第一次让AI帮我润色英文摘要那次，我是真激动了一下。原本写得磕磕绊绊的一段话，几秒钟就变得通顺、规范、像那么回事。当时心里想的是：终于可以把那些磨人的杂活甩出去了。
从兴奋到心虚：我用了AI几年，效率反而下降了
01
尝到甜头之后，我把更多活儿交给它：查文献、搭综述框架、起草回复信。那阵子我甚至觉得自己摸到了科研的一条捷径。
但用了半年，怪事来了：文档产出明显变多，可一到正式汇报，或者导师随口问一句"这个结论的依据在哪"，我就答不上来。那些东西看着完整，总有种说不出的拼凑感——像是我攒出来的，不是我真正理解出来的。
最尴尬那次是在组会上。导师指着我自己觉得"写得挺漂亮"的一段分析问：这个观点引自哪篇文献？我当场愣了几秒。回去翻聊天记录才发现，那段话是 AI 直接生成的，我根本没核对过原始出处——它说得有模有样，但那篇文献很可能压根不存在。
那天晚上我才认真想这件事。不是 AI 不好用，是我一开始就弄混了一件事：它能让我写得更快，不等于让我想得更对。后来听了一场同济大学王昊奋教授的分享，我才想清楚——根源就在一个我之前没认真对待的词：AI literacy。
02
中文一般翻成"人工智能素养"，但别被直译带偏——它要表达的东西比"会用 AI 工具"丰富得多。学术界对 AI literacy 有一个常被引用的四层框架：
| 层级 | 核心问题 | 科研场景中的体现 |
|---|---|---|
| 知识层 | AI 能做什么、不能做什么？ | 清楚大模型的推理边界，不把它当成万能搜索引擎 |
| 技能层 | 如何有效调用 AI？ | 能写出精准的问题描述，会让 AI 帮你拆任务、追进度 |
| 批判层 | AI 给的结果可信吗？ | 能识别幻觉引用、伪相关、数据偏差 |
| 协作层 | 人和 AI 怎么分工？ | 知道什么交给 AI 做、什么必须自己把关 |
王昊奋教授有一个判断我反复琢磨：AI 真正的价值，不是替人下结论，而是先把那些重复的、能被检查、能被记录的活儿接走，让研究者把时间留给判断和创造。所以 AI literacy 的核心，是把 AI 接进科研流程时，知道哪一步可以放手交给它、哪一步必须自己把关。
放到科研场景里，AI literacy 到底长什么样？
03
把王昊奋教授提出的"AI 进入科研的三个环节"和上面那张框架叠在一起看，会清楚很多：
研究准备：让 AI 帮你读得多、想得深。做一个跨学科课题时，面对上千篇横跨多个领域的文献，最难的不是读，是判断从哪儿入手。这时候比较聪明的做法，是先让 AI 做主题梳理，把上千个方向压成一张"热力图"：哪些做烂了、哪些还留着空白、哪些证据链相对完整。你不是把判断交给它，而是让它替你铺出一张决策地图。最后选哪个方向，依然是你说了算。
实验推进：让 AI 帮你迭代、记录痕迹。调参、记录、失败、再调参，这一整圈很耗注意力。AI 可以帮你把"试一版、跑一段、看分数、决定下一轮"这个循环自动化，但前提是你得替它定好停止条件：什么时候算停、什么结果算好、什么情况下必须人介入。这些规则，就是你给 AI 的边界。
成果整理：让 AI 帮你组织材料，但不替你背书。写论文最痛苦的往往不是写，而是"整理"——把散在几十个文件里的图表、数据、引用、笔记拼成一篇逻辑通顺的论文，这一步 AI 提速很多。但有一条底线不能松：每一个论点背后的证据链，你必须能追溯到原始出处。
把这三个阶段叠在一起看，一个关键词会反复冒出来：可追溯。
为什么"可追溯"成了科研 AI 的命门？
04
通用对话式 AI 工具有一个让科研者头疼的毛病：它说得头头是道，但你很难追回这些话从哪儿来。更麻烦的是，它有时会"一本正经地胡说八道"——编出不存在的论文，或者张冠李戴。放在科研场景里，这是致命的：一条引用错了，整篇论文的可信度都会跟着降低。
所以我心里慢慢有了一条判断标准：真正适合科研用的 AI 工具，必须能解决一个核心矛盾——既要帮你处理海量信息，又要让每一条信息都能被验证、能追到源头。带着这条标准看下来，能真正接住科研工作的工具其实不多。LeapSpace 是少数几个让我觉得思路对了的。
它和市面上常见的"AI 写作助手"不是一回事。它给出的每一个回答，背后都对应到经过同行评审的文献。底层接的是爱思唯尔 1800 多万篇全文文献，加上 Scopus 数据库里来自 7000 多家出版商的 1 亿多条摘要——而且不止爱思唯尔自家内容，Emerald、IOP、Sage、《新英格兰医学杂志》等都在覆盖范围内。对研究者来说，这意味着检索的起点就是一张干净、广覆盖、可信的学术地图，而不是一团来源不明的语料。
真正让我确信"思路对了"的，是它的"信任卡"（Trust Card）。你问一个研究问题，它给的每一个论点旁边都挂着一张卡：这句话来自哪篇文献、引文和原文的吻合程度多高、有没有相互矛盾的证据。点一下就能跳回出版商原文。这正是我一直觉得科研 AI 应该有的样子——把判断权完整地还给研究者。
这不是帮你"偷懒"，而是建立一种人机协作的信任机制：AI 负责在海量文献里快速定位、对比、提炼；你负责检查证据质量、判断逻辑是否成立、决定要不要采纳。这和王昊奋教授那句话其实是一回事——自动化不是把研究者从流程里踢出去，而是把研究动作组织成一个研究者可以放手、可以回看、也可以随时叫停的流程。
从"会用工具"到"会设计协作"
05
回过头看，AI 时代的科研竞争力，正在从拼"个人脑力"挪到拼"怎么设计一套人和 AI 协作的流程"。同一个 AI 工具，有的人用它生成一篇漏洞百出的综述，有的人用它搭起一套可以反复复用的研究流程——差距就在 AI literacy 上。
王昊奋教授演讲收尾时抛出过一个值得反复琢磨的问题：当 AI 把研究者的能力放大之后，科研接下来要面对的新问题是什么？说穿了其实是同一个问题——我们能不能搭出一套靠谱的协作机制，让人负责判断、让 AI 负责执行。
不过工具只是起点。真正拉开差距的，是你能不能想清楚：在你自己的科研流程里，哪些环节可以放心交给 AI，哪些判断必须留在自己手里？