如图，这个天数眼看着从四百多天掉到三百七十，昨天三百三十，稳步下降。 虽然每天也没有一直泡在论坛，但是每天也有打开几十个帖子看，这个天数为啥不增加呢？ 至于其他的浏览帖子啥的增加都很正常，就是浏览话题这个每天都不增加一直往下降。 有没有别人遇到过这个问题？正确观看帖子的姿势是什么？ 5 个帖子 - 5 位参与者 阅读完整话题
公司大概每个月可以报销两三百元用来购买ai提效工具，但是需要发票报销，订哪个plan比较好呢？ 自己本人目前在用的有antigravity、codex，国产的deepseek偶尔用用，kimi也有用过。 8 个帖子 - 7 位参与者 阅读完整话题
（话题已被作者删除） 1 个帖子 - 1 位参与者 阅读完整话题
给自己的一个 AI 项目开了个 Ultracode 模式下的代码审查，没想到一次开了三百多个代理，一个小时打满了 Max 20x 的 5h 限额 真的疯了，真的疯了，AGI 真的快到了（） 图片上的是不完全体，其实 Agent 派发完成后是三百多个子代理，等一会我再传图片吧 由于发现数会很多，核验代理总数预计 200+，全部并行流水线推进。 独立深度审查项目：30 维度并行查找缺陷 + 逐项对抗式核验（只读，禁参考历次 ult… 21/211 agents done · 27m 23s · ↓ 5.2m tokens 这里的 tokens 都是直接按百万去算了，一个小时打满了 20x 的五小时限额，真的疯了 没开超额使用，没开快速模式。用的是朋友的 20x 账号，用量到 5h 80% 之后我就暂停了，等下午刷新之后我再继续跑，看看能找出来多少 Bug 10 个帖子 - 7 位参与者 阅读完整话题
之前用的西部数据，上次整治，导致截止目前都不稳定，有无干净稳定的节点推荐捏，一年三百以内能买到这种节点吗？我是不是要求有点高… 1 个帖子 - 1 位参与者 阅读完整话题
三百多一个月的无限codex回不去了，呜呼哀哉 ，最近有在考虑开pro20或者max20了。。 8 个帖子 - 5 位参与者 阅读完整话题
昨天晚八点，预约狗东的月黑风高抢购鼠标 罗技的MX4，原价九百多，抢购价三百多，关键限量：2 准点抢购，果然不负所望，卡在付款环节，显示的是优惠价格390，一支付显示原价，再回来就售磬 有成功抢到的嘛？ 2 个帖子 - 2 位参与者 阅读完整话题
感觉三百多的价格也不便宜了 本来想买官网的magsafe 但是听说好像充的很慢还会发烫 5 个帖子 - 2 位参与者 阅读完整话题
kiro free 我反代了大概有三百个号玩龙虾以及cc那个机器人，从来没封过（差不多有两个月了） kiro pro 0刀白嫖问世后，开始反代pro,结果所有pro清一色用到50-70额度的时候就g了，到现在没找到原因，（在idea超到3000都没事） 初步判断是项目问题，用的aiclient2api,偶尔会400，发现400几次后号好像就没了 听佬友们说了另一个项目kiro.rs,今晚去试下，有没有专业的，指教下，我有新的测试结果也会分享 3 个帖子 - 3 位参与者 阅读完整话题
客户需要一个支持本地部署开源大模型的解决方案，预算两三百个吧，我也没做过这么大规模的，找AI生成感觉也就是看着行，不知道有没有佬了解这块的。需求是至少得跑 Qwen/Qwen3.5-397B-A17B-FP8 或同等级别的模型，并发和吞吐量还不能 特别 难看。 9 个帖子 - 4 位参与者 阅读完整话题
最近开源了一个自己做的项目：流明工单 https://github.com/05ng/luminatick 这是一个面向个人开发者和小团队的开源人工智能工单系统。我的想法很简单：现在很多客服和工单系统要么价格不低，要么部署很重，要么数据完全托管在别人那里；但对于独立开发者、小团队、开源项目维护者来说，其实更需要的是一个能低成本运行、快速部署、数据可控、还能接入人工智能能力的轻量系统。 所以我做这个项目时，核心理念就是：尽量白嫖，开箱即用，部署简单，隐私优先。 它主要用 Typescript 开发，围绕边缘计算平台的免费套餐来设计，尽量让整个系统在没有固定服务器费用的情况下也能正常运行。工单、知识库、附件、向量检索、实时在线状态、网页客服组件、邮件接入、人工智能回复等功能，都尽量用免费或低成本的方式组合起来。 我比较看重的几个点： 第一，零成本开箱即用。 系统从设计上就尽量贴合免费套餐，不希望用户一上来就要买服务器、配数据库、接一堆付费服务。通过更节省的存储方式和接口设计，个人项目、小团队、开源项目都可以先跑起来，而不是先考虑账单。 第二，实时协作。 客服在线状态、工单更新、消息同步这些东西，如果做得不顺，会很影响使用体验。所以项目里专门做了低延迟的实时通信能力，希望它不是一个“能用但很钝”的后台系统，而是一个真正适合处理用户反馈的工单工具。 第三，部署摩擦低。 我希望使用者只需要准备一个 Cloudflare 账号，通过命令行工具执行几条命令，就能把数据库、对象存储、向量检索、人工智能能力和边缘函数都拉起来。测试成本为零，正式使用成本，原则上只需要买一个域名就可以了。 第四，隐私优先。 系统从一开始就尽量减少对客户个人信息的收集，也内置了一些自动清理机制，比如定期删除长期不活跃用户、清理过期工单数据等。对我来说，一个工单系统不应该默认变成个人信息垃圾场。 目前项目，已经开源。欢迎大家试用、提建议、提交问题反馈、贡献代码，或者顺手点个星支持一下。 如果你对人工智能工单系统、低成本自部署、边缘计算、检索增强生成、开源客服系统这些方向感兴趣，也欢迎交流。
最近开源了一个自己做的项目：流明工单 https://github.com/05ng/luminatick 这是一个面向个人开发者和小团队的开源人工智能工单系统。我的想法很简单：现在很多客服和工单系统要么价格不低，要么部署很重，要么数据完全托管在别人那里；但对于独立开发者、小团队、开源项目维护者来说，其实更需要的是一个能低成本运行、快速部署、数据可控、还能接入人工智能能力的轻量系统。 所以我做这个项目时，核心理念就是：尽量白嫖，开箱即用，部署简单，隐私优先。 它主要用 Typescript 开发，围绕边缘计算平台的免费套餐来设计，尽量让整个系统在没有固定服务器费用的情况下也能正常运行。工单、知识库、附件、向量检索、实时在线状态、网页客服组件、邮件接入、人工智能回复等功能，都尽量用免费或低成本的方式组合起来。 我比较看重的几个点： 第一，零成本开箱即用。 系统从设计上就尽量贴合免费套餐，不希望用户一上来就要买服务器、配数据库、接一堆付费服务。通过更节省的存储方式和接口设计，个人项目、小团队、开源项目都可以先跑起来，而不是先考虑账单。 