这半年，一个变化越来越明显了。
几乎所有科研人，都开始说自己"在用AI"。
但如果你继续追问一句，你会发现，大家口中的"用AI"，其实完全不是一回事。
有人还停留在最基础的一层：润色摘要、翻译英文、改改语气，把它当成一个更便宜、更耐心、还不用预约的学术写作助手。
有人已经开始拿它问概念、问公式、问模型假设，像是随身带了一个24小时在线、永远不会嫌你问题基础的"AI师兄"。
也有人更进一步，把文献阅读、代码调试、结果可视化、审稿回复，甚至整套科研流程，都逐渐塞进了AI工作流。
再往前走，事情就更不一样了。
这时，AI已经不只是一个回答问题的工具，而是在慢慢变成科研协作系统的一部分。
所以，科研人用AI，根本不是简单的"会不会用"的问题。
真正的区别在于，你和AI的关系，走到了第几层。
因为科研人和AI之间，并不是某一天突然"学会了怎么用AI"，而是在不断经历关系变化。
变化的不是工具本身有多强，而是你们之间的分工、信任和边界，正在一层一层被改写。
如果粗略来分，我越来越觉得，这个过程大概会经历5次变化。
01 执笔者：AI先成为你的"科研笔"
大多数科研人和AI的第一次合作，往往都很朴素。
"帮我把这段话改得更学术一点。"
"这段英文能不能更像SCI论文？"
"帮我把审稿回复写得更礼貌一点。"
这就是第一阶段。
AI先成为一支笔，一支能随时改写、润色、补全、调整语气的"科研笔"。
尤其是对英文写作压力很大的研究生来说，这种体验几乎是立竿见影的。
以前一段摘要可能要改半天，现在几分钟，AI就能给出几个版本。
以前中文表达很难顺滑地翻成论文英文，现在至少先有了一个能继续改的底稿。
以前审稿回复总担心语气不对，不是太硬就是太软，现在AI能先帮你搭出一个"像样"的版本。
这当然有价值，而且是非常现实的价值。
因为科研里有太多表达性的消耗，本来就不值得占掉最核心的脑力。
但问题也恰恰在这里。
第一阶段的关键：AI解决的是"怎么说"，不是"说了什么"
这一阶段，AI解决的主要是**"怎么说"的问题，不是"说了什么"**的问题。
它可以把句子写漂亮，把语气调正确，把表达打磨得越来越像论文。
可"像论文"，不等于"有论文内容"。
最危险的地方在于，AI特别擅长把一段原本信息量不高的话，润色得非常像那么回事。
像到最后，连你自己都容易产生错觉：是不是我已经想清楚了？
但科研里最隐蔽的一种自我欺骗，恰恰就是把**"表达得很好"，误认为"思考得很清楚"**。
这两件事，从来不是一回事。
所以第一阶段真正重要的，不是你学会了多少提示词技巧。
而是AI第一次真正进入了你的科研流程。
哪怕它只是帮你改了一段摘要，润色了一封回复。
门，就是从这一步被推开的。
02 求教者：AI开始像"24小时在线的师兄"
当AI先成为一支笔之后，很多人很快就会进入第二阶段。
开始把AI当"师兄"用。
这几乎是一个非常自然的转变。
因为科研里有大量问题，确实不那么方便问人。
"这个公式的物理意义到底是什么？"
"这个模型假设合理吗？"
"这篇文章的识别策略到底在解决什么问题？"
"为什么这个边界条件会影响结果？"
这些问题，去问导师，导师可能太忙。
去问师兄师姐，对方不一定总有空。
去翻文献，文献也未必写得足够清楚。
但AI会马上回你。
它不嫌你基础差，也不嫌你反复问。
你可以让它换个说法，举个例子，从零重讲一遍，或者用更通俗的方式再解释一次。
这种"随叫随到的解释感"，对科研人来说确实很容易上头。
以前卡住一个概念，可能要翻几篇论文、查几个网页、问两三个人，最后还不一定彻底搞懂。
现在，你把问题丢给AI，几秒钟就能收到一段结构完整、措辞顺滑、看起来相当靠谱的解释。
这也是第二阶段最容易让人沉迷的地方。
但问题同样很清楚：
AI说得顺，不代表它说得对。
AI解释得完整，不代表它不是在完整地"编"。
