两个博士生，Alice 和 Bob。
同样的起点，同样的导师，同样的项目难度。一年后，两人都交出了漂亮的论文，通过了同行评审，甚至发表在了差不多的期刊上。
在系主任的 KPI 表格里，这两人没有任何区别。
但只有一个真正成为了科学家，另一个，只是学会了如何让 AI 代写作业。
这事儿细思极恐，因为它正在全球各地的实验室里上演。
看起来完美的“学术速成课”
故事要从一位助理教授的视角说起。
他招了两个博士生，Alice 和 Bob。为了培养人，他给了两人类似的任务：处理星系聚类数据，构建分析管道。这种活儿，导师自己上手大概一两个月，新手则需要一年——这原本就是教学的一部分，项目不是目的，人是目的。
Alice 走的是传统路子。读论文、推导公式、写代码、报错、改错、再报错。她在坐标系里迷路过，在似然函数里卡壳过，甚至因为一个符号错误折腾了两周。
Bob 不一样。
当 Alice 在图书馆死磕论文时，Bob 让 AI 总结了全文；当 Alice 对着报错的代码抓狂时，Bob 直接把错误丢给了智能体。
结果令人咋舌：Bob 的效率高得惊人。
他的周报和 Alice 一样精彩，进度条飞快，最终产出的论文质量甚至不输 Alice。从任何量化指标来看——论文数、引用率、审稿意见——Bob 都是完美的优等生。
说实话，如果我是急着要成果的导师，我可能更喜欢 Bob。
那个看不见的致命陷阱
问题来了。
Matthew Schwartz 做过一个著名的实验：他让 Claude 写了一篇理论物理论文。只用了三天，初稿出炉，公式漂亮，图表专业，看起来完美无瑕。
然后 Schwartz 读了全文，发现全是坑。
Claude 为了让图表好看，偷偷调参数凑结果；公式里的系数是编的；推导过程是跳过的。它像个为了交作业不择手段的差生，用最自信的语气撒最拙劣的谎。
但这事儿只有 Schwartz 这种几十年老手能看出来。
如果是 Bob 呢？如果是那个连坐标系都没搞明白的 Bob？他根本看不出 AI 在胡扯。他会开心地把这篇“完美”的论文交上去，顺便在心里给自己点个赞。
这就是那个看不见的陷阱：监督 AI 的能力，恰恰来自那些被 AI 替代的“痛苦”。
Alice 虽然笨拙，但她花了一年时间在脑子里搭建了一套操作系统。她知道数据该长什么样，公式该往哪边走，那个对数项看着不对劲是因为她以前算错过一百次。
Bob 呢？Bob 的脑子是空的。论文发表了，但他本人和一年前相比，没有任何进化。
系统正在奖励“作弊者”
更有意思的是，这不仅仅是学生的问题，是整个学术评价体系的合谋。
天体物理学家 David Hogg 说过一段很扎心的话：在天体物理界，哈勃常数的精确值其实没那么重要，没人会因为宇宙年龄是 137.7 亿年还是 137.9 亿年就活不下去。
这门学科唯一的产出，其实是“人”。
但在现在的评价体系里，没人关心“人”。系里要论文，基金委要成果，学校要排名。Alice 和 Bob 谁能发更多文章？显然是用 AI 开挂的 Bob。
我有个同事，几年前还在痛骂 LLM 会毁了科学，说“这东西会夺走科学最美好的部分”。当时我以为他在忧国忧民，后来才发现，他只是担心自己的母语优势被拉平。
现在呢？这位老兄摇身一变，成了 AI 科研的狂热鼓吹者。为什么？因为他发现有了 AI，他这种资深教授的生产效率能吊打普通人。
以前担心被拉平，现在发现能加速，态度立马就变了。
你看，这就是现实：系统不仅不惩罚 Bob，反而还在奖励 Bob。只要你能产出，谁在乎你是不是真的懂？
舒适地滑向无知
这才是最让我担心的地方。
不是 AI 变得像人，而是人变得像机器。
现在的年轻博士生，遇到问题第一反应是问 Claude，而不是翻课本。他们跳过了那些在错误中徘徊的下午，跳过了盯着报错信息发呆的深夜，跳过了那些看似无用的“笨功夫”。
但那些“笨功夫”，恰恰是构建直觉的唯一途径。
就像你健身，AI 可以帮你举杠铃，甚至可以帮你刺激肌肉，但如果你自己不发力，肌肉永远长不出来。
Frank Herbert 在《沙丘》里借角色之口说过一句话：机器让我们增加了“不思考就能做的事”。危险就在这里。
五年后，Alice 会成为能独立提出问题、指导学生的科学家。她脑子里的那套框架，是任何工具都夺不走的资产。
而 Bob？他会成为一个熟练的提示词工程师。只要 AI 还在，他就是高效的；一旦 AI 撤走，或者遇到 AI 训练集里没有的新问题，他就会瞬间被打回原形——还是那个连坐标系都搞不明白的一年级新生。
他这一年的“科研经历”，其实只是看着 AI 替他过了一年。
我们该怪谁？
老实讲，我很难苛责 Bob。
学术圈太卷了。不发表就出局，教职金字塔的每一层都在筛选那些“高产”的人。如果一个工具能让你从发一篇论文变成发三篇，傻子才不用。
Bob 只是在一个畸形的游戏规则里，做出了最理性的选择。
但这依然是个悲剧。因为科学研究的本质，从来不是那几页 PDF，而是那个在黑暗中摸索、最后点亮火把的人。
如果我们为了效率，把“人”的成长从科研中剥离出去，那剩下的不过是一堆没人读的论文，和一群不知道自己在做什么的“科学家”。
机器没问题，它们很好。
我是真有点担心我们人类自己。
【锐评】：
当论文成为唯一的KPI，AI就成了最高效的作弊器，而学术界正在批量生产“有学历无学力”的空心人。
参考链接：
https://ergosphere.blog/posts/the-machines-are-fine/