第二，实时协作。 客服在线状态、工单更新、消息同步这些东西，如果做得不顺，会很影响使用体验。所以项目里专门做了低延迟的实时通信能力，希望它不是一个“能用但很钝”的后台系统，而是一个真正适合处理用户反馈的工单工具。 第三，部署摩擦低。 我希望使用者只需要准备一个 Cloudflare 账号，通过命令行工具执行几条命令，就能把数据库、对象存储、向量检索、人工智能能力和边缘函数都拉起来。测试成本为零，正式使用成本，原则上只需要买一个域名就可以了。 第四，隐私优先。 系统从一开始就尽量减少对客户个人信息的收集，也内置了一些自动清理机制，比如定期删除长期不活跃用户、清理过期工单数据等。对我来说，一个工单系统不应该默认变成个人信息垃圾场。 目前项目，已经开源。欢迎大家试用、提建议、提交问题反馈、贡献代码，或者顺手点个星支持一下。 如果你对人工智能工单系统、低成本自部署、边缘计算、检索增强生成、开源客服系统这些方向感兴趣，也欢迎交流。
最近开源了一个自己做的项目：流明工单 https://github.com/05ng/luminatick 这是一个面向个人开发者和小团队的开源人工智能工单系统。我的想法很简单：现在很多客服和工单系统要么价格不低，要么部署很重，要么数据完全托管在别人那里；但对于独立开发者、小团队、开源项目维护者来说，其实更需要的是一个能低成本运行、快速部署、数据可控、还能接入人工智能能力的轻量系统。 所以我做这个项目时，核心理念就是：尽量白嫖，开箱即用，部署简单，隐私优先。 它主要用 Typescript 开发，围绕边缘计算平台的免费套餐来设计，尽量让整个系统在没有固定服务器费用的情况下也能正常运行。工单、知识库、附件、向量检索、实时在线状态、网页客服组件、邮件接入、人工智能回复等功能，都尽量用免费或低成本的方式组合起来。 我比较看重的几个点： 第一，零成本开箱即用。 系统从设计上就尽量贴合免费套餐，不希望用户一上来就要买服务器、配数据库、接一堆付费服务。通过更节省的存储方式和接口设计，个人项目、小团队、开源项目都可以先跑起来，而不是先考虑账单。 第二，实时协作。 客服在线状态、工单更新、消息同步这些东西，如果做得不顺，会很影响使用体验。所以项目里专门做了低延迟的实时通信能力，希望它不是一个“能用但很钝”的后台系统，而是一个真正适合处理用户反馈的工单工具。 第三，部署摩擦低。 我希望使用者只需要准备一个 Cloudflare 账号，通过命令行工具执行几条命令，就能把数据库、对象存储、向量检索、人工智能能力和边缘函数都拉起来。测试成本为零，正式使用成本，原则上只需要买一个域名就可以了。 第四，隐私优先。 系统从一开始就尽量减少对客户个人信息的收集，也内置了一些自动清理机制，比如定期删除长期不活跃用户、清理过期工单数据等。对我来说，一个工单系统不应该默认变成个人信息垃圾场。 目前项目，已经开源。欢迎大家试用、提建议、提交问题反馈、贡献代码，或者顺手点个星支持一下。 如果你对人工智能工单系统、低成本自部署、边缘计算、检索增强生成、开源客服系统这些方向感兴趣，也欢迎交流。
一个让人不安的问题 三百多年前，数学家欧拉说：「最美丽的享受是那些隐藏在数字与几何背后的真理，只有受过专业训练的人才能看见。」 一百多年前，普朗克说：「科学本身是少数人的事，物理学家是那些极少数有天赋、又能经受严格训练的人。」 这些话支撑了一个多世纪的科学叙事： 科研是高精尖的，是少数精英的，是需要十几年积累才能踏入的门槛。 但现在，一个让人不安的问题出现了： 当 AI 在某个领域的知识储备和推理能力已经远超所有人类专家，做科研还需要那么专业吗？ 专业能力的本质是什么？ 我们先拆解一下「专业能力」到底指的是什么。 狭义地说，专业能力是： 在一个封闭的知识体系内，按照既定规则，运用已有的知识储备解决问题的能力。 医学专家能够诊断疾病，是因为他学习了数十年的生理学、病理学、药理学，能够在症状和病因之间建立映射。 化学专家能够设计实验，是因为他理解化学反应的本质，知道分子结构如何影响性质，能够预测反应路径。 计算机科学家能够编写算法，是因为他掌握了计算理论、数据结构、复杂度分析，能够为问题找到最优解。 但注意，这些能力有一个共同特征： 它们本质上是在一个已知空间内做搜索和匹配 。 医学专家的脑中可能有几十万种疾病案例，他做诊断的过程，是在症状和案例库之间做匹配。 化学专家设计合成路线，是在分子结构和反应规则之间做映射。 AI 的强大之处恰恰在于： 这个「搜索和匹配」，AI 可以做得比任何人都更快、更全面、更不会出错。 发现问题比解决问题更稀缺 物理学家费曼有一句名言：「你可以用任何语言描述自然，但最终你需要在数学里找到真相。」 这句话的潜台词是： 科学的核心能力是找到正确的问题，而不是解答问题。 一个数学家需要专业训练，因为他要能辨认哪些定理是新的，哪些是已知的，哪些问题值得花时间。 一个生物学家需要专业训练，因为他要能判断哪些实验设计是合理的，哪些假说是可验证的。 但现在，AI 在「辨认」这件事上已经不比人差了，甚至更强。 AlphaFold 预测了 2 亿种蛋白质结构，生物学家不需要再花几年时间去解析晶体结构，他们只需要问：「这个蛋白质的功能是什么？」 GPT-4 已经能通过律师资格考试、医师资格考试，它不需要「懂法律」或「懂医学」，它只需要能够理解和推理。 那么，问题来了： 如果 AI 什么都会，我们人类在科研中的独特价值是什么？ 想象力的胜利 答案是： 发现问题，提出问题，构建问题。 这不是一个乐观的愿景，而是一个正在发生的现实。 2016 年，DeepMind 的团队让 AI 自己发现了「记忆」在强化学习中的作用，在此之前，没有一篇论文专门研究这个问题。 2023 年，AI 自动生成的数学定理证明，有些被数学家评价为「比人类数学家更优雅」。 2024 年，AI 辅助的药物研发发现了多个全新候选化合物，这些化合物的结构是人类的化学直觉从未想到过的。 这些案例都在指向同一个事实： AI 擅长解决已被定义的问题，但不擅长定义问题本身。 而定义问题，恰恰需要的是 想象力 ，而不是专业能力。 你不需要懂量子力学才能提出「量子纠缠能不能用来传输信息」这个问题。 你不需要懂生物学才能想到「细胞能不能被编程」这个愿景。 你甚至不需要懂火箭工程才能问：「如果地球只是一个资源有限的系统，我们为什么要把所有鸡蛋放在一个篮子里？」 提出问题的门槛，从来就不是专业知识，而是好奇心和想象力。 一个思想实验 想象两个科学家： 科学家 A ：MIT 量子计算博士，在顶级实验室工作了 15 年，发了 80 篇论文，精通所有主流量子计算框架，能手推十几种纠错算法。 