AI4Science：当科研开始工业化，你真正需要害怕的不是 AI

#AI4Science#科研#认知神经科学#职业发展#AI

AI4Science：当科研开始工业化，你真正需要害怕的不是 AI

如果你是认知神经科学、心理学、fMRI、EEG 或行为实验方向的研究者，那么最近几年你大概已经听过一个越来越响亮的词：

AI4Science。

听起来很宏大。

仿佛下一场科学革命正在发生：AI 不再只是帮你润色论文、写 Python、画图，而是开始读文献、提假设、设计实验、分析数据、解释结果，甚至自己写论文。

这并不是科幻。

2026 年的几个系统已经开始把科研流程拆解并自动化。Nature 报道的 Robin 能够进行假设生成、实验设计、数据分析和迭代；另一套 AI Scientist 系统甚至已经能够自动生成研究想法、写代码、运行实验、分析结果、写论文并进行自动 peer review。

于是，一个对认知神经科学研究者而言非常不舒服的问题出现了：

如果 AI 可以越来越便宜、越来越快地完成 research workflow，那么我们这些人到底是靠什么拿到下一个 PhD / Postdoc position 的？

答案可能比“学会用 ChatGPT”残酷得多。

一、先说一个不太好听的结论：AI 不会首先取代“科学家”，而会首先取代“科研流水线工人”

很多人谈论 AI 对科研的影响时，会陷入一个非常浪漫的幻想：

“AI 永远不可能拥有真正的人类创造力，所以 scientist 不会被替代。”

这句话的问题在于：

科研岗位并不是 100% 由“创造力”组成的。

一个典型的认知神经科学 PhD 学生一天可能在做什么？

  • 搜 40 篇论文
  • 整理 literature
  • 写 introduction
  • 写几个 MATLAB / Python script
  • preprocess fMRI
  • 跑 GLM
  • 做 ROI analysis
  • 做 correlation
  • 跑 ANOVA
  • 做 permutation test
  • 画 figure
  • 修改 figure
  • 再画一个 figure
  • 写 Results
  • 写 Methods
  • 根据 reviewer 意见修改
  • 然后发现 preprocessing 有 bug
  • 再重新跑一遍
  • 最后在凌晨 2 点发现 subject_17 的文件夹名字拼错了。

恭喜。

这其中相当一大部分，本质上都是可以被标准化、程序化和自动化的 information processing。

而这恰恰是 AI 最擅长的事情。

2026 年的研究已经显示，AI 在科研中的使用最集中于信息搜集和论文编辑等信息密集型任务，而在需要责任与专业判断的环节使用程度明显下降。

换句话说：

AI 并不是突然学会了“科学”。

而是人类终于发现，原来科研里有这么多事情根本不需要人类。

二、什么样的 Research 最容易被 AI 干掉？

这里需要区分：

“这个研究领域会消失”

和

“这个领域里的某一种 researcher 会变得不值钱”。

后者其实更加危险。

1. “我有一个 dataset，然后我跑一堆 analysis”

这是非常危险的模式。

例如：

我有 300 个被试的 resting-state fMRI 数据。

我比较 ADHD 和 control。

然后做 functional connectivity。

然后发现某几个 ROI 显著。

然后和 questionnaire score 做 correlation。

然后 machine learning classification。

然后 mediation analysis。

然后发表一篇 paper。

过去这可能已经足够成为一个 dissertation chapter。

未来？

AI 会非常喜欢这种工作。

因为整个 pipeline 几乎可以被形式化：

Dataset
   ↓
Preprocessing
   ↓
Feature extraction
   ↓
Statistical testing
   ↓
Model comparison
   ↓
Visualization
   ↓
Literature search
   ↓
Interpretation
   ↓
Manuscript

这正是 agentic AI 最喜欢的 playground。

Robin 已经展示了从 literature search 到 hypothesis generation、experiment proposal、data analysis 和 hypothesis updating 的自动化路径。

所以如果你的核心竞争力是：

“我特别会分析别人已经收集好的数据。”

那可能需要开始思考一个非常不舒服的问题：

为什么未来实验室需要雇一个人，而不是运行一个 agent？

三、第二类高危 Researcher：把“熟练使用软件”误认为 scientific skill

这可能是神经影像领域最值得警惕的一类。

比如：

“我会 FreeSurfer。”

“我会 AFNI。”

“我会 FSL。”

“我会 SPM。”

“我会 Python。”

“我会 MATLAB。”

“我会做 MVPA。”

很好。

但问题是：

AI 也会。

而且 AI 不需要：

  • 睡觉
  • 吃饭
  • 毕业
  • 交 tuition
  • 找 postdoc
  • 在服务器上等 14 小时
  • 因为 $PATH 出错崩溃
  • 或者在 Stack Overflow 上寻找一个 2017 年的解决方案。

