每周末，我都会在醒来时，整理自己这周的一些念想：当一般性的知识、答案和方案变得触手可及时，真正稀缺的就不再只是“知道什么”，而是判断什么值得相信、什么值得投入，以及自己究竟应该走向哪里。
最近反复思考的，则包括论文写作、博士培养，以及AI时代教师角色的变化。
一、科研不是把事情做多，而是把问题想清楚
科研工作的第一步，是将研究问题凝练清楚。每篇论文都应当具有独立而完整的立意，能够明确回答三个问题：究竟要解决什么问题，现有方法为什么没有解决好，自己的核心改进是什么。
研究不应一味追求面面俱到，而应围绕最关键的矛盾展开。相比罗列大量模块，更重要的是识别出真正具有必要性和独特性的两三个核心设计。至于常规流程、基础实现和通用组件，则可以适当简化。
最近审阅了不少论文，也在不断修改学生和团队的论文。我越来越明显地感到，随着AI逐渐渗透到科研的各个环节，许多研究方案看起来内容丰富，包含多个模块和完整流程，但真正追问下去，却很难说明哪些部分构成了实质性的研究贡献，哪些只是为了让系统运行而进行的必要实现。
模块数量并不等于创新数量，系统复杂也不代表研究问题深刻。
创新不能停留在“提出了一个框架、模块或机制”这一层面。提出一个东西本身并不构成创新，关键在于它与已有工作相比究竟新在哪里，针对什么具体问题，又为什么能够发挥作用。方法设计、创新表述和实验验证之间，应当形成清晰的对应关系：每一个核心设计，都需要有相应的实验、指标或分析来证明其价值。
因此，科研方案需要不断做减法。那些缺少明确问题指向、没有实质性差异，或者无法通过实验有效验证的内容，即使能够让系统看起来更加完整，也未必适合作为论文的主要贡献。
论文写作同样需要详略得当。初步方案以及生成式工具产生的内容，往往容易呈现出“浅而宽”的特点：结构似乎完整，内容也面面俱到，但真正的重点并不突出。
科研需要“深而精”，论文表达则需要在完整性与聚焦性之间取得平衡。关键问题、核心方法和重要发现应当充分展开，次要内容则可以简要交代。论文不是对研究过程的流水账式记录，而是围绕一个中心问题组织起来的故事。所有方法、实验和结论，都应当共同服务于这一条主线。
从更深一层来看，这些要求最终都指向科研训练中最重要的一项能力：判断什么问题值得研究，判断现有方法的不足在哪里，判断自己的设计是否真正构成创新，也判断实验能否支持所提出的结论。
二、博士训练的核心，是建立独立判断
所谓“博士”，既要“专”，也要“博”。
博士训练要求一个人在具体问题上持续深入，但也要求他具有较为广阔的学术视野，能够理解不同的问题、方法和研究范式。其中最重要的，是始终保持好奇心、开放性和接纳能力。面对自己不了解的方向，不应因为陌生而轻易排斥，也不应简单地以“道不同不相为谋”来回避，而应愿意先去理解、学习，再作出判断。
广泛阅读的意义，并不只是积累更多知识，更不是单纯追求阅读数量，而是建立一个稳定的认知坐标。当我们见过更多问题、方法、成功经验与失败路径之后，才更容易判断什么是常规做法，什么是真正的创新，什么问题值得长期投入。
广度帮助我们建立参照系，深度帮助我们形成真正的贡献。见过的道路越多，最终选择自己的道路时，通常也会更加稳健。
但现实中，一些研究者越来越少系统阅读论文。一方面，是因为阅读速度慢、理解成本高；另一方面，也是因为AI显著降低了信息获取和内容生成的门槛。AI可以快速总结论文、梳理思路、生成代码，甚至给出一套看起来相当完整的研究方案。于是，人们很容易产生一种错觉：过去需要通过长期阅读和训练获得的能力，现在似乎可以直接由AI补足。
但学习的价值从来不只是得到一个结果。
当我们亲自阅读一篇论文、推导一个方法、调试一段代码，或者反复修改一套研究方案时，一方面是在解决眼前的问题、获得新的知识；另一方面，也是在训练自己的注意力、理解力、推理能力和问题解决能力。前者是任务的完成，后者则是能力的形成。
AI出现以后，越来越多原本需要由人完成的认知过程，被部分外包给了工具。事情确实做得更快了，但如果我们只是接受结果，而没有参与理解、比较、质疑和修正的过程，那么原本蕴含在任务中的认知训练也会随之减少。
这或许可以解释一种越来越普遍的感受：我们完成工作的速度变快了，产生的内容变多了，却未必同样明显地感受到自身能力的增长。
这并不是说使用AI必然会削弱能力，而是说，AI节省下来的究竟是低价值的重复劳动，还是本应由自己完成的关键思考，结果完全不同。真正需要警惕的，不是AI替我们打字、检索和整理，而是它逐渐替我们完成问题定义、逻辑推演和价值判断，而我们却没有意识到这些能力正在缺少锻炼。
因此，这里需要区分“提升效率”和“替代判断”。
真正能够借助AI大幅提升效率的人，通常并不是不知道自己要做什么，而是已经比较清楚目标、路径和评价标准，只是原有生产力限制了执行速度。AI可以帮助他们更快地完成解决问题的执行过程，却没有替代他们对问题本身的理解。
