯坦当然自己想。

因为牛顿没有Claude，爱因斯坦也没有 GPT。

他们唯一可以调用的大规模推理系统，就是自己的大脑。

所以那个时代，一个科学家的上限，很大程度由自己的认知上限决定。

2026 年，这个约束正在消失。

Stanford AI Index 的数据很有意思。

达到大致 GPT-3.5 水平的模型推理成本，从 2022 年 11 月每百万 token 约 20 美元，下降到 2024 年 10 月约 0.07 美元。

十八个月，下降超过280倍。

与此同时，仅一年时间，AI 在 GPQA 这类研究生水平科学推理基准上的成绩提高了约48.9个百分点。

一边是智能越来越贵重。

另一边是调用智能越来越便宜。

这在经济学里意味着什么？

意味着一种过去极其稀缺的生产要素，正在迅速商品化。

思考本身，开始出现“算力资本化”。

很多人对此最大的误判，来自自信。

他们会说：

“我还是喜欢自己想。”

当然可以。

有人也喜欢自己磨咖啡豆，自己缝西装，自己开帆船。

这是生活方式。

但如果把科研看作职业竞争，问题完全不同。

职业科研同时存在论文、职位、基金、引用、人才计划、产业机会和有限注意力。

Lazear 与 Rosen 很早就建立过著名的rank-order tournament理论：现实中的许多职业回报，并不完全依据绝对产出，而高度取决于相对排名。

Science 本身可以创造增量。

Science这个职业，却包含大量锦标赛。

你无需成为牛顿。

你甚至无需成为所在时代最聪明的人。

你需要解决一个现实得多的问题：

同样一天二十四小时，你能否比同一赛道的大多数人更早找到正确问题、更快排除错误路线、更快形成可验证结果。

这已经足够产生巨大的职业差异。

因此，AI 最值得注意的作用，从来不只是“帮你写得快一点”。

真正重要的是：

它正在压缩人与人之间获得高级认知能力的成本差。

NBER 对 5,179 名知识劳动者的研究发现，引入生成式 AI 后，平均生产率提高约14%；经验较少、原先表现较低的人群，提升达到约 34%。

软件实验里，同样的现象更加直观：使用 GitHub Copilot 的开发者完成指定任务快约 55.8%。

这些实验当然不能直接等同于科学研究。

它们揭示的经济机制却值得注意：

机器正在把一部分顶级经验、搜索能力和解决问题模式，以极低的边际成本复制给更多人。

科研一旦进入这个阶段，最大的风险已经不再是 AI 太聪明。

最大的机会成本，是你坚持亲自完成所有认知步骤。

生物学已经给过一次预演。

AlphaFold 数据库目前提供超过2亿个蛋白质结构预测，Google DeepMind 披露其使用者已经超过300万名研究人员，覆盖190多个国家和地区。

仔细想这件事。

过去，一位结构生物学家可能需要长期训练、昂贵仪器、大量实验经验，才能获得某些结构信息。

后来，一个研究者打开数据库。

几分钟。

信息在那里。

这一刻最重要的事情，并非“AI 有没有科学家的灵魂”。

这个问题的经济价值接近于零。

真正值得问的是：

当你的竞争者已经拥有这个信息，你为什么还坚持用旧成本获得它？

这就是 AI for Science 最冷峻的一层。

很多人仍然把“独立思考”当成一种资产。

在越来越多可标准化、可搜索、可计算、可验证的问题上，它同时也是一种成本。

METR 对前沿 AI Agent 的长期测量显示，模型能够独立完成的任务时长尺度，过去数年的历史趋势大约每7个月翻倍一次；2026 年更新后的测量仍与这一数量级相容。

七个月。

这意味着你今天非常骄傲的一项个人能力，可能只拥有很短的稀缺性窗口。

于是最危险的一句话出现了：

“这个问题我还是想自己试试。”

很好。

半年以后，你的同行可能已经让机器试了一万种。

真正聪明的策略开始反过来。

过去的科研流程是：

我先想。

想不出来，再找工具。

新的高杠杆流程应该是：

先让最强的机器想。

让它检索。

让它建立假设空间。

让它攻击自己的结论。

让它寻找反例。

让它重新推导。

让它调用代码。

让它比较十条路线。

让它把你一个下午能探索的认知空间，扩大几个数量级。

然后人再出现。

你只需要保留最昂贵的四种权力：

提出什么问题。

接受什么约束。

相信什么证据。

最终把筹码押在哪里。

独立思考因此没有消失。

它从流水线上的普通工序，升级成了董事会的最终表决权。

很多科学家最大的心理障碍，是觉得这样“不像做科学”。

这恰好类似十九世纪的人觉得摄影不像绘画，二十世纪的人觉得计算机不像数学，早期理论化学家觉得数值计算缺乏优雅。

历史通常不会花时间安慰一种旧的工作姿势。

生产函数改变以后，评价体系迟早跟着移动。

你可以坚持徒手。

竞争者会选择杠杆。

然后市场只记录结果。

所以我越来越觉得：

“你的自信限制了你的发展”仍然说轻了。

真正限制你的，是你对自己大脑的估值。

一个人用了二十年训练自己的思维，很容易产生一种沉没成本式的尊严：

我的直觉很珍贵。

我的判断很重要。

我要亲自推导。

我要自己想出来。

很遗憾。

市场不会因为一项资产陪伴你二十年，就继续按照二十年前的价格给它估值。

当外部智能的价格下降 280 倍，能力边界仍在快速扩张时，一个理性的科研工作者首先应该重新计算：

究竟哪些事情，还值得由我亲自思考？

这才是 AI 时代真正高级的问题。

因此，如果你的目标是成为下一个爱因斯坦，请继续独立思考。

历史需要这样的少数人。

如果你的目标更朴素：

论文更快。

项目更强。

公司更早。

职业位置更高。

在同一代人的锦标赛里领先半步。

那么最理性的个人策略，可能恰好让人有些不适：

放弃把“自我独立思考”当作默认工作方式。

默认让这个时代最强的 AI 先思考。

自己负责提问、选择、验证和下注。

知识生产是正和游戏。

职位、注意力、时间窗口和很多现实资源，却具有强烈的相对竞争属性。

在这样的锦标赛里，你不需要证明自己比 AI 聪明。

甚至不需要证明自己比昨天的自己聪明。

你只需要确保：

当别人还在证明自己会思考时，你已经拿着全世界最便宜、最强大的外部大脑，走到了下一题。

牛顿需要站在巨人的肩膀上。

今天的人更方便。

巨人开始按token收费。

而且，

越来越便宜。

本文不含AI生成内容

欢迎留言分享你的看法