它最像师兄的地方，是几乎什么都能讲两句。
它最不像师兄的地方，是讲错了，它也不用替你返工。
第二阶段的关键：不是继续问更多，而是学会约束AI
所以真正能跨过第二阶段的人，最后都会学会一件非常关键的能力：
不是继续问更多问题，而是开始约束AI的回答方式。
比如：
- "请标出你不确定的部分。"
- "哪些内容来自已有文献，哪些是你的推测？"
- "如果不知道，请直接说不知道，不要编造。"
- "这个结论在哪些条件下可能失效？"
从这一刻开始，关系就变了。
你不再只是一个向AI提问的人，而是开始要求它在科研规则里回答问题。
你开始要求依据、边界和不确定性。
你不再被AI的流畅表达牵着走，而是在给它立规矩。
03 搭档：AI开始真正"下场干活"
当"问问题"已经无法满足你时，第三阶段就出现了。
你会开始想：既然它能解释，那能不能顺手帮我做一点？
于是，AI从"回答者"变成"搭档"。
你开始把真实的科研任务交给它。
比如让它做文献初筛：
"把这几篇文章的研究对象、方法、数据、结论和局限，整理成一个对比表。"
比如让它参与模型讨论：
"这个变量该进主模型，还是更适合做稳健性检验？"
"这个机制能不能换一种方式解释？"
"如果审稿人质疑内生性，我应该怎么回应？"
再比如，让它帮你写代码、排查报错、处理数据、生成图表：
"这段回归代码为什么一直报错？"
"帮我写个脚本，把这些结果统一画成论文里的图。"
"帮我检查一下这段代码有没有逻辑问题。"
到了这一阶段，很多人会第一次非常强烈地感觉到：
科研，好像突然开始加速了。
以前一组文献要自己慢慢啃几天，现在AI至少能先帮你搭出一张"地图"。
以前一个后处理脚本要从头写，现在几分钟就能先跑出框架。
以前模型推导卡住了，现在把变量定义、假设条件和已有方程丢进去，它甚至能继续顺着逻辑往下推。
AI终于不只是"会说"，它开始"干活"。
但也正因为如此，第三阶段才是真正的分水岭。
因为从这里开始，错误会变得更加隐蔽。
代码能跑，不等于模型就是对的。
图能画出来，不等于结论成立。
文献能总结，不等于抓住了真正的贡献。
公式看起来完整，不等于假设真的站得住。
AI最危险的一点，从来都不只是"会出错"。
而是它特别擅长把错误包装得像成果，把问题处理得很整齐、很漂亮、很像一回事。
这才是第三阶段真正可怕的地方。
第三阶段的关键：速度越快，越需要验证能力
所以，真正跨过这一阶段的人，不是会让AI做更多事的人，而是开始建立验证习惯的人。
结果出来以后，会问：数据有没有问题？
模型跑通以后，会问：设定有没有理论依据？
图画出来以后，会问：这个趋势到底能不能解释？
AI总结完文献以后，会回到原文核对最关键的结论。
这些动作听起来一点都不"炫"。
没有"我用AI一天读完100篇文献"那种爽感，也没有"全自动科研流水线"那种强烈的效率幻觉。
但它们决定了一件真正重要的事：
AI到底是在帮你做科研，还是在帮你更快地制造错误。
AI时代，速度会越来越廉价。
真正稀缺的，反而是验证能力。
04 架构师：高手开始用AI重构科研流程
当验证习惯慢慢建立以后，你会意识到一件更深层的问题：
科研最耗人的，往往不是某一个步骤有多难，而是每一步都要重新开始。
每写一篇新论文，文献重新搜，框架重新搭，代码重新写，图表重新调，审稿回复重新组织。
你明明在做类似的事，却总像第一次做。
这种痛苦，很多科研人都很熟。
它不只是"忙"，而是一种重复性的、低水平的、不断重启的消耗。
也正是在这个阶段，AI的作用开始再次发生变化。
你不再满足于"有问题就问AI"，而是开始思考另一件事：
既然这些痛苦每次都那么像，为什么不能把它们变成固定流程？
于是，你和AI的关系，从"协作"进一步走向"系统设计"。
你开始设计自己的AI科研工作流。
你有固定的文献矩阵模板。
