一、从AI成功案例接踵而至开始：为什么我们需要重新理解AI？
过去几年，AI的发展几乎呈现出一种连续加速的状态。最开始，人们讨论大语言模型，更多还是围绕"它能不能写文章""能不能写代码""能不能帮我总结材料"这些具体任务展开。但进入2025年以后，一个明显的变化是，模型不再只是更会生成文本，而是开始在推理、代码、工具调用、多模态理解、长上下文处理和复杂任务执行等方面形成新的能力结构。OpenAI 在2025年发布 o3 和 o4-mini 时，强调其推理模型第一次能够在 ChatGPT 中"agentically use and combine every tool"，包括搜索、Python、文件分析、视觉理解和图像生成等工具；这说明模型已经不只是回答问题，而是开始具备更复杂的任务执行形态。(OpenAI)
类似的趋势也出现在其他模型体系中。Anthropic 在2025年发布 Claude 3.7 Sonnet，将其称为首个面向市场的 hybrid reasoning model，它既可以快速回答，也可以进行更长时间的推理，并且同步推出 Claude Code，让开发者可以在终端中把部分工程任务交给模型处理。Google 的 Gemini 2.5 系列也把"thinking model"作为核心方向，强调在编码、数学、科学、知识和推理等高难任务上的能力提升。(Anthropic)
这些案例带来的冲击在于，我们已经很难只用"AI提高效率"来概括这轮变化。工程应用当然仍然重要，很多企业使用AI，本质上就是为了减少成本、提高效率、稳定质量。但是对于AI研究者来说，真正值得追问的问题已经变成：模型为什么会推理？能力如何通过训练、反馈和工具使用被激发？Agent如何在真实环境中执行任务？我们应该如何评价这些能力？模型越强之后，又会带来哪些新的风险和研究问题？
因此，今天讨论AI的价值，至少要区分两条路径。第一条是工程应用中的AI使用 ，它关注的是如何用AI更好地完成已有任务。第二条是科研AI中的AI研究，它关注的是AI能力本身如何被构造、拓展、评估与治理。前者的关键词是"降本、增效、提质"，后者的关键词则是"能力拓展、技术外溢、范式重构"。
二、工程应用：AI作为能力复制与流程优化工具
在工程应用中，AI的价值相对容易理解，因为应用场景通常已经存在明确的任务、流程和目标。比如软件开发要修复bug、生成代码、理解仓库；企业办公要处理文档、生成报告、制作表格；客服系统要回答用户问题、总结工单、提升响应速度。这些任务在AI出现之前就已经存在，AI进入之后，主要改变的是执行方式。
这也是为什么"降本、增效、提质"会成为大家最熟悉的总结。所谓降本，是指原来需要大量人力、时间或专业经验的任务，现在可以用更低成本完成；所谓增效，是指原来串行、重复、耗时的流程，可以通过AI进行压缩和自动化；所谓提质，则是指通过模型能力和流程约束，让输出更加稳定、一致和规范。OpenAI 在 GPT-5.2 发布中提到，ChatGPT Enterprise 用户平均每天节省40---60分钟，重度用户每周节省超过10小时，这其实就是典型的工程应用叙事：AI被嵌入知识工作流，帮助组织释放经济价值。(OpenAI)
但这里需要强调的是，工程应用中的AI并不只是"替代人类劳动"。更准确地说，它是在把人类已有能力变成系统能力。过去，一个人能不能写好代码、写好文档、处理好表格，很大程度上取决于个人经验、训练水平和当天状态；而AI系统的出现，让这些能力可以被封装、调用、复制和规模化部署。它并不必然完全替代人，而是把人的能力从"个体经验"变成"组织流程中的通用接口"。
所以，工程应用中的AI本质上回答的是一个非常清楚的问题：如何在已有任务空间中，以更低成本、更高效率、更稳定质量完成工作。 这类问题非常重要，因为它直接决定AI能否真正进入产业、办公、教育、研发和服务系统。但它的边界也很清楚：问题本身通常没有变，目标函数通常也没有变，AI主要改变的是执行过程。