科学家 B ：历史专业出身，对物理一窍不通，但痴迷于「如果宇宙是一台计算机，它的计算能力是多少？」这个问题，读了无数科普书，花了五年时间自学数学和物理。 今天，让两个人同时面对「如何构建一台实用量子计算机」这个问题。 科学家 A 会告诉你：「基于当前的超导路线，我们还需要解决退相干问题，这需要新的材料科学突破……」 科学家 B 会说：「等等，为什么量子计算非要基于二进制？为什么我们不能从信息论的基本原理重新定义计算的本质？」 这两类问题，AI 更擅长回答哪一类？ 答案显而易见： AI 能回答科学家 A 的问题，但很难提出科学家 B 的问题。 因为科学家 B 的问题不在现有框架内，它不是「已知体系内的搜索」，而是「对体系本身的质疑和重构」。 专业能力的「浪费」 说到这里，我想提出一个可能有点反常识的观点： 我们花了十几年培养的专业能力，在 AI 时代可能是一种巨大的浪费。 一个人从本科开始学物理，到博士毕业，到博士后，到副教授，到教授，花了二十多年建立的专业直觉，在 AI 面前可能毫无意义。 不是说知识本身没有价值。知识是提出好问题的基础。 但 知识的垄断权被打破了 。你不需要花二十年才能站在某个领域的前沿，AI 可以把前沿知识平铺在你面前，你只需要学会提问。 这就好像航海时代，一个优秀的船长需要花十几年学会看星象、读海图、预测风暴。 然后 GPS 出现了。 你说，船长还需要那么专业吗？ 答案是：船长不需要那么专业了，但船长需要知道的是——我们要去哪里，以及为什么要去那里。 科研的民主化 当专业能力的门槛降低，科研会发生什么？ 门槛降低，但贡献的上限会更高。 历史上每一次知识门槛的降低，都带来了更多创新。 活字印刷术让更多人能读书，而不是只有僧侣和贵族。 互联网让更多人能获取信息，而不是只有图书馆和学术机构。 AI 让更多人能调用专业知识，而不是只有院士和教授。 但这里有一个微妙的转折： 门槛降低带来的，不是平均水平的提升，而是天才密度的增加。 人类历史上最伟大的科学突破，往往来自少数几个天才在他们精力最旺盛的年纪做出的贡献。 牛顿在二十多岁发明了微积分，发现了万有引力定律。 爱因斯坦在二十六岁的时候发表了相对论。 香农在二十多岁建立了信息论的基础。 当知识不再稀缺，天才就更能专注于他们真正擅长的事情——提出问题，想象不可能。 一个预言 我有一个没有证据支撑但坚信的判断： 在二十年内，最重要的科学发现，将来自那些「外行」而不是「专家」。 不是因为外行比专家更聪明，而是因为专家被专业框架束缚了想象力，而外行没有这个负担。 当医学专家被「疾病必须由病原体引起」这个框架束缚时，是外行想到了「也许肠道菌群失调才是根源」。 当物理专家被「时空必须是连续的」这个框架束缚时，是外行想到了「也许时空是离散的」。 当 AI 把所有专业知识平铺在所有人面前，那些不受专业框架束缚的想象力，将成为最稀缺的资源。 写在最后 我们这一代人，经历了一次前所未有的认知革命。 工业革命把「体力劳动」变得廉价，机器比人更能搬东西。 信息革命把「记忆」变得廉价，电脑比人更能存信息。 AI 革命正在把「专业判断」变得廉价，AI 比人更能做专业推理。 但每一次这样的革命，都没有消灭人类，而是让人类去做更有创造性的事情。 科研不需要你多专业，科研需要的是那些敢于对已知世界提问的人。 如果你是一个历史专业但对量子计算好奇的人，去研究它。 如果你是一个艺术家但对基因编辑有想法的人，去想象它。 如果你是一个程序员但对经济学感兴趣的人，去建模它。 AI 会替你补上专业知识的部分。你只需要做你最擅长的事情——提问，想象，构建那些还没人想过的问题。 这是科研的未来。也是人最不会被替代的部分。
一个让人不安的问题 三百多年前，数学家欧拉说：「最美丽的享受是那些隐藏在数字与几何背后的真理，只有受过专业训练的人才能看见。」 一百多年前，普朗克说：「科学本身是少数人的事，物理学家是那些极少数有天赋、又能经受严格训练的人。」 这些话支撑了一个多世纪的科学叙事： 科研是高精尖的，是少数精英的，是需要十几年积累才能踏入的门槛。 但现在，一个让人不安的问题出现了： 当 AI 在某个领域的知识储备和推理能力已经远超所有人类专家，做科研还需要那么专业吗？ 专业能力的本质是什么？ 我们先拆解一下「专业能力」到底指的是什么。 狭义地说，专业能力是： 在一个封闭的知识体系内，按照既定规则，运用已有的知识储备解决问题的能力。 医学专家能够诊断疾病，是因为他学习了数十年的生理学、病理学、药理学，能够在症状和病因之间建立映射。 化学专家能够设计实验，是因为他理解化学反应的本质，知道分子结构如何影响性质，能够预测反应路径。 计算机科学家能够编写算法，是因为他掌握了计算理论、数据结构、复杂度分析，能够为问题找到最优解。 但注意，这些能力有一个共同特征： 它们本质上是在一个已知空间内做搜索和匹配 。 医学专家的脑中可能有几十万种疾病案例，他做诊断的过程，是在症状和案例库之间做匹配。 化学专家设计合成路线，是在分子结构和反应规则之间做映射。 AI 的强大之处恰恰在于： 这个「搜索和匹配」，AI 可以做得比任何人都更快、更全面、更不会出错。 发现问题比解决问题更稀缺 物理学家费曼有一句名言：「你可以用任何语言描述自然，但最终你需要在数学里找到真相。」 这句话的潜台词是： 科学的核心能力是找到正确的问题，而不是解答问题。 一个数学家需要专业训练，因为他要能辨认哪些定理是新的，哪些是已知的，哪些问题值得花时间。 一个生物学家需要专业训练，因为他要能判断哪些实验设计是合理的，哪些假说是可验证的。 但现在，AI 在「辨认」这件事上已经不比人差了，甚至更强。 AlphaFold 预测了 2 亿种蛋白质结构，生物学家不需要再花几年时间去解析晶体结构，他们只需要问：「这个蛋白质的功能是什么？」 GPT-4 已经能通过律师资格考试、医师资格考试，它不需要「懂法律」或「懂医学」，它只需要能够理解和推理。 那么，问题来了： 如果 AI 什么都会，我们人类在科研中的独特价值是什么？ 想象力的胜利 答案是： 发现问题，提出问题，构建问题。 这不是一个乐观的愿景，而是一个正在发生的现实。 2016 年，DeepMind 的团队让 AI 自己发现了「记忆」在强化学习中的作用，在此之前，没有一篇论文专门研究这个问题。 2023 年，AI 自动生成的数学定理证明，有些被数学家评价为「比人类数学家更优雅」。 2024 年，AI 辅助的药物研发发现了多个全新候选化合物，这些化合物的结构是人类的化学直觉从未想到过的。 这些案例都在指向同一个事实： AI 擅长解决已被定义的问题，但不擅长定义问题本身。 