"这项工作既有新意，又很好。可惜的是，好的部分不新颖，新颖的部分不好。"这句学术圈的毒评，被图灵奖得主Richard Sutton精准地掷向了整个生成式AI。他的结论简洁到残忍：这一定义，适用于今天我们所熟悉的大部分AI。
Sutton的洞察直指核心------生成式AI本质上是监督学习。它被训练来模仿人类创造的高质量样本，模仿得越像，分数越高。这就造成了一个结构性矛盾：当模型严格复现训练数据时，输出质量高，却不新颖；当它试图偏离数据以生成真正新颖的内容时，质量立刻崩溃。因为它没有内在的评估机制来判断"这个新东西到底好不好"。新颖性与质量，在纯监督学习的框架下，成了跷跷板的两端。我们讨厌的"幻觉"，不过是模型尝试新颖的副作用。而讽刺的是，这恰恰证明：我们真正需要的，只是高质量的模仿，而非真正的创造。
Sutton进一步指出，真正的发现需要三位一体：变异、评估、选择性保留。进化论、科学方法、人类学习，莫不如此。而生成式AI只完成了第一步------它像一个蒙着眼睛的弓箭手，射箭无数，却从不看靶，更不根据结果调整姿势。它没有评估，没有选择性保留，因此不可能实现真正的发现。
那么，科学家会因此被取代吗？Sutton和数学家的实践给出了否定答案。一位数学家花了六年时间钻研BDRS算法的收敛性问题，最终借助ChatGPT完成证明。但他直言：AI不能创造性地提出这个算法，更不能判断哪个问题值得解决。是他六年的深耕，让他知道难点在哪、哪条路径值得追、哪条是幻觉。他用五个月、无数次对话，才与AI共同逼近证明。
研究的本质没变，仍是反复试错。变的是试错的速度------过去几周验证一个方向，现在只需几分钟。但提出正确问题，始终需要人类深刻的理解与判断。正如Sutton所言，哪怕AI能独立证明数学定理，仍需人类告诉它哪些问题是重要的。
这不是AI的失败，而是人类的新契约。未来，谁能提出好问题，谁才配拥有强AI。科学家不会被淘汰，但会被更残酷地筛选。不借助AI，就像天文学家不用电脑一样过时。让我们大胆一点，让AI全面参与创造、评估与发现。但请记住：当一张论文以"证明由ChatGPT生成，经作者验证"结尾时，责任的签名，永远属于人类。AI只有3.5岁，而真正的科学，仍需要那双看清问题的眼睛。