三、工程应用的局限：效率提升不等于系统真正变好
不过，工程应用中的"降本增效提质"也容易带来误解。很多时候，AI确实让局部环节变快了，但整个系统是否真的变好，还需要更谨慎地判断。比如AI辅助编程让代码生成速度提升，但如果生成的代码需要更多审查、返工和维护，那么表面上的效率提升可能会被系统后端的维护成本抵消。2025年的一些研究开始讨论这个问题：AI工具可能提高外围开发者的产出，但同时也可能增加核心开发者的审查和维护负担，使得"代码写得更快"并不等于"软件工程整体更高效"。(arXiv)
这说明，工程应用不能只看单点效率，而要看系统总成本。AI生成一段文本很快，但是否准确、是否符合事实、是否适合场景，还需要人工判断；AI写一段代码很快，但是否安全、可维护、符合项目架构，也需要工程验证；AI客服回复很快，但是否真正解决问题，是否会产生新的误导和投诉，也需要业务闭环来衡量。因此，工程应用中的AI不是简单的"机器替代人"，而是"人、模型、流程、审核机制和责任体系"的重新组合。
这一点也为后面的"科研AI"埋下了伏笔。因为一旦我们发现AI不是简单的工具，而是一个会生成、会推理、会调用工具、会影响流程的复杂系统，就必须从研究层面去追问：这种能力从哪里来？如何稳定？如何评估？如何控制？这就进入了AI研究本身的领域。
四、科学研究AI：不是用AI做科学，而是研究AI本身
这里必须把"科学研究AI"的含义说清楚。本文所说的科学研究AI，并不是指"用AI研究蛋白质、材料或药物"，也不是狭义的AI for Science，而是指以AI系统本身为研究对象的科研活动。也就是说，研究者关心的是大模型、语音模型、多模态模型、Agent系统、对齐机制、评测体系、安全治理等AI问题本身。
从这个角度看，科研AI并不满足于问"AI能不能帮我更快完成某个任务"，而是要问更深的问题：模型如何获得推理能力？Agent如何分解和执行任务？多模态模型如何对齐语言、图像、语音和动作？模型为什么会幻觉？为什么会受到提示攻击？评测集是否真的测到了能力？安全机制能否跟上模型能力的增长？这些问题并不属于工程应用中的流程优化，而是AI作为研究对象之后自然形成的科学问题。
因此，科研AI的核心不是"把AI用于科研"，而是"对AI进行科研"。它的目标不是简单提升一个系统的效率，而是理解、构建和控制一种新的智能能力结构。
五、科研AI第一条主线：能力拓展------模型还能具备什么新能力？
科研AI的第一条主线是能力拓展。它关注的不是"如何更快完成已有任务"，而是"模型是否能够具备过去不具备的能力"。2025年最典型的热点之一就是推理模型。DeepSeek-R1 的意义不只是发布了一个强模型，而是把"推理能力如何通过强化学习被激发出来"推到了研究中心。Nature 在2025年发表的 DeepSeek-R1 论文明确指出，该工作通过强化学习激励大语言模型推理能力；其早期版本 DeepSeek-R1-Zero 在没有监督微调作为预备步骤的情况下，通过大规模强化学习展现出推理行为，而 DeepSeek-R1 又通过冷启动数据和多阶段训练改善可读性与语言混杂等问题。(Nature)
这类研究真正回答的不是"模型能不能做题"，而是"推理能力是否可以通过某种训练机制被诱导出来"。这对AI研究者来说非常关键，因为它把研究重点从"设计一个任务模型"推进到了"研究能力形成机制"。过去我们可能更关注模型结构、数据集和指标；现在我们开始关注奖励信号、长链推理、搜索过程、自我验证、错误修正和能力涌现。
第二个能力拓展方向是Agent能力。OpenAI 的 o3/o4-mini 强调推理模型可以组合使用工具，GPT-5 又被定位为面向编码和agentic tasks的模型，并在SWE-bench Verified上取得74.9%的成绩。这个例子说明，AI研究正在从"模型回答问题"转向"模型执行任务"，从"语言生成"转向"环境交互"。(OpenAI)