而定义问题，恰恰需要的是 想象力 ，而不是专业能力。 你不需要懂量子力学才能提出「量子纠缠能不能用来传输信息」这个问题。 你不需要懂生物学才能想到「细胞能不能被编程」这个愿景。 你甚至不需要懂火箭工程才能问：「如果地球只是一个资源有限的系统，我们为什么要把所有鸡蛋放在一个篮子里？」 提出问题的门槛，从来就不是专业知识，而是好奇心和想象力。 一个思想实验 想象两个科学家： 科学家 A ：MIT 量子计算博士，在顶级实验室工作了 15 年，发了 80 篇论文，精通所有主流量子计算框架，能手推十几种纠错算法。 科学家 B ：历史专业出身，对物理一窍不通，但痴迷于「如果宇宙是一台计算机，它的计算能力是多少？」这个问题，读了无数科普书，花了五年时间自学数学和物理。 今天，让两个人同时面对「如何构建一台实用量子计算机」这个问题。 科学家 A 会告诉你：「基于当前的超导路线，我们还需要解决退相干问题，这需要新的材料科学突破……」 科学家 B 会说：「等等，为什么量子计算非要基于二进制？为什么我们不能从信息论的基本原理重新定义计算的本质？」 这两类问题，AI 更擅长回答哪一类？ 答案显而易见： AI 能回答科学家 A 的问题，但很难提出科学家 B 的问题。 因为科学家 B 的问题不在现有框架内，它不是「已知体系内的搜索」，而是「对体系本身的质疑和重构」。 专业能力的「浪费」 说到这里，我想提出一个可能有点反常识的观点： 我们花了十几年培养的专业能力，在 AI 时代可能是一种巨大的浪费。 一个人从本科开始学物理，到博士毕业，到博士后，到副教授，到教授，花了二十多年建立的专业直觉，在 AI 面前可能毫无意义。 不是说知识本身没有价值。知识是提出好问题的基础。 但 知识的垄断权被打破了 。你不需要花二十年才能站在某个领域的前沿，AI 可以把前沿知识平铺在你面前，你只需要学会提问。 这就好像航海时代，一个优秀的船长需要花十几年学会看星象、读海图、预测风暴。 然后 GPS 出现了。 你说，船长还需要那么专业吗？ 答案是：船长不需要那么专业了，但船长需要知道的是——我们要去哪里，以及为什么要去那里。 科研的民主化 当专业能力的门槛降低，科研会发生什么？ 门槛降低，但贡献的上限会更高。 历史上每一次知识门槛的降低，都带来了更多创新。 活字印刷术让更多人能读书，而不是只有僧侣和贵族。 互联网让更多人能获取信息，而不是只有图书馆和学术机构。 AI 让更多人能调用专业知识，而不是只有院士和教授。 但这里有一个微妙的转折： 门槛降低带来的，不是平均水平的提升，而是天才密度的增加。 人类历史上最伟大的科学突破，往往来自少数几个天才在他们精力最旺盛的年纪做出的贡献。 牛顿在二十多岁发明了微积分，发现了万有引力定律。 爱因斯坦在二十六岁的时候发表了相对论。 香农在二十多岁建立了信息论的基础。 当知识不再稀缺，天才就更能专注于他们真正擅长的事情——提出问题，想象不可能。 一个预言 我有一个没有证据支撑但坚信的判断： 在二十年内，最重要的科学发现，将来自那些「外行」而不是「专家」。 不是因为外行比专家更聪明，而是因为专家被专业框架束缚了想象力，而外行没有这个负担。 当医学专家被「疾病必须由病原体引起」这个框架束缚时，是外行想到了「也许肠道菌群失调才是根源」。 当物理专家被「时空必须是连续的」这个框架束缚时，是外行想到了「也许时空是离散的」。 当 AI 把所有专业知识平铺在所有人面前，那些不受专业框架束缚的想象力，将成为最稀缺的资源。 写在最后 我们这一代人，经历了一次前所未有的认知革命。 工业革命把「体力劳动」变得廉价，机器比人更能搬东西。 信息革命把「记忆」变得廉价，电脑比人更能存信息。 AI 革命正在把「专业判断」变得廉价，AI 比人更能做专业推理。 但每一次这样的革命，都没有消灭人类，而是让人类去做更有创造性的事情。 科研不需要你多专业，科研需要的是那些敢于对已知世界提问的人。 如果你是一个历史专业但对量子计算好奇的人，去研究它。 如果你是一个艺术家但对基因编辑有想法的人，去想象它。 如果你是一个程序员但对经济学感兴趣的人，去建模它。 AI 会替你补上专业知识的部分。你只需要做你最擅长的事情——提问，想象，构建那些还没人想过的问题。 这是科研的未来。也是人最不会被替代的部分。
一个让人不安的问题 三百多年前，数学家欧拉说：「最美丽的享受是那些隐藏在数字与几何背后的真理，只有受过专业训练的人才能看见。」 一百多年前，普朗克说：「科学本身是少数人的事，物理学家是那些极少数有天赋、又能经受严格训练的人。」 这些话支撑了一个多世纪的科学叙事： 科研是高精尖的，是少数精英的，是需要十几年积累才能踏入的门槛。 但现在，一个让人不安的问题出现了： 当 AI 在某个领域的知识储备和推理能力已经远超所有人类专家，做科研还需要那么专业吗？ 专业能力的本质是什么？ 我们先拆解一下「专业能力」到底指的是什么。 狭义地说，专业能力是： 在一个封闭的知识体系内，按照既定规则，运用已有的知识储备解决问题的能力。 医学专家能够诊断疾病，是因为他学习了数十年的生理学、病理学、药理学，能够在症状和病因之间建立映射。 化学专家能够设计实验，是因为他理解化学反应的本质，知道分子结构如何影响性质，能够预测反应路径。 计算机科学家能够编写算法，是因为他掌握了计算理论、数据结构、复杂度分析，能够为问题找到最优解。 但注意，这些能力有一个共同特征： 它们本质上是在一个已知空间内做搜索和匹配 。 医学专家的脑中可能有几十万种疾病案例，他做诊断的过程，是在症状和案例库之间做匹配。 化学专家设计合成路线，是在分子结构和反应规则之间做映射。 AI 的强大之处恰恰在于： 这个「搜索和匹配」，AI 可以做得比任何人都更快、更全面、更不会出错。 发现问题比解决问题更稀缺 物理学家费曼有一句名言：「你可以用任何语言描述自然，但最终你需要在数学里找到真相。」 这句话的潜台词是： 科学的核心能力是找到正确的问题，而不是解答问题。 一个数学家需要专业训练，因为他要能辨认哪些定理是新的，哪些是已知的，哪些问题值得花时间。 一个生物学家需要专业训练，因为他要能判断哪些实验设计是合理的，哪些假说是可验证的。 但现在，AI 在「辨认」这件事上已经不比人差了，甚至更强。 AlphaFold 预测了 2 亿种蛋白质结构，生物学家不需要再花几年时间去解析晶体结构，他们只需要问：「这个蛋白质的功能是什么？」 GPT-4 已经能通过律师资格考试、医师资格考试，它不需要「懂法律」或「懂医学」，它只需要能够理解和推理。 那么，问题来了： 如果 AI 什么都会，我们人类在科研中的独特价值是什么？ 想象力的胜利 答案是： 发现问题，提出问题，构建问题。 