所以：

Tool proficiency ≠ research competitiveness。

未来真正有价值的不是：

“我会使用 AFNI。”

而是：

“我知道什么时候应该使用 AFNI，什么时候不应该使用 AFNI，以及这个 analysis 得出的结果到底意味着什么。”

这两句话的差距，就是未来 researcher 和“高级数据处理员”的差距。

四、第三类高危 Researcher：拥有大量“method”，却没有 scientific question

这是最典型的现代学术病。

一个 researcher 可以非常熟练地说：

“我们使用 multivariate pattern analysis、representational similarity analysis、functional connectivity、encoding model 和 deep learning model……”

然后你问：

“所以你到底想知道什么？”

沉默。

因为真正的问题其实只是：

“我手上有这个 dataset。”

于是 analysis 变成：

我有什么数据？
        ↓
我能跑什么 analysis？
        ↓
这个 analysis 能不能显著？
        ↓
能不能讲一个故事？
        ↓
Introduction：Previous studies have shown...

这套模式过去已经非常普遍。

而 AI 恰恰会把它优化到极致。

因为 AI 可以同时尝试：

  • 50 种 preprocessing
  • 100 个 feature representation
  • 20 个 statistical model
  • 30 个 visualization
  • 10,000 篇相关论文

最后给你一个非常漂亮的 figure。

于是你可能得到一个极其重要的问题：

如果 AI 比你更擅长“从数据中寻找故事”，那么你存在的价值是什么？

五、真正危险的不是 AI，而是“平均水平的 researcher”

这里才是 AI4Science 真正残酷的地方。

AI 不一定需要做到：

100% 替代 scientist。

它只需要做到：

把一个优秀 researcher 的 productivity 提高 10 倍。

然后市场就会发生变化。

假设以前一个 PI 需要：

3 个 PhD + 2 个 RA + 1 个 postdoc

才能维持一个 research pipeline。

如果未来 AI agent 可以让：

1 个优秀 postdoc + AI

完成原来 5 个人的工作，

那么问题就不再是：

“AI 会不会抢走你的工作？”

而是：

“为什么 PI 要雇五个普通人，而不是一个非常强的人？”

这才是最现实的竞争。

AI4Science 的发展正在把科研从一种高度依赖个人手工劳动的 craft，逐渐推向更加自动化、pipeline-oriented 的生产模式。已有研究甚至直接将这一变化描述为 scientific research 的“industrialization”。

六、那么，什么样的 Researcher 会越来越值钱？

答案不是：

“最会用 AI 的人。”

而是：

“能够决定 AI 应该做什么的人。”

这是一个非常重要的区别。

七、Skill #1：Question Formulation

你必须越来越擅长提出“好问题”

这是未来最重要的能力之一。

不是：

“Can AI predict visual imagery?”

而是：

“What computational mechanism could explain the dissociation between subjective visual imagery and stimulus-specific representations in early visual cortex?”

这两个问题看起来都在研究 imagery。

但第二个问题：

  • 有理论空间
  • 有 mechanistic implication
  • 可以产生 competing hypotheses
  • 可以设计实验进行 falsification
  • 可以和已有 literature 对话
  • 可以产生新的 research program

AI 可以帮你回答问题。

但如果你一直问：

“我应该分析什么？”

那你实际上已经把自己的 intellectual agency 外包了。

八、Skill #2：Deep Domain Knowledge

这可能是很多人对 AI 时代最大的误解：

“既然 AI 什么都知道，我是不是不需要学那么多？”

恰恰相反。

AI 越强，domain expertise 越值钱。

因为未来的问题不是：

“AI 能不能生成一个解释？”

而是：

“这个解释是不是 bullshit？”

例如 AI 告诉你：

“The increased BOLD response in V1 suggests enhanced perceptual processing.”

一个不了解 neurovascular coupling、vascular anatomy、attention、eccentricity、partial volume effect 和 laminar specificity 的人可能：

“Wow! Interesting!”

一个真正懂 neuroimaging 的人可能：

“等等。”

然后开始问：

  • vascular artifact 呢？
  • draining vein 呢？
  • susceptibility 呢？
  • preprocessing 是否改变了 spatial specificity？
  • V1 的 retinotopy 是否匹配？
  • ROI 是否真的在灰质中？
  • 是否存在 surface registration bias？
  • 有没有 circular analysis？
  • temporal SNR 怎么样？
  • layer profile 是否被 point-spread function 污染？

这就是 expertise。

AI 可以产生 100 个 hypothesis。

真正值钱的人，是知道其中 97 个为什么不值得做。

九、Skill #3：Experimental Design

如果未来 AI 可以：

literature → hypothesis → analysis → manuscript

那么最难自动化的东西之一，就是：

获取高质量、能够真正区分 competing hypotheses 的数据。

这意味着 experimental neuroscience 反而可能变得更加重要。

例如：

Bad researcher:

发现 correlation
        ↓
写 paper


Good researcher:

Theory
 ↓
Competing hypotheses
 ↓
Critical experiment
 ↓
Discriminative manipulation
 ↓
Prediction
 ↓
Data
 ↓
Falsification

真正优秀的 researcher 不应该问：

“我能不能用现有数据回答这个问题？”

而应该问：

“什么实验能够让两个理论产生不同的预测？”

这是完全不同的 intellectual level。

十、Skill #4：Causal Reasoning

这对于 psychology / cognitive neuroscience 尤其重要。

AI 极其擅长：

prediction

但 prediction 不等于 explanation。

例如：

Brain activity A
      ↓
Behavior B

AI 可以非常容易地告诉你：

A 可以预测 B。

然后你：

“太好了，我发现 neural representation predicts behavior。”

恭喜。

但是：

Does A cause B?

仍然是另外一个问题。

因此未来真正有价值的 researcher，需要越来越擅长：

  • causal inference
  • experimental manipulation
  • intervention
  • counterfactual reasoning
  • competing models
  • mechanistic explanation

而不是单纯：

“这个 variable 和那个 variable 显著相关。”

十一、Skill #5：Computational Literacy

注意：

不是“会写 Python”。

而是：

理解 computation。

你至少应该能够理解：

  • linear algebra
  • probability
  • statistics
  • optimization
  • machine learning
  • deep learning
  • representation learning
  • generative models
  • Bayesian inference
  • causal models
  • dynamical systems

不一定每个人都需要成为 ML researcher。

但是如果你连：

loss function 在优化什么

都不知道，

却天天告诉别人：

“我在做 AI + Neuroscience”

那就有点像：

会打开 PowerPoint 的人宣布自己进入了 computational science。

十二、Skill #6：成为一个“AI-native Researcher”

这可能是未来几年最直接影响 PhD / Postdoc 招聘的能力。

不是：

“我会使用 ChatGPT。”

而是：

你是否已经把 AI 当作 research infrastructure？

例如一个 AI-native researcher 可能这样工作：

Literature
   ↓
AI literature mapping
   ↓
Human identifies theoretical gap
   ↓
AI generates competing hypotheses
   ↓
Human evaluates plausibility
   ↓
AI proposes experimental designs
   ↓
Human selects discriminative experiment
   ↓
Experiment
   ↓
AI preprocessing
   ↓
AI statistical exploration
   ↓
Human validation
   ↓
AI generates candidate explanations
   ↓
Human performs theoretical evaluation
   ↓
New hypothesis

这里 AI 并没有取代 scientist。

但 scientist 的 productivity 可能发生数量级变化。

十三、所以，未来 CV 上真正有价值的不是“AI skills”，而是这四个层级

可以把 researcher 分成四种。

类型 核心能力 AI 时代前景
Level 1 — Tool User 会 MATLAB / Python / SPM / AFNI ⚠️ 高度可替代
Level 2 — Data Analyst 能处理大型 dataset、做统计和 ML ⚠️ 越来越自动化
Level 3 — Computational Scientist 能把 theory、model、data 联系起来 🟢 很有价值
Level 4 — Scientific Thinker 能提出重要问题、设计关键实验、建立机制性理论 🟢🟢 极其稀缺

真正应该追求的是：

Level 3 → Level 4

而不是：

MATLAB → Python → PyTorch → LLM → LangChain → Agent → 再学 14 个 framework。

十四、对于 PhD / Postdoc applicant，这意味着什么？

如果你现在正在申请：

  • PhD
  • Postdoc
  • RA
  • Research Scientist

那么 PI 真正想知道的越来越不是：

“你会多少 software？”

而是：

“如果我把一个模糊的 scientific problem 给你，你能不能把它变成一个值得做的 research program？”

一个非常有竞争力的 candidate 应该能够说：

“Here is the theoretical problem.”

然后：

“Here are the competing hypotheses.”

然后：

“Here is the experiment that distinguishes them.”

然后：

“Here is the computational model.”

然后：

“Here is how I would analyze the data.”

然后：

“Here is what would falsify my hypothesis.”

最后：

“And if the result is X, here is what I would do next.”

