Paper 已死，硬核科研当立

2026年4月2日（星期四）19:30 - 21:00，我听了香港中文大学计算机科学与工程系徐强教授的一场报告，题目很锋利，叫《Paper 已死，硬核科研当立：AI 时代科研人的自我修养》。

“Paper 已死”当然是一种有意为之的表达，但它真正刺中的，并不是论文有没有价值，而是另一层更深的问题：当 AI 正在系统性改写科研流程时，科研人到底该拿什么证明自己的价值？未来的科研，又该以什么作为真正的交付物？

听完之后，我一直在想一个问题：AI 到底让科研变简单了，还是变难了？

论文之外还有什么

以前做科研，写论文几乎是终点。你做完实验，写成 paper，发到会议上，citation 数字涨上去，这件事就算完成了。

但徐强教授说，未来真正有生命力的科研成果，不应该只是一篇论文。它更应该是一个能被别人调用的东西——工具、API、Benchmark、Ground Truth，这些才是能长期活在技术生态里的东西。

以前我们评价一个研究好不好，主要看它发在哪儿、被引了多少次。但如果你做的东西根本没人用，没人调用，没人继续扩展，那它真的算”成功”了吗？

报告里提了一个评价框架叫 ROSE：解决真实需求（R），具备原创性（O），具有重要性（S），保持优雅性（E）。这套标准比”发在哪儿”难多了，但它更接近科研本身该有的样子。

真正好的研究，不应该止步于论文。它应该继续变成工具、系统、方法，继续活在后续的工作里。

Agent 越强，越需要有人看着

报告的第二条线，讲的是 Agent 的治理问题。

现在很多人谈 Agent，都在说它能做什么：理解任务、拆解流程、调用工具，甚至表现出”自主行动”的样子。但很少有人认真想一个问题：如果 Agent 越来越强，谁来保证它不乱来？

徐强教授提了一个概念叫”监管内核”。简单说，就是在大模型和外部世界之间，加一层约束。大模型负责想、负责出主意，但真正执行之前，得有人检查一下：这个动作安全吗？符合规则吗？会不会出问题？

真正成熟的 Agent 系统，不能只靠”更聪明”的模型堆出来。你得有一套机制，能验证它、约束它、在它出问题的时候能拦住它。

AI 时代做系统设计，不只是能力问题，更是边界问题。

AI 替代的是手艺，不是眼光

报告里我最认同的一点，是它没有把 AI 简单当成”效率工具”。它问了一个更深的问题：当工具越来越强，人还剩下什么？

徐强教授说，AI 会抹平很多技能层面的差距。那些重复性的、靠熟练度堆起来的工作，确实容易被自动化。但有一类东西很难被替代：对问题的洞察、对方向的判断、对信息真伪的辨别，以及把一个模糊问题推进成可验证成果的能力。

这意味着，以后比”会不会用工具”更重要的，是你能不能提出一个值得研究的问题；能不能判断 AI 给出的结果是真的有效，还是只是”看起来像答案”；能不能把一项工作从想法推进到真正能用、能传播、能落地的成果。

工具在变强，但真正决定上限的能力，反而变得更底层了。

问答环节里的几个观点

问答环节有人问：AI 会不会让差距越来越大？那些本来就擅长组织、判断的人，会不会在 AI 加持下把普通人甩得更远？

徐强教授说，科研思维是可以训练的。怎么判断一个问题有没有价值，怎么辨别信息是否可靠，怎么组织自己的研究过程，这些都不是天赋，是可以靠长期训练建立起来的能力。

他还说了一个读论文的方法：读的时候，不要只看作者得出了什么结论，要去想他怎么走到这条路上的。你得看出问题是怎么被发现、定义、推进和解决的，这才是真正该学的东西。

这很重要。因为 AI 可以帮你更快地总结论文、生成思路，但如果你没有判断力，就很容易被那些”看起来很流畅、实际上很空”的内容牵着走。工具越强，判断力越稀缺。

教育该教什么

报告里关于教育的讨论，也让我想了很久。

AI 让知识获取变得更容易了。以前要花很长时间才能学会的东西，现在可能问一下模型就知道了。但这不意味着教育会变轻松，反而可能更难。

因为当知识本身越来越容易获得时，真正稀缺的就不再是”记住多少”，而是”判断什么值得学”。未来真正重要的，可能不只是教学生知识，而是教他们怎么判断、怎么选择、怎么形成自己的问题意识。