这不是一个乐观的愿景，而是一个正在发生的现实。 2016 年，DeepMind 的团队让 AI 自己发现了「记忆」在强化学习中的作用，在此之前，没有一篇论文专门研究这个问题。 2023 年，AI 自动生成的数学定理证明，有些被数学家评价为「比人类数学家更优雅」。 2024 年，AI 辅助的药物研发发现了多个全新候选化合物，这些化合物的结构是人类的化学直觉从未想到过的。 这些案例都在指向同一个事实： AI 擅长解决已被定义的问题，但不擅长定义问题本身。 而定义问题，恰恰需要的是 想象力 ，而不是专业能力。 你不需要懂量子力学才能提出「量子纠缠能不能用来传输信息」这个问题。 你不需要懂生物学才能想到「细胞能不能被编程」这个愿景。 你甚至不需要懂火箭工程才能问：「如果地球只是一个资源有限的系统，我们为什么要把所有鸡蛋放在一个篮子里？」 提出问题的门槛，从来就不是专业知识，而是好奇心和想象力。 一个思想实验 想象两个科学家： 科学家 A ：MIT 量子计算博士，在顶级实验室工作了 15 年，发了 80 篇论文，精通所有主流量子计算框架，能手推十几种纠错算法。 科学家 B ：历史专业出身，对物理一窍不通，但痴迷于「如果宇宙是一台计算机，它的计算能力是多少？」这个问题，读了无数科普书，花了五年时间自学数学和物理。 今天，让两个人同时面对「如何构建一台实用量子计算机」这个问题。 科学家 A 会告诉你：「基于当前的超导路线，我们还需要解决退相干问题，这需要新的材料科学突破……」 科学家 B 会说：「等等，为什么量子计算非要基于二进制？为什么我们不能从信息论的基本原理重新定义计算的本质？」 这两类问题，AI 更擅长回答哪一类？ 答案显而易见： AI 能回答科学家 A 的问题，但很难提出科学家 B 的问题。 因为科学家 B 的问题不在现有框架内，它不是「已知体系内的搜索」，而是「对体系本身的质疑和重构」。 专业能力的「浪费」 说到这里，我想提出一个可能有点反常识的观点： 我们花了十几年培养的专业能力，在 AI 时代可能是一种巨大的浪费。 一个人从本科开始学物理，到博士毕业，到博士后，到副教授，到教授，花了二十多年建立的专业直觉，在 AI 面前可能毫无意义。 不是说知识本身没有价值。知识是提出好问题的基础。 但 知识的垄断权被打破了 。你不需要花二十年才能站在某个领域的前沿，AI 可以把前沿知识平铺在你面前，你只需要学会提问。 这就好像航海时代，一个优秀的船长需要花十几年学会看星象、读海图、预测风暴。 然后 GPS 出现了。 你说，船长还需要那么专业吗？ 答案是：船长不需要那么专业了，但船长需要知道的是——我们要去哪里，以及为什么要去那里。 科研的民主化 当专业能力的门槛降低，科研会发生什么？ 门槛降低，但贡献的上限会更高。 历史上每一次知识门槛的降低，都带来了更多创新。 活字印刷术让更多人能读书，而不是只有僧侣和贵族。 互联网让更多人能获取信息，而不是只有图书馆和学术机构。 AI 让更多人能调用专业知识，而不是只有院士和教授。 但这里有一个微妙的转折： 门槛降低带来的，不是平均水平的提升，而是天才密度的增加。 人类历史上最伟大的科学突破，往往来自少数几个天才在他们精力最旺盛的年纪做出的贡献。 牛顿在二十多岁发明了微积分，发现了万有引力定律。 爱因斯坦在二十六岁的时候发表了相对论。 香农在二十多岁建立了信息论的基础。 当知识不再稀缺，天才就更能专注于他们真正擅长的事情——提出问题，想象不可能。 一个预言 我有一个没有证据支撑但坚信的判断： 在二十年内，最重要的科学发现，将来自那些「外行」而不是「专家」。 不是因为外行比专家更聪明，而是因为专家被专业框架束缚了想象力，而外行没有这个负担。 当医学专家被「疾病必须由病原体引起」这个框架束缚时，是外行想到了「也许肠道菌群失调才是根源」。 当物理专家被「时空必须是连续的」这个框架束缚时，是外行想到了「也许时空是离散的」。 当 AI 把所有专业知识平铺在所有人面前，那些不受专业框架束缚的想象力，将成为最稀缺的资源。 写在最后 我们这一代人，经历了一次前所未有的认知革命。 工业革命把「体力劳动」变得廉价，机器比人更能搬东西。 信息革命把「记忆」变得廉价，电脑比人更能存信息。 AI 革命正在把「专业判断」变得廉价，AI 比人更能做专业推理。 但每一次这样的革命，都没有消灭人类，而是让人类去做更有创造性的事情。 科研不需要你多专业，科研需要的是那些敢于对已知世界提问的人。 如果你是一个历史专业但对量子计算好奇的人，去研究它。 如果你是一个艺术家但对基因编辑有想法的人，去想象它。 如果你是一个程序员但对经济学感兴趣的人，去建模它。 AI 会替你补上专业知识的部分。你只需要做你最擅长的事情——提问，想象，构建那些还没人想过的问题。 这是科研的未来。也是人最不会被替代的部分。
一个让人不安的问题 三百多年前，数学家欧拉说：「最美丽的享受是那些隐藏在数字与几何背后的真理，只有受过专业训练的人才能看见。」 一百多年前，普朗克说：「科学本身是少数人的事，物理学家是那些极少数有天赋、又能经受严格训练的人。」 这些话支撑了一个多世纪的科学叙事： 科研是高精尖的，是少数精英的，是需要十几年积累才能踏入的门槛。 但现在，一个让人不安的问题出现了： 当 AI 在某个领域的知识储备和推理能力已经远超所有人类专家，做科研还需要那么专业吗？ 专业能力的本质是什么？ 我们先拆解一下「专业能力」到底指的是什么。 狭义地说，专业能力是： 在一个封闭的知识体系内，按照既定规则，运用已有的知识储备解决问题的能力。 医学专家能够诊断疾病，是因为他学习了数十年的生理学、病理学、药理学，能够在症状和病因之间建立映射。 化学专家能够设计实验，是因为他理解化学反应的本质，知道分子结构如何影响性质，能够预测反应路径。 计算机科学家能够编写算法，是因为他掌握了计算理论、数据结构、复杂度分析，能够为问题找到最优解。 但注意，这些能力有一个共同特征： 它们本质上是在一个已知空间内做搜索和匹配 。 医学专家的脑中可能有几十万种疾病案例，他做诊断的过程，是在症状和案例库之间做匹配。 化学专家设计合成路线，是在分子结构和反应规则之间做映射。 AI 的强大之处恰恰在于： 这个「搜索和匹配」，AI 可以做得比任何人都更快、更全面、更不会出错。 发现问题比解决问题更稀缺 物理学家费曼有一句名言：「你可以用任何语言描述自然，但最终你需要在数学里找到真相。」 这句话的潜台词是： 科学的核心能力是找到正确的问题，而不是解答问题。 一个数学家需要专业训练，因为他要能辨认哪些定理是新的，哪些是已知的，哪些问题值得花时间。 一个生物学家需要专业训练，因为他要能判断哪些实验设计是合理的，哪些假说是可验证的。 