这时候 AI 是你的 accelerator。

而不是你的 substitute。

十五、最讽刺的一点：AI 可能让“会思考的人”和“不会思考的人”之间的差距越来越大

过去：

普通 researcher ↓ 学会一个方法 ↓ 跑 analysis ↓ 发 paper

未来：

普通 researcher ↓ 把问题交给 AI ↓ AI 生成 analysis ↓ researcher 选择一个看起来最合理的 ↓ 生成 paper

与此同时：

优秀 researcher ↓ AI 同时运行 100 个方向 ↓ researcher 判断哪个问题真正重要 ↓ 设计关键实验 ↓ AI 执行大量 computational work ↓ researcher 进行 theoretical synthesis ↓ 形成新的 research program

于是 AI 并不会自动让所有人变得一样强。

它很可能恰恰相反。

它会把人的 intellectual leverage 放大。

你没有 research intuition？

AI 会帮你快速生产更多普通答案。

你有非常强的 research intuition？

AI 可能让你一天探索以前一个学生一年才能探索的 research space。

十六、所以，如果你是 Cognitive Neuroscience / Psychology researcher，现在应该学什么？

如果让我非常残酷地排序：

第一优先级：Scientific reasoning

  • 能提出重要问题
  • 能建立 competing hypotheses
  • 能区分 correlation 与 causation
  • 能设计能够 falsify hypothesis 的实验
  • 能解释一个结果，而不仅仅是描述一个结果
  • 能判断一个漂亮 result 是否实际上没有意义

第二优先级：Computational thinking

  • Python
  • statistics
  • machine learning
  • computational modeling
  • Bayesian reasoning
  • data structures / algorithms 的基本理解
  • 能读懂现代 AI paper

第三优先级：真正的 neuroscience / psychology expertise

  • 深入理解自己的研究领域
  • 理解实验范式背后的心理过程
  • 理解 neural measurement 的物理限制
  • 理解 measurement → inference 的逻辑
  • 能识别 confound
  • 能从 biological / computational mechanism 解释结果

第四优先级：AI literacy

  • LLM
  • agentic workflow
  • multimodal models
  • foundation models
  • scientific AI
  • AI-assisted coding
  • AI-assisted literature review
  • AI-assisted data analysis

注意顺序。

不是把第四项放在第一项。

十七、最后：AI 时代最危险的一句话

未来几年，你可能会看到很多 CV：

“AI-powered neuroscience”

“AI-driven cognitive science”

“Leveraging cutting-edge large language models to investigate human cognition”

“We used GPT-XX to analyze……”

然后打开 paper。

发现所谓的 AI：

让 GPT 写了几个 Python script。

这不是 AI4Science。

这叫：

把 Excel 换成了 ChatGPT，然后给 paper 加了一个 buzzword。

真正的 AI4Science 是：

AI 改变了你能够提出的问题的规模、搜索 hypothesis space 的能力、进行实验和 simulation 的速度，以及最终建立 scientific theory 的能力。

否则：

AI 只是你的科研实习生，而且还是一个非常会写英文、偶尔一本正经胡说八道、从不要求加薪的实习生。

十八、真正值得害怕的不是“AI 会不会成为 scientist”

这个问题其实已经有点过时。

更值得问的是：

当一个 researcher 可以调用一百个 AI agents 时，一个 researcher 的价值到底在哪里？

答案可能越来越明确：

不在于你能做多少事情。

而在于：

你能不能判断哪些事情值得做。

不在于：

你能不能分析数据。

而在于：

你能不能决定什么数据值得收集。

不在于：

你能不能生成 hypothesis。

而在于：

你能不能提出一个重要到值得整个领域重新思考的问题。

不在于：

你能不能写 paper。

而在于：

你有没有真正改变我们理解某个现象的方式。

这可能就是 AI4Science 对科研职业最深刻的改变：

过去，researcher 的价值很大一部分来自“我能做”。

未来，researcher 的价值越来越来自“我知道为什么要做”。

所以，如果你正在读 Cognitive Neuroscience、Psychology、Neuroengineering 或相关方向的 PhD：

不要把自己训练成一个更快的 data analyst。

AI 已经在朝那个方向狂奔。

你真正应该训练的是：

一个能够提出问题、理解机制、设计实验、建立模型、质疑结果，并且能够驾驭 AI 完成整个 scientific loop 的 researcher。

因为到了那个时代，

AI 不一定会取代 scientist。

但它非常可能取代：

那些唯一能证明自己有用的方法，就是“我可以帮你把科研做得更快一点”的 scientist。

而这，可能才是 AI4Science 对下一代研究人员最辛辣、也最现实的提醒。

一个非常简单的判断标准

以后申请 PhD / Postdoc 时，可以问自己：

如果把 ChatGPT、Claude、Gemini、Cursor、Copilot、AI coding agent 全部拿走，我还剩下什么？

如果答案是：

“我会做 preprocessing。”

危险。

如果答案是：

“我会跑 GLM。”

危险。

如果答案是：

“我会训练 neural network。”

也不够。

如果答案是：

“我知道什么问题值得问，为什么值得问，什么实验能够回答它，以及什么结果会迫使我改变自己的理论。”

那么恭喜。

你至少还在做 scientist。

而不是一个等待自动化的科研 workflow。