每次输入关键论文，AI按统一结构输出：研究问题、理论基础、数据来源、方法、核心结论、局限和可拓展方向。
你有固定的写作检查清单。
- 摘要有没有夸大贡献？
- 引言有没有说清研究缺口？
- 理论部分有没有从概念直接跳到假设？
- 讨论部分有没有只重复结果，却没有解释意义？
你有固定的代码检查习惯。
- 变量命名是否一致？
- 样本筛选是否可复现？
- 稳健性检验是不是只是机械堆结果？
- 每一张图、每一张表，是否真的服务于论文主线？
甚至在投稿前，你会让AI扮演一个"刻薄审稿人"，专门追问那些你最不想被问的问题：
- "你的创新点到底在哪里？"
- "这个机制有没有别的解释？"
- "为什么这个变量这样测量？"
- "这个结论是不是说大了？"
走到这里，真正拉开差距的，已经不是谁更会问AI。
而是谁更会把上一轮的痛苦，沉淀成下一轮的流程。
第四阶段的关键：把经验沉淀成基础设施
低水平使用AI的人，每次都从零开始。
高水平使用AI的人，会把每一次被折磨出来的经验，变成下一次的基础设施。
这一步非常关键。
因为这意味着，你已经不只是"用AI做科研"。
你开始重新设计自己的科研方式。
前者，还是在用工具补漏洞。
后者，已经在重构工作流。
前者每次都累。
后者会越来越轻。
05 研究者：AI能替你做很多，但替不了"判断"
如果说前四个阶段，AI不断在扩张自己的能力边界，那么第五阶段，研究者最终会意识到一件更本质的事：
AI能做的事情，确实越来越多了。
它能帮你写，帮你读，帮你算，帮你画，帮你整理结构，帮你模拟审稿人，帮你完成大量重复、琐碎、机械但耗时的工作。
但有一件事，它始终替不了你。
那就是判断：什么值得做。
一个问题有没有价值，只有你知道。
你的课题组积累了什么，只有你知道。
你的导师真正看重什么方向，只有你知道。
你的领域正在往哪里走，只有你知道。
你手里的数据到底能说明什么、不能说明什么，也只有你知道。
AI可以帮你列方程、搭框架、写代码。
但它不知道你的实验台实际上能测什么。
不知道你的数据采集里做过哪些妥协。
不知道你的仿真模型在哪些条件下会失效。
不知道你的结论写到什么程度，才不会被审稿人一把抓住。
它当然可以把创新点写得很像创新点。
但它不知道，那个创新点是不是连你自己都心虚。
所以到了第五阶段，事情不是"AI替你思考"。
恰恰相反，是你终于把那些AI能做的、重复的、低水平的、机械性的劳动交了出去，然后把真正宝贵的精力，重新放回那些只有研究者自己才能做的事上。
第五阶段的关键：研究者必须保留最终判断权
定义问题。
判断价值。
承担责任。
形成自己的研究风格。
你会知道，哪些问题不能直接问AI。
你会知道，哪些结论不能因为它写得顺，就直接放进论文。
你会知道，什么时候必须停下来，回到原文、回到数据、回到实验本身。
你会知道，审稿人真正会抓什么。
你也会知道，这篇文章到底值不值得写。
这些能力，不是AI给你的。
这些能力，是你在文献里泡过、在实验台前熬过、在数据里摔过、在审稿意见里被反复锤过之后，慢慢长出来的。
从"帮我写"，到"什么值得写"。
这中间的距离，才是一个研究者真正的距离。
最后
AI最开始帮科研人做的，往往只是把一句话写得更像论文。
后来，它开始帮你提速。
再后来，它开始帮你搭流程、补短板、做协作。
但走到最后，它逼你面对的，其实是一个更本质的问题：
这篇论文，到底值不值得写？
前者是技能。
后者是判断。
技能可以被工具不断放大。
但判断，最后只能靠研究者自己长出来。
所以，科研人用AI这件事，真正的分水岭，从来都不是你会不会写提示词，不是你用过多少模型，也不是你装了多少工具。
真正的分水岭是：
AI越能帮你做事，
你越不能把责任交给它。
从润色一段摘要，到决定什么值得研究。
这条路，AI确实可以陪你走很远。
但最后往哪个方向走，始终还是研究者自己的事。