但现在，AI 在「辨认」这件事上已经不比人差了，甚至更强。 AlphaFold 预测了 2 亿种蛋白质结构，生物学家不需要再花几年时间去解析晶体结构，他们只需要问：「这个蛋白质的功能是什么？」 GPT-4 已经能通过律师资格考试、医师资格考试，它不需要「懂法律」或「懂医学」，它只需要能够理解和推理。 那么，问题来了： 如果 AI 什么都会，我们人类在科研中的独特价值是什么？ 想象力的胜利 答案是： 发现问题，提出问题，构建问题。 这不是一个乐观的愿景，而是一个正在发生的现实。 2016 年，DeepMind 的团队让 AI 自己发现了「记忆」在强化学习中的作用，在此之前，没有一篇论文专门研究这个问题。 2023 年，AI 自动生成的数学定理证明，有些被数学家评价为「比人类数学家更优雅」。 2024 年，AI 辅助的药物研发发现了多个全新候选化合物，这些化合物的结构是人类的化学直觉从未想到过的。 这些案例都在指向同一个事实： AI 擅长解决已被定义的问题，但不擅长定义问题本身。 而定义问题，恰恰需要的是 想象力 ，而不是专业能力。 你不需要懂量子力学才能提出「量子纠缠能不能用来传输信息」这个问题。 你不需要懂生物学才能想到「细胞能不能被编程」这个愿景。 你甚至不需要懂火箭工程才能问：「如果地球只是一个资源有限的系统，我们为什么要把所有鸡蛋放在一个篮子里？」 提出问题的门槛，从来就不是专业知识，而是好奇心和想象力。 一个思想实验 想象两个科学家： 科学家 A ：MIT 量子计算博士，在顶级实验室工作了 15 年，发了 80 篇论文，精通所有主流量子计算框架，能手推十几种纠错算法。 科学家 B ：历史专业出身，对物理一窍不通，但痴迷于「如果宇宙是一台计算机，它的计算能力是多少？」这个问题，读了无数科普书，花了五年时间自学数学和物理。 今天，让两个人同时面对「如何构建一台实用量子计算机」这个问题。 科学家 A 会告诉你：「基于当前的超导路线，我们还需要解决退相干问题，这需要新的材料科学突破……」 科学家 B 会说：「等等，为什么量子计算非要基于二进制？为什么我们不能从信息论的基本原理重新定义计算的本质？」 这两类问题，AI 更擅长回答哪一类？ 答案显而易见： AI 能回答科学家 A 的问题，但很难提出科学家 B 的问题。 因为科学家 B 的问题不在现有框架内，它不是「已知体系内的搜索」，而是「对体系本身的质疑和重构」。 专业能力的「浪费」 说到这里，我想提出一个可能有点反常识的观点： 我们花了十几年培养的专业能力，在 AI 时代可能是一种巨大的浪费。 一个人从本科开始学物理，到博士毕业，到博士后，到副教授，到教授，花了二十多年建立的专业直觉，在 AI 面前可能毫无意义。 不是说知识本身没有价值。知识是提出好问题的基础。 但 知识的垄断权被打破了 。你不需要花二十年才能站在某个领域的前沿，AI 可以把前沿知识平铺在你面前，你只需要学会提问。 这就好像航海时代，一个优秀的船长需要花十几年学会看星象、读海图、预测风暴。 然后 GPS 出现了。 你说，船长还需要那么专业吗？ 答案是：船长不需要那么专业了，但船长需要知道的是——我们要去哪里，以及为什么要去那里。 科研的民主化 当专业能力的门槛降低，科研会发生什么？ 门槛降低，但贡献的上限会更高。 历史上每一次知识门槛的降低，都带来了更多创新。 活字印刷术让更多人能读书，而不是只有僧侣和贵族。 互联网让更多人能获取信息，而不是只有图书馆和学术机构。 AI 让更多人能调用专业知识，而不是只有院士和教授。 但这里有一个微妙的转折： 门槛降低带来的，不是平均水平的提升，而是天才密度的增加。 人类历史上最伟大的科学突破，往往来自少数几个天才在他们精力最旺盛的年纪做出的贡献。 牛顿在二十多岁发明了微积分，发现了万有引力定律。 爱因斯坦在二十六岁的时候发表了相对论。 香农在二十多岁建立了信息论的基础。 当知识不再稀缺，天才就更能专注于他们真正擅长的事情——提出问题，想象不可能。 一个预言 我有一个没有证据支撑但坚信的判断： 在二十年内，最重要的科学发现，将来自那些「外行」而不是「专家」。 不是因为外行比专家更聪明，而是因为专家被专业框架束缚了想象力，而外行没有这个负担。 当医学专家被「疾病必须由病原体引起」这个框架束缚时，是外行想到了「也许肠道菌群失调才是根源」。 当物理专家被「时空必须是连续的」这个框架束缚时，是外行想到了「也许时空是离散的」。 当 AI 把所有专业知识平铺在所有人面前，那些不受专业框架束缚的想象力，将成为最稀缺的资源。 写在最后 我们这一代人，经历了一次前所未有的认知革命。 工业革命把「体力劳动」变得廉价，机器比人更能搬东西。 信息革命把「记忆」变得廉价，电脑比人更能存信息。 AI 革命正在把「专业判断」变得廉价，AI 比人更能做专业推理。 但每一次这样的革命，都没有消灭人类，而是让人类去做更有创造性的事情。 科研不需要你多专业，科研需要的是那些敢于对已知世界提问的人。 如果你是一个历史专业但对量子计算好奇的人，去研究它。 如果你是一个艺术家但对基因编辑有想法的人，去想象它。 如果你是一个程序员但对经济学感兴趣的人，去建模它。 AI 会替你补上专业知识的部分。你只需要做你最擅长的事情——提问，想象，构建那些还没人想过的问题。 这是科研的未来。也是人最不会被替代的部分。
一个让人不安的问题 三百多年前，数学家欧拉说：「最美丽的享受是那些隐藏在数字与几何背后的真理，只有受过专业训练的人才能看见。」 一百多年前，普朗克说：「科学本身是少数人的事，物理学家是那些极少数有天赋、又能经受严格训练的人。」 这些话支撑了一个多世纪的科学叙事： 科研是高精尖的，是少数精英的，是需要十几年积累才能踏入的门槛。 但现在，一个让人不安的问题出现了： 当 AI 在某个领域的知识储备和推理能力已经远超所有人类专家，做科研还需要那么专业吗？ 专业能力的本质是什么？ 我们先拆解一下「专业能力」到底指的是什么。 狭义地说，专业能力是： 在一个封闭的知识体系内，按照既定规则，运用已有的知识储备解决问题的能力。 医学专家能够诊断疾病，是因为他学习了数十年的生理学、病理学、药理学，能够在症状和病因之间建立映射。 化学专家能够设计实验，是因为他理解化学反应的本质，知道分子结构如何影响性质，能够预测反应路径。 计算机科学家能够编写算法，是因为他掌握了计算理论、数据结构、复杂度分析，能够为问题找到最优解。 但注意，这些能力有一个共同特征： 它们本质上是在一个已知空间内做搜索和匹配 。 医学专家的脑中可能有几十万种疾病案例，他做诊断的过程，是在症状和案例库之间做匹配。 化学专家设计合成路线，是在分子结构和反应规则之间做映射。 