本讲目录

第 13 讲 · 用 AI 促进科研

科研工作流的每个环节——选题、文献、推导、实验、写作——AI 都能显著提速，但每个环节的失败模式各不相同：文献环节它会编造引用，推导环节它会顺着你的错误走，写作环节它会把你带进学术不端的灰区。本讲按科研流程逐环节给出"怎么用 + 红线在哪"。

1. 文献：最大的提速点，最密的幻觉区

1.1 检索与发现

语义检索：传统关键词搜不到"换了说法的相关工作"，把你的研究问题用大白话描述给 AI，让它给出这个方向的术语体系、经典工作和检索词——先建地图再搜索。专门工具（Semantic Scholar、Elicit、各家 deep research 功能）能自动完成"检索→筛选→汇总"的初轮；
顺藤摸瓜：拿到一篇核心论文，让 AI 总结其引用结构："这篇论文站在哪些工作的肩膀上？后续被哪些方向跟进？"

红线一：引用必须逐条验证

LLM 会编造以假乱真的参考文献——真实存在的作者 + 合理的标题 + 像模像样的期刊卷号，拼成一篇不存在的论文。这是幻觉最高发、后果最严重的场景（已有律师因引用 AI 编造的判例被制裁，学术圈同类事故层出不穷）。纪律：AI 给出的每一条文献，进 Google Scholar / DOI 核实存在性之后才允许进入你的笔记。让它"给出 DOI 链接"能过滤一部分，但不能替代核验。

1.2 精读

把 PDF 交给长上下文模型，但别只说"总结一下"（得到的是万金油摘要）。用结构化精读提示词：

逐节陪我读这篇论文。对每一节：
1. 用两句话说清这一节做了什么、在整体论证中的作用；
2. 指出关键假设（明说的和暗含的）；
3. 数学部分：把跳步补全，标注哪一步最脆弱；
4. 我对照原文后会追问。
最后回答：这篇论文的核心贡献能否用一句话+一个公式概括？
它最可能被攻击的弱点是什么？如果让你设计后续工作，做什么？

原则：AI 的输出是你阅读的脚手架，不是阅读的替代——关键论文仍要亲读，AI 负责补背景、解跳步、陪讨论。

2. 数学推导：它会顺着你的错误走

LLM 做推导的特性必须先认清：它是似然机器（第 07 讲）——你递给它一个含错误的推导让它"继续"，它大概率顺着错误往下走，因为"顺着走"在训练分布里最常见（谄媚 + 惯性双重作用）。正确用法全部围绕对抗性设计：

独立验算：不给它看你的过程，只给命题："请独立证明/证伪以下命题"。两边路径一致，信心大增；路径不同，都检查；
专职找茬："以下推导已知有错（不管实际有没有），找出所有可疑步骤并说明理由。"——预设立场能有效抵消谄媚；
反例搜索："构造一个反例推翻这个命题，构造不出来则说明卡在哪个条件上"——数学工作者的经典自检，AI 做这个又快又欢；
数值验证：凡是能算的都让代码算——让它写个脚本对命题做随机数值检验（第 04 讲用数值梯度检查解析推导，就是这个思想）。数值不匹配 = 推导必有错，这是不会谄媚的裁判；
形式化验证（进阶）：Lean 4 等证明助手是幻觉的终极闸门——编译器不接受"看起来对"的证明。AI 辅助写形式化证明正在成为可用的工作流，数学背景的读者值得关注这个方向。

推理模型（第 10 讲）在此场景显著强于即答模型，难推导务必用推理档并给足思考时间。

3. 实验与代码复现

复现论文：把论文的方法节 + 官方仓库（如有）给编程智能体，让它搭骨架、对齐超参数；跑不通的报错直接贴回去循环（第 15 讲的工作流）；
数据分析：描述数据结构与假设，让它写分析脚本并解释每个统计选择（"为什么用这个检验？前提假设是什么？"）——防止黑箱统计；
红线二：科研代码必须理解后使用。AI 写的数据处理若有静默 bug（错误的对齐、悄悄丢弃的 NaN），产出的是看起来正常的错误结论，比崩溃可怕得多。关键数据管线要逐行读懂 + 用小样本手工核对中间结果。

4. 写作：润色与代写的边界

能做（主流期刊普遍接受，个别期刊有申报要求）：

语言润色：非母语者的最大痛点。"改成规范学术英语，保留所有术语和原意，输出逐句修改对照表 + 每处修改理由"——对照表让你保持控制权，顺便学写作；
结构诊断："这一节的论证顺序是否清晰？读者会在哪里迷路？"（只诊断，重写由你决定）；
投稿杂务：cover letter 草稿、摘要压缩到 250 词、审稿意见的逐条回复骨架。

不能做（红线三）：

代写核心内容：贡献声明、结论的学术判断必须出自你——署名意味着你为每个字负责，而 AI 不能承担责任（这也是各期刊政策的共同底线：AI 不能作为作者）;
虚构与选择性呈现：让 AI"把结果写得更显著"是学术不端，与工具无关；
违规用于评审：把别人的投稿喂给 AI 评审，多数会议/基金明令禁止（保密违规）。

各期刊/会议的 AI 使用政策差异大且变动快，投稿前查最新版并按要求申报——申报使用 AI 润色如今是常规操作，无需羞于声明。

5. 把 AI 嵌进科研日常的三个习惯

研究日志喂给它：每周把进展/卡点日志发给 AI 做"每周复盘对话"——它记得你上周说过什么（只要在同一上下文/让它读日志），当你的"第二个自己"；
审稿人模拟：投稿前"扮演最严苛的 Reviewer 2，写一份拒稿意见"——提前暴露弱点的成本远低于真拒稿；
跨领域翻译：读隔壁领域论文时让它当"双语导游"（"用统计学的语言解释这个物理概念"）——交叉研究的加速器。

本讲小结

环节	用法	红线
文献	语义检索建地图、结构化精读	每条引用逐一核实存在性
推导	独立验算、专职找茬、反例、数值检验	别给它你的答案再问"对不对"
代码	智能体复现、统计选择要说理	数据管线逐行理解 + 小样本核对
写作	润色对照表、结构诊断、审稿模拟	核心贡献必须出自你；按政策申报

动手：挑一篇你正在读（或早想读）的论文，完整走一遍 1.2 的结构化精读流程；再从中挑一个数学命题，用第 2 节的"独立验算 + 数值验证"双保险验一次。

下一讲把散落各处的技巧与坑系统盘点一遍——幻觉、谄媚、上下文腐烂、提示词注入，以及把"verify"变成肌肉记忆的清单。