说得直白一点：AI 可以帮你执行，但前提是你自己得知道要去哪。没有方向感的人，工具再强，也只会更快地原地打转。

写在最后

所以，”Paper 已死”想说的，不是论文没用了。而是只把论文当终点的时代，正在结束。

AI 时代真正的”硬核科研”，一方面要求你做出能真正用起来的东西，留下可复用、可调用、可进入系统的交付物；另一方面，也要求你重新修炼那些最基础的能力：问题意识、判断力、研究品味，以及和新工具配合的能力。

工具革命已经发生了。接下来真正决定一个科研人能走多远的，也许不是他会不会用 AI，而是他能不能在 AI 时代，依然看见什么问题真正值得被解决。

附：原始听会记录

以下内容保留我当时的笔记式记录，放在文末备查。

小结

本次会议围绕 AI 时代科研范式的变革展开，探讨了科研交付物的重塑、Agent 时代的监管内核，并回应了关于科研价值、AI 工具使用及教育模式等核心问题。

1. 科研范式的重塑与交付物的变革

科研的核心价值不应仅限于发表论文（citation），更应体现在能否被 AI Agent 调用和产生实际的社会影响力。

未来的科研交付物应包含可被 Agent 调用的工具、API、Benchmark 或 Ground Truth 等基础设施，以确保工作的长期生命力和生态位。

提出了“Rose 法则”作为新的科研评判标准：解决一个真实需求（R），具备原创性（O），具有重要性（S）和优雅性（E）。

2. Agent 时代的监管内核：OS 系统

针对 Agent 系统存在的不确定性、不可控性及潜在风险，提出构建一个“监管内核”（OS），作为 Agent 的“缰绳”。

该内核通过将大语言模型（LLM）的语义输出映射为确定性的指令集，结合规则进行边界检查和拦截，形成“神经符号系统”。

目标是让 LLM 负责创造可能性和制定计划，而监管内核则负责守住边界，确保系统安全、可靠地执行。

3. 关键议题与观点探讨

科研价值与“水论文”：强调硬核科研的价值在于对问题的深刻洞察和解决，而非简单的重复劳动。自动化“水论文”系统缺乏认知增益，而高质量的科研过程本身对锻炼个人能力有益。

AI 工具的使用：认为 AI 工具（如大模型）能有效抹平不同能力的研究人员在技能层面的差距，但核心的“科研思维”如如何提出有价值的问题、如何与 AI 有效沟通、如何判断信息真伪，仍是需要训练和培养的。

教育模式的演变：面对 AI 对知识获取方式的冲击，教育应转向培养学生的核心判断力、批判性思维和跨领域整合能力，而非单纯的知识灌输。课堂的角色应转变为引导学生解决问题和进行深度交流。

待办

1. 开源项目发布

徐强近期将会发布其团队研发的监管内核系统（OS），并邀请社区试用和反馈。

问答摘记

刘伟峰：头一两年，和最近两年感受不一样，AI 抹平中等、高级人员的科研能力，但是最近感觉有所拉大。能用好 AI 大模型的人将差距拉开，而这波人有很好的组织管理天赋，从小就有这样的能力，这个能力可以让他们更好地利用 AI。这种差距很难再追赶，固化了，徐老师怎样看待这个事情。

徐强：有不同意见。工业革命抹平体力差距，大模型抹平人的技能差距，但不认为它抹平了科研的能力。科研这套思维方式可以训练，怎样察觉一个问题它的价值、和 AI 有效沟通、如何判断信息真伪，有意识地训练科研的思维就不会被 AI 抹平，所以否认 AI 时代下科研能力与领导组织天赋强相关。徐强的书中也说到不会更大地拉开差距，科研是有规律的，是可以训练的。

论文是读不完的，要精挑细选地去读。在读论文的时候，主要考虑作者是怎样走到这条路上的，而不是真正的研究内容，提升自己的科研品味和判断力，然后就能提升自己使用 AI 做科研的效率和效果。

使用什么样子的模型：用最好的 AI 工具，花钱使用最强的模型来提升自己。

学校教育问题：有了 AI，知识和技能是平权了，但是判断力和选择的能力还是经验丰富的人，比如学长和老师，更加强。

小孩子教育问题：每个时代的人有每个时代的人的需求，不像“登味”很浓的我们这些。你的知识和技能本身平权了，现在的教育在这方面是要改的。小孩子一定要有自己有兴趣和热爱的东西，有热爱的东西肯定就有很多发现、需求和想法，这时候就可以使用 AI 去做，成为自己兴趣和热爱的打工人。有想法有能力的人肯定不会被替代，如果没有什么兴趣又没有什么想法，那 AI 真的会很大程度上替代这些人。