第三个方向是长期任务和复杂工作流。OpenAI 在 GPT-5.2 中将其描述为面向professional work和long-running agents的模型，强调其在表格、演示文稿、代码、图像理解、长上下文、工具使用和复杂多步项目上的能力。这反映出科研AI正在关心一个新的问题：模型能否从单轮响应走向持续执行，能否在长任务中保持目标、上下文、约束和行为一致性。(OpenAI)
所以，科研AI的第一层可以概括为：能力拓展研究的是AI能力空间如何被打开。 它关注推理、规划、工具调用、代码修复、多模态理解、长上下文、长期记忆、主动交互等能力如何产生，而不是仅仅把已有任务做得更快。
六、科研AI第二条主线：技术外溢------模型越强，新问题越多
科研AI的第二条主线是技术外溢。所谓技术外溢，并不是说AI带来了一些"额外麻烦"，而是说当模型能力增强之后，原本不存在或不突出的研究问题会被制造出来。模型不会推理时，我们不太需要研究"推理过程是否忠实"；模型不能调用工具时，我们不太需要研究"Agent权限边界"；模型不能长期执行任务时，我们也不太需要研究"长周期行为漂移"。但是一旦模型开始具备这些能力，新的问题就会自然出现。
例如，推理模型出现之后，一个重要问题是：模型展示出来的推理过程是否真的反映了它的决策原因？这就涉及chain-of-thought faithfulness、可解释性和评估可靠性。2025年的相关研究已经开始专门讨论reasoning models的链式思考是否忠实，以及推理模型是否更能反映提示线索对答案的影响。这个问题之所以出现，正是因为模型开始以"会思考"的形态呈现自己。(arXiv)
再比如，Agent系统出现之后，安全问题就从"模型说错话"扩展为"模型做错事"。如果一个Agent可以浏览网页、读写文件、运行代码、调用工具、修改仓库甚至操作业务系统，那么错误就不再只是文本层面的，而可能直接进入现实系统。OpenAI 在2025年提出 BrowseComp，用于评估浏览型Agent寻找难找信息的能力，这表明研究界已经意识到传统问答评测无法覆盖agentic browsing这类复杂能力。(OpenAI)
监管和治理层面的变化也说明了技术外溢正在成为AI研究的一部分。欧盟AI Act针对通用AI模型提出技术文档、版权政策、训练内容摘要等义务；对于具有系统性风险的模型，还要求通知、风险评估与缓解、事件报告和网络安全保护，这些要求从2025年8月2日起开始适用。NIST也在2026年发布了面向关键基础设施可信AI的AI RMF Profile概念说明，说明AI风险管理正在从通用原则走向更具体的关键场景。(数字战略网站)
所以，技术外溢并不是AI研究的边缘议题，而是能力拓展之后必然出现的第二类核心问题。模型越强，我们越需要研究如何约束它、解释它、评估它、追踪它、审计它，并为它的行为设置边界。科研AI不只是"造能力"，还必须"控能力"。
七、科研AI第三条主线：范式重构------我们研究AI的方式正在改变
科研AI最深的一层，是研究范式本身的变化。过去很长一段时间，AI研究的典型范式是：定义一个任务，构建一个数据集，设计一个模型，在固定指标上比较性能。这种范式仍然重要，但它已经不足以描述大模型时代的全部研究对象。
大模型时代之后，越来越多的能力不是在单一任务中被精细设计出来的，而是在预训练、指令微调、偏好优化、强化学习、工具使用、长上下文交互和外部环境反馈中逐渐形成的。因此，研究者面对的不再只是一个"模型结构问题"，而是一个"能力系统问题"。我们不只是问某个模型在某个benchmark上得分多少，而是要问能力如何形成、如何泛化、如何迁移、如何稳定、如何在真实任务中被调用，以及如何在长期交互中保持可靠。