AI 的强大之处恰恰在于： 这个「搜索和匹配」，AI 可以做得比任何人都更快、更全面、更不会出错。 发现问题比解决问题更稀缺 物理学家费曼有一句名言：「你可以用任何语言描述自然，但最终你需要在数学里找到真相。」 这句话的潜台词是： 科学的核心能力是找到正确的问题，而不是解答问题。 一个数学家需要专业训练，因为他要能辨认哪些定理是新的，哪些是已知的，哪些问题值得花时间。 一个生物学家需要专业训练，因为他要能判断哪些实验设计是合理的，哪些假说是可验证的。 但现在，AI 在「辨认」这件事上已经不比人差了，甚至更强。 AlphaFold 预测了 2 亿种蛋白质结构，生物学家不需要再花几年时间去解析晶体结构，他们只需要问：「这个蛋白质的功能是什么？」 GPT-4 已经能通过律师资格考试、医师资格考试，它不需要「懂法律」或「懂医学」，它只需要能够理解和推理。 那么，问题来了： 如果 AI 什么都会，我们人类在科研中的独特价值是什么？ 想象力的胜利 答案是： 发现问题，提出问题，构建问题。 这不是一个乐观的愿景，而是一个正在发生的现实。 2016 年，DeepMind 的团队让 AI 自己发现了「记忆」在强化学习中的作用，在此之前，没有一篇论文专门研究这个问题。 2023 年，AI 自动生成的数学定理证明，有些被数学家评价为「比人类数学家更优雅」。 2024 年，AI 辅助的药物研发发现了多个全新候选化合物，这些化合物的结构是人类的化学直觉从未想到过的。 这些案例都在指向同一个事实： AI 擅长解决已被定义的问题，但不擅长定义问题本身。 而定义问题，恰恰需要的是 想象力 ，而不是专业能力。 你不需要懂量子力学才能提出「量子纠缠能不能用来传输信息」这个问题。 你不需要懂生物学才能想到「细胞能不能被编程」这个愿景。 你甚至不需要懂火箭工程才能问：「如果地球只是一个资源有限的系统，我们为什么要把所有鸡蛋放在一个篮子里？」 提出问题的门槛，从来就不是专业知识，而是好奇心和想象力。 一个思想实验 想象两个科学家： 科学家 A ：MIT 量子计算博士，在顶级实验室工作了 15 年，发了 80 篇论文，精通所有主流量子计算框架，能手推十几种纠错算法。 科学家 B ：历史专业出身，对物理一窍不通，但痴迷于「如果宇宙是一台计算机，它的计算能力是多少？」这个问题，读了无数科普书，花了五年时间自学数学和物理。 今天，让两个人同时面对「如何构建一台实用量子计算机」这个问题。 科学家 A 会告诉你：「基于当前的超导路线，我们还需要解决退相干问题，这需要新的材料科学突破……」 科学家 B 会说：「等等，为什么量子计算非要基于二进制？为什么我们不能从信息论的基本原理重新定义计算的本质？」 这两类问题，AI 更擅长回答哪一类？ 答案显而易见： AI 能回答科学家 A 的问题，但很难提出科学家 B 的问题。 因为科学家 B 的问题不在现有框架内，它不是「已知体系内的搜索」，而是「对体系本身的质疑和重构」。 专业能力的「浪费」 说到这里，我想提出一个可能有点反常识的观点： 我们花了十几年培养的专业能力，在 AI 时代可能是一种巨大的浪费。 一个人从本科开始学物理，到博士毕业，到博士后，到副教授，到教授，花了二十多年建立的专业直觉，在 AI 面前可能毫无意义。 不是说知识本身没有价值。知识是提出好问题的基础。 但 知识的垄断权被打破了 。你不需要花二十年才能站在某个领域的前沿，AI 可以把前沿知识平铺在你面前，你只需要学会提问。 这就好像航海时代，一个优秀的船长需要花十几年学会看星象、读海图、预测风暴。 然后 GPS 出现了。 你说，船长还需要那么专业吗？ 答案是：船长不需要那么专业了，但船长需要知道的是——我们要去哪里，以及为什么要去那里。 科研的民主化 当专业能力的门槛降低，科研会发生什么？ 门槛降低，但贡献的上限会更高。 历史上每一次知识门槛的降低，都带来了更多创新。 活字印刷术让更多人能读书，而不是只有僧侣和贵族。 互联网让更多人能获取信息，而不是只有图书馆和学术机构。 AI 让更多人能调用专业知识，而不是只有院士和教授。 但这里有一个微妙的转折： 门槛降低带来的，不是平均水平的提升，而是天才密度的增加。 人类历史上最伟大的科学突破，往往来自少数几个天才在他们精力最旺盛的年纪做出的贡献。 牛顿在二十多岁发明了微积分，发现了万有引力定律。 爱因斯坦在二十六岁的时候发表了相对论。 香农在二十多岁建立了信息论的基础。 当知识不再稀缺，天才就更能专注于他们真正擅长的事情——提出问题，想象不可能。 一个预言 我有一个没有证据支撑但坚信的判断： 在二十年内，最重要的科学发现，将来自那些「外行」而不是「专家」。 不是因为外行比专家更聪明，而是因为专家被专业框架束缚了想象力，而外行没有这个负担。 当医学专家被「疾病必须由病原体引起」这个框架束缚时，是外行想到了「也许肠道菌群失调才是根源」。 当物理专家被「时空必须是连续的」这个框架束缚时，是外行想到了「也许时空是离散的」。 当 AI 把所有专业知识平铺在所有人面前，那些不受专业框架束缚的想象力，将成为最稀缺的资源。 写在最后 我们这一代人，经历了一次前所未有的认知革命。 工业革命把「体力劳动」变得廉价，机器比人更能搬东西。 信息革命把「记忆」变得廉价，电脑比人更能存信息。 AI 革命正在把「专业判断」变得廉价，AI 比人更能做专业推理。 但每一次这样的革命，都没有消灭人类，而是让人类去做更有创造性的事情。 科研不需要你多专业，科研需要的是那些敢于对已知世界提问的人。 如果你是一个历史专业但对量子计算好奇的人，去研究它。 如果你是一个艺术家但对基因编辑有想法的人，去想象它。 如果你是一个程序员但对经济学感兴趣的人，去建模它。 AI 会替你补上专业知识的部分。你只需要做你最擅长的事情——提问，想象，构建那些还没人想过的问题。 这是科研的未来。也是人最不会被替代的部分。
