从「我来做」到「我来判断」：AI 拿不走的那部分

有个场景您大概不陌生：晚上十一点，您还在跟一段 R 代码死磕，报错第八次，箭头指向一个您三年前就该记住的语法。您不是不会做这项研究，您只是被「做」这件事本身卡住了。等您终于跑通、图出来，脑子已经空了，那个本该问的问题——「这个差异到底是生物学意义，还是批次效应」——被您无意识地跳了过去。

这才是科研人真正的损耗：不是不够聪明，而是把太多脑力，花在了本不该消耗脑力的地方。AI 出现之后，最值得您重新想清楚的，不是「它能替我干多少活」，而是——哪些活它干正好，哪些判断，只能您自己扛。

会做的越来越多，能判断的还是您

先把话说清楚：AI 现在确实能「做」很多。查文献、把二十篇综述压成一页要点、写数据清洗脚本、跑一遍标准差异分析、起草方法部分的初稿——这些执行类的活，它又快又不知疲倦，大多数时候还比您手搓少犯低级错。

但「执行」和「判断」是两回事。执行，是把一条已知的路走完；判断，是决定走哪条路、走到一半发现不对要不要掉头、终点的东西到底可不可信。提出一个真正值得做的问题，为它设计一个能被证伪的实验，看到一张诡异的火山图立刻警觉「这不对劲」，最后拍板「这个结论我敢写进论文」——没有一样能外包。AI 不懂您的实验为什么这么设计，不知道您那批样本里 D 组当天出了状况，它只会顺着您给的数据一路算到底，算得理直气壮。

角色转变的实质就是这个：您从「亲手做每一步的人」，变成「决定每一步对不对的人」。 后者门槛更高，也更没人替得了。

一条朴素的分界线

哪些能交、哪些不能，有一条特别好用的线：这件事做错了，是「重做一遍」就能补，还是「整个结论作废」？

前一类，大胆交。格式转换、批量重命名、把方法写成规范段落、生成一版能复现的分析脚本——错了重跑就是，成本极低，您在上面省下的每一分钟都是净赚。

后一类，绝不能交。研究问题怎么取舍、对照怎么设、混杂因素怎么控、多重比较要不要校正、一个 p 值背后是真信号还是您 p-hacking 出来的幻觉、最终到底信不信——这些一旦错，往往是论文发出去之后被审稿人或同行拆穿，赔进去的是您的信誉。所以哪怕 AI 给的建议看起来再专业，您也只能把它当一个需要复核的同事意见，而不是结论本身。

还有件绕不开的事：AI 会幻觉，会一本正经地编。您让它推荐个方法、解释个统计概念，它可能回您一段流畅得挑不出语病、细节却是错的话。这不是什么需要替它遮掩的缺陷，恰恰是用好它的前提——拿它当个聪明但偶尔胡说的助手，您不会被坑；拿它当权威，您迟早栽。

把判断也外包，直觉会退化

这里有个更隐蔽的风险，得单拎出来说。

判断力是练出来的。您能一眼看出某张图「不对劲」，是因为您亲手踩过坑：见过批次效应长什么样，被过拟合骗过，为一个假阳性白忙过半个月。这些直觉，是「自己做、自己错、自己想明白」一点点喂出来的。

如果您连判断都开始外包——方法让 AI 挑，结果让 AI 解读，连「这靠不靠谱」都问它——短期内您飞快，长期您会发现自己越来越离不开它，也越来越看不出它什么时候在错。这才是真正危险的地方：一个判断力退化的人，去审一个会自信犯错的工具，等于没审。

所以别把 AI 用成思考的替身。让它替您消化的，该是「我懂，只是懒得动手」的杂活；不是「我还没想清楚」的难题。后者恰恰得您自己坐下来啃——啃的过程，就是您长本事的地方。

会用的人，把卡壳和杂活交出去

那到底怎么用才算对？看那些真把 AI 用出效果的研究者，有个共同点：他们交出去的，是「卡壳的时间」和「体力活」，省下的精力全砸回了思考本身。

举个您可能有过的场景。以前有个模糊的念头，一想到「实现起来太麻烦」，就搁下了。现在您让 AI 半小时搭个原型、跑一版粗糙的预分析，一看方向不对，立刻换——试错的成本被压到极低，您敢想的假设反而多了。AI 在这里不替您想，它只是把「想」和「验证」之间那段拖沓的执行抹平了，于是您思考的密度更高了。

可复现性也是一样。您可以让 AI 把整套分析理成一份脚本：从原始数据到出图，参数齐全，别人拿去能一键重跑。可复现从来不靠自觉，靠的是工具把它变得够简单——这正是 AI 该发力的地方：把「做对」的成本降下来，好腾出您的余力，去操心「判断得对不对」。

该留给您的，一步都别交

一句话记住它：让 AI 把研究做得更快、更规范、更经得起复现；但「这研究到底对不对、信不信」，永远是您自己的事。

我们做「百沐一下」时守的也是这条线：能自动化的执行尽量自动化，让回答带上出处、让脚本能复现，把不值得您熬夜的杂活接过去——可那个只有您能下的判断，一步都不替您走。

工具越强，您那份判断反而越贵。真到了 AI 把执行全揽下的那天，坐在结论跟前、盯着一张图迟迟不敢写下那句话的，依然只能是您。那一秒的迟疑，恰恰是您最值钱的地方。