评测范式也在变化。SWE-bench Verified 之所以重要，是因为它把模型放进真实软件工程问题中，要求模型围绕GitHub issue生成可验证补丁。但到了2025年，新的研究又开始反思：SWE-bench Verified 这样的热门benchmark是否可能受到训练数据污染影响，模型高分是否真的代表真实issue-solving能力，还是部分反映了训练记忆。也就是说，研究对象已经从"模型能不能在benchmark上得高分"，进一步变成了"benchmark本身是否还能可靠衡量能力"。(arXiv)
类似地，SWE-Bench-CL 在2025年提出从持续学习角度评估coding agents，把GitHub issues组织成时间序列，用于测试Agent是否能积累经验、迁移知识并抵抗灾难性遗忘。这类工作说明，AI评测正在从静态任务转向动态过程，从单次作答转向长期能力，从孤立样本转向真实工作流。(arXiv)
这就是范式重构：AI研究不再只是"训练模型---跑分---比较结果"，而越来越像是在研究一个由模型、数据、工具、反馈、环境、用户和安全约束共同组成的复杂系统。研究者不仅要提升性能，还要解释能力机制；不仅要设计模型，还要设计评测和反馈环境；不仅要追求更强，还要理解更强之后系统会变成什么。
八、把工程应用与科研AI统一起来：两类问题、两套逻辑
到这里，我们可以把整体逻辑整理得更清楚。工程应用中的AI，主要解决的是"如何更好地完成已定义任务"。它的核心是降本、增效、提质，本质是把人类已有能力复制、封装并嵌入系统流程。它关注的是应用价值、组织效率、流程自动化和质量稳定性。
科研AI中的AI研究，则解决另一类问题：AI能力如何被构造出来，模型还能具备什么新能力，新能力会带来什么新风险，以及我们是否需要重构研究与评估方式。它不是把AI作为工具，而是把AI作为研究对象。它的核心不是"替代多少人力"，而是"理解和推动智能系统能力边界"。
可以把二者整理成下面这个框架：
| 层面 | 关注对象 | 核心问题 | 关键词 | 本质 |
|---|---|---|---|---|
| 工程应用 | AI作为工具 | 如何更好完成已有任务？ | 降本、增效、提质 | 能力复制与流程优化 |
| 科研AI：能力拓展 | AI能力本身 | 模型还能具备什么新能力？ | 推理、Agent、工具调用、多模态、长任务 | 打开能力空间 |
| 科研AI：技术外溢 | AI能力后果 | 新能力带来什么新问题？ | 安全、对齐、隐私、责任、监管、可解释性 | 约束复杂能力 |
| 科研AI：范式重构 | AI研究方法 | 我们如何重新研究AI？ | 动态评测、真实任务、持续学习、系统反馈 | 重构研究范式 |
这个框架的关键在于，它避免了两个极端。第一个极端是把AI完全理解为生产力工具，好像AI的价值只是帮人写代码、写材料、降成本。第二个极端是把AI说得过于玄学，好像所有问题都被AI彻底改写。更合理的理解是：工程应用确实在释放AI的现实价值，而科研AI则在决定AI未来能力的上限、边界和方向。
九、结语：工程应用回答"如何用"，科研AI回答"它会成为什么"
过去我们谈AI，常常从工程应用出发，把它理解为一种降本、增效、提质的工具。这种理解并没有错，因为大量真实场景中的AI价值，确实来自对已有任务流程的压缩、复制和优化。但对于AI研究者来说，这只是问题的第一层。真正的科研AI，是把AI本身作为研究对象，研究模型如何获得推理、规划、工具调用、多模态理解和长期交互能力，研究这些能力带来的安全、隐私、对齐和责任问题，并进一步重构AI研究的评价体系与方法论。
因此，工程应用回答的是"AI如何被使用"，科研AI回答的是"AI如何成为它现在和未来的样子"。前者决定AI能否进入现实世界，后者决定AI最终能够走到哪里。降本、增效、提质让AI变得有用；能力拓展、技术外溢和范式重构，则让AI成为一个真正值得被研究的复杂对象。