相反，当一个人不知道要做什么，不知道为什么要做，也不知道如何判断结果是否合理时，指望AI直接把事情做好，往往并不现实。
汽车确实比步行更快，但只有当驾驶者知道目的地、理解道路规则，并具备基本驾驶能力时，汽车才能真正提升效率。对于一个不会驾驶、也不知道目的地的人而言，更快的工具未必带来更大的增益，反而可能使他更快地驶向错误的方向。
AI也是如此。它能够帮助初学者降低理解门槛，提供可能的路径和初步方案，但它无法替代研究者建立真正的方向感，也不能替代人对研究价值、技术合理性和结果可信度作出最终判断。
AI可以提供地图，却不能替我们决定去哪里；可以给出很多答案，却不能替我们建立判断答案的标准。这并不是因为AI的能力不足，而是因为一旦连方向和判断标准也交给AI，我们就可能在越来越多的答案中逐渐迷失自己。
因此，博士训练不能因为有了AI，就降低对阅读、思考和独立判断的要求。恰恰相反，当获取信息和生成方案变得越来越容易时，辨别信息、比较方案和判断价值的能力只会变得更加重要。
三、教师不是百科全书，而是可信的路标
这也使我不断思考：在AI时代，教师究竟应当扮演怎样的角色？
如果只是传授某一个具体知识点，AI在信息检索、标准化讲解、反复答疑，以及针对不同基础进行解释等方面，已经表现出很强的能力。教师自己也越来越多地借助AI备课、整理材料和辅助教学。
因此，教师的核心价值不应只是比学生知道得更多，也不只是把知识讲得更加精彩。
今天的学生并不缺少信息，也不缺少方案。一个问题可以得到许多模型的回答，同一个模型也可以一次生成许多不同的选择。真正稀缺的，反而是判断哪些信息值得相信、哪些方案适合自己、哪些道路值得继续走的能力。
信息越丰富，人反而越容易失去方向。我愿意将这种状态称为“数字迷路”：我们拥有越来越多的地图、路线和导航建议，却不知道自己身在何处，也不知道真正想去哪里。
面对大量看似合理、甚至彼此矛盾的答案，学生真正需要的，往往不是再增加一个答案，而是有人帮助他建立判断答案的标准。
在这种情况下，教师更像是路标，而不是百科全书。
教师之所以能够成为路标，并不是因为教师永远正确，也不是因为教师天然比AI更加聪明，而是因为教师曾经亲身走过一段相似的道路，经历过选择、失败、调整和积累。同时，教师能够基于对学生的持续观察以及真实的责任关系，提供更具有情境针对性的判断。
换一种表述，教师其实是“亲身经历过的先行者”。
当然，先行者并不意味着永远掌握唯一正确的道路。一个真正值得信赖的教师，也需要持续更新自己的认知，愿意承认经验的边界，并在新的事实出现时修正判断。教师的可信度不应仅仅来自身份，而应来自真实经验、持续学习、对学生具体情况的理解，以及对建议负责的态度。
传统意义上的“传道、授业、解惑”，在AI时代依然成立，只是其内涵正在发生变化。
过去，教师的重要作用之一，是传递相对稀缺的知识；今天，知识本身越来越容易获取，借用一组如今常被AI使用的表达，真正稀缺的，是可信的方向、可靠的标准和可解释的反馈。因此，今天的传道授业解惑，更强调帮助学生理解为什么选择这条路，如何判断自己是否走对，以及出现偏差时应当怎样调整。教师不仅要告诉学生某个方案“行”或者“不行”，还需要逐渐解释判断背后的依据，将原本隐性的科研经验转化为学生能够理解、学习和迁移的标准。
因此，教师更重要的职责，是提供方向、激发火花、建立标准，并在关键节点给予及时而可信的纠正反馈。至于知识的收集、工具的使用和日常研究的推进，则越来越依赖学生自身的内在动力。
教师无法长期代替学生运转一个研究项目，也无法依靠更加用力地讲授知识，来弥补学生主动性的缺失。真正有效的培养，不是教师替学生完成更多工作，而是帮助学生逐渐形成独立完成工作的能力。
教师的判断，可以成为学生早期所依靠的外部参照；但培养的最终目标，是让这种外部判断逐渐转化为学生自己的内部能力。
从这个意义上说，AI时代的教师不应与AI竞争谁知道得更多、谁回答得更快、谁讲得更精彩，而应将更多精力放在AI难以替代的事情上：帮助学生发现真正重要的问题，建立判断问题的标准，在关键节点提供方向与纠偏，并通过自身的经验、持续学习和责任感，成为学生在复杂信息环境中可以信赖的参照。
教师最终要做的，不是带着学生走完所有的路，也不是要求学生永远按照自己走过的道路前行，而是帮助他们形成辨认道路、选择方向和持续前行的能力。
AI提升的是生产力，博士训练塑造的是判断力，而教师的责任，是帮助学生将外部的方向与标准，逐渐内化为独立判断和自我纠偏的能力。
当学生有一天不再需要依赖教师给出的具体答案，却仍然能够提出有价值的问题、作出可靠的判断，并为自己的选择负责时，教育才真正完成了它的使命。
z