一个让人不安的问题 三百多年前，数学家欧拉说：「最美丽的享受是那些隐藏在数字与几何背后的真理，只有受过专业训练的人才能看见。」 一百多年前，普朗克说：「科学本身是少数人的事，物理学家是那些极少数有天赋、又能经受严格训练的人。」 这些话支撑了一个多世纪的科学叙事： 科研是高精尖的，是少数精英的，是需要十几年积累才能踏入的门槛。 但现在，一个让人不安的问题出现了： 当 AI 在某个领域的知识储备和推理能力已经远超所有人类专家，做科研还需要那么专业吗？ 专业能力的本质是什么？ 我们先拆解一下「专业能力」到底指的是什么。 狭义地说，专业能力是： 在一个封闭的知识体系内，按照既定规则，运用已有的知识储备解决问题的能力。 医学专家能够诊断疾病，是因为他学习了数十年的生理学、病理学、药理学，能够在症状和病因之间建立映射。 化学专家能够设计实验，是因为他理解化学反应的本质，知道分子结构如何影响性质，能够预测反应路径。 计算机科学家能够编写算法，是因为他掌握了计算理论、数据结构、复杂度分析，能够为问题找到最优解。 但注意，这些能力有一个共同特征： 它们本质上是在一个已知空间内做搜索和匹配 。 医学专家的脑中可能有几十万种疾病案例，他做诊断的过程，是在症状和案例库之间做匹配。 化学专家设计合成路线，是在分子结构和反应规则之间做映射。 AI 的强大之处恰恰在于： 这个「搜索和匹配」，AI 可以做得比任何人都更快、更全面、更不会出错。 发现问题比解决问题更稀缺 物理学家费曼有一句名言：「你可以用任何语言描述自然，但最终你需要在数学里找到真相。」 这句话的潜台词是： 科学的核心能力是找到正确的问题，而不是解答问题。 一个数学家需要专业训练，因为他要能辨认哪些定理是新的，哪些是已知的，哪些问题值得花时间。 一个生物学家需要专业训练，因为他要能判断哪些实验设计是合理的，哪些假说是可验证的。 但现在，AI 在「辨认」这件事上已经不比人差了，甚至更强。 AlphaFold 预测了 2 亿种蛋白质结构，生物学家不需要再花几年时间去解析晶体结构，他们只需要问：「这个蛋白质的功能是什么？」 GPT-4 已经能通过律师资格考试、医师资格考试，它不需要「懂法律」或「懂医学」，它只需要能够理解和推理。 那么，问题来了： 如果 AI 什么都会，我们人类在科研中的独特价值是什么？ 想象力的胜利 答案是： 发现问题，提出问题，构建问题。 这不是一个乐观的愿景，而是一个正在发生的现实。 2016 年，DeepMind 的团队让 AI 自己发现了「记忆」在强化学习中的作用，在此之前，没有一篇论文专门研究这个问题。 2023 年，AI 自动生成的数学定理证明，有些被数学家评价为「比人类数学家更优雅」。 2024 年，AI 辅助的药物研发发现了多个全新候选化合物，这些化合物的结构是人类的化学直觉从未想到过的。 这些案例都在指向同一个事实： AI 擅长解决已被定义的问题，但不擅长定义问题本身。 而定义问题，恰恰需要的是 想象力 ，而不是专业能力。 你不需要懂量子力学才能提出「量子纠缠能不能用来传输信息」这个问题。 你不需要懂生物学才能想到「细胞能不能被编程」这个愿景。 你甚至不需要懂火箭工程才能问：「如果地球只是一个资源有限的系统，我们为什么要把所有鸡蛋放在一个篮子里？」 提出问题的门槛，从来就不是专业知识，而是好奇心和想象力。 一个思想实验 想象两个科学家： 科学家 A ：MIT 量子计算博士，在顶级实验室工作了 15 年，发了 80 篇论文，精通所有主流量子计算框架，能手推十几种纠错算法。 科学家 B ：历史专业出身，对物理一窍不通，但痴迷于「如果宇宙是一台计算机，它的计算能力是多少？」这个问题，读了无数科普书，花了五年时间自学数学和物理。 今天，让两个人同时面对「如何构建一台实用量子计算机」这个问题。 科学家 A 会告诉你：「基于当前的超导路线，我们还需要解决退相干问题，这需要新的材料科学突破……」 科学家 B 会说：「等等，为什么量子计算非要基于二进制？为什么我们不能从信息论的基本原理重新定义计算的本质？」 这两类问题，AI 更擅长回答哪一类？ 答案显而易见： AI 能回答科学家 A 的问题，但很难提出科学家 B 的问题。 因为科学家 B 的问题不在现有框架内，它不是「已知体系内的搜索」，而是「对体系本身的质疑和重构」。 专业能力的「浪费」 说到这里，我想提出一个可能有点反常识的观点： 我们花了十几年培养的专业能力，在 AI 时代可能是一种巨大的浪费。 一个人从本科开始学物理，到博士毕业，到博士后，到副教授，到教授，花了二十多年建立的专业直觉，在 AI 面前可能毫无意义。 不是说知识本身没有价值。知识是提出好问题的基础。 但 知识的垄断权被打破了 。你不需要花二十年才能站在某个领域的前沿，AI 可以把前沿知识平铺在你面前，你只需要学会提问。 这就好像航海时代，一个优秀的船长需要花十几年学会看星象、读海图、预测风暴。 然后 GPS 出现了。 你说，船长还需要那么专业吗？ 答案是：船长不需要那么专业了，但船长需要知道的是——我们要去哪里，以及为什么要去那里。 科研的民主化 当专业能力的门槛降低，科研会发生什么？ 门槛降低，但贡献的上限会更高。 历史上每一次知识门槛的降低，都带来了更多创新。 活字印刷术让更多人能读书，而不是只有僧侣和贵族。 互联网让更多人能获取信息，而不是只有图书馆和学术机构。 AI 让更多人能调用专业知识，而不是只有院士和教授。 但这里有一个微妙的转折： 门槛降低带来的，不是平均水平的提升，而是天才密度的增加。 人类历史上最伟大的科学突破，往往来自少数几个天才在他们精力最旺盛的年纪做出的贡献。 牛顿在二十多岁发明了微积分，发现了万有引力定律。 爱因斯坦在二十六岁的时候发表了相对论。 香农在二十多岁建立了信息论的基础。 当知识不再稀缺，天才就更能专注于他们真正擅长的事情——提出问题，想象不可能。 一个预言 我有一个没有证据支撑但坚信的判断： 在二十年内，最重要的科学发现，将来自那些「外行」而不是「专家」。 不是因为外行比专家更聪明，而是因为专家被专业框架束缚了想象力，而外行没有这个负担。 当医学专家被「疾病必须由病原体引起」这个框架束缚时，是外行想到了「也许肠道菌群失调才是根源」。 当物理专家被「时空必须是连续的」这个框架束缚时，是外行想到了「也许时空是离散的」。 当 AI 把所有专业知识平铺在所有人面前，那些不受专业框架束缚的想象力，将成为最稀缺的资源。 写在最后 我们这一代人，经历了一次前所未有的认知革命。 工业革命把「体力劳动」变得廉价，机器比人更能搬东西。 信息革命把「记忆」变得廉价，电脑比人更能存信息。 AI 革命正在把「专业判断」变得廉价，AI 比人更能做专业推理。 但每一次这样的革命，都没有消灭人类，而是让人类去做更有创造性的事情。 科研不需要你多专业，科研需要的是那些敢于对已知世界提问的人。 如果你是一个历史专业但对量子计算好奇的人，去研究它。 如果你是一个艺术家但对基因编辑有想法的人，去想象它。 如果你是一个程序员但对经济学感兴趣的人，去建模它。 AI 会替你补上专业知识的部分。你只需要做你最擅长的事情——提问，想象，构建那些还没人想过的问题。 这是科研的未来。也是人最不会被替代的部分。
最近想入手一个零月租的卡 不知道到底价位是多少呀 贴吧上看着有一百多收的也有三百卖的 感觉太虚了 不知道有没有在用的给个指导价呀普通的号码而且还有4 6 个帖子 - 5 位参与者 阅读完整话题