AI 进入实验室

一AI 进入实验室，走到了哪一步？#

2024 年 10 月 8 日，瑞典皇家科学院宣布将诺贝尔物理学奖授予约翰·霍普菲尔德和杰弗里·辛顿，表彰他们“为利用人工神经网络的机器学习奠定基础的发现与发明”¹。第二天，化学奖的一半授予大卫·贝克，表彰“计算蛋白质设计”，另一半授予德米斯·哈萨比斯和约翰·江珀，表彰“蛋白质结构预测”；新闻稿特别提到，AlphaFold2 已被 190 个国家的两百多万人使用²。两天之内，两个自然科学奖项都与人工神经网络有关：物理学奖表彰物理学为机器学习提供的方法，化学奖则有一半表彰机器学习破解了一个五十年的难题。

两年后的夏天，震动转移到了数学。7 月 20 日，国际数学家大会开幕前三天，在 Anthropic 工作的数学家列文特·阿尔波格（Levent Alpöge）在社交媒体上宣布，他借助 Claude Fable 5 找到了雅可比猜想在三维及以上情形的反例，公式短得一条帖子就写得下³⁴。7 月 23 日，大会在费城开幕，邓煜、约翰·帕登（John Pardon）、雅各布·齐默尔曼（Jacob Tsimerman）和王虹获得菲尔兹奖⁵；齐默尔曼在获奖者记者会上宣布离开数学研究，去 OpenAI 从事 AI 安全工作⁶。第二天晚上，陶哲轩在大会的公众讲座上说，AI 在数学研究中的迅速崛起造成了“我们数学价值与实践的危机”⁶。9 月 8 日，OpenAI 宣称其内部模型解决了千禧年大奖难题之一的纳维–斯托克斯问题⁷。

本文写于 2026 年 9 月 30 日，是一份阶段性评估而不是定论。它依据三类材料：同行评议的论文与预印本，期刊、资助机构和学会发布的原始文件，以及可靠媒体的报道。对尚未经过独立核验的说法，例如 OpenAI 的纳维–斯托克斯证明，本文标明其状态；不同报道之间有出入的，写明分歧。受篇幅所限，每个学科只能选取几个典型事件，材料也偏重英文与中文来源。作者是 RenaSci / 新科学的发起人，基本立场见宣言中危机为什么也是转机一节；本文尽量把事实与判断分开，把成就与失败、撤回和争议放在一起讲。

二AI 在科研里扮演什么角色？#

讨论“AI 进入实验室”，先要分清它进来当什么。第一种角色是分析工具：在海量数据里找模式、降噪、分类。这在物理学里由来已久，诺贝尔奖的官方科普材料提到，筛选发现希格斯粒子所需的海量数据、降低引力波测量中的噪声、搜寻系外行星，都用到了机器学习⁸。第二种是预测器：给定输入，直接预测结果。AlphaFold 从氨基酸序列预测蛋白质结构，GraphCast 从当前的大气状态预测十天后的天气，都属于这一类。这两种角色有一个共同点：输出可以和实验或观测逐一对照，错了就会被发现。

第三种是助手：写作、编程、检索、翻译，这是生成式 AI 渗透最快的地方。一项研究分析了 2020 年 1 月至 2024 年 9 月的 112 万篇论文和预印本，估计计算机科学论文中经大语言模型修改的内容比例最高达 22%⁹；对 1500 多万篇生物医学摘要的词汇分析显示，2024 年至少 13.5% 的 PubMed 摘要经过大模型处理，某些子集高达 40%¹⁰。第四种是智能体：从提出假说、设计实验、写代码到撰写论文一路自动运行，“AI 科学家”和自动化实验室都属于此类。第五种是评审者：为论文打分、撰写审稿意见，甚至参与录用决定。

越往后，角色越难验证，责任也越难分派。耶鲁大学人类学家丽莎·梅塞里与普林斯顿大学认知科学家莫莉·克罗克特在 2024 年的一篇《自然》论文中，把科学家对 AI 的想象归为四种原型：检索和综述文献的“神谕”，替代难以获得的数据乃至人类受试者的“替身”，分析复杂数据的“宽客”，以及评估研究价值、取代同行评议的“仲裁者”¹¹¹²。她们警告，如果把 AI 当作值得信赖的合作者，而不只是工具，科学家就可能陷入“理解的幻觉”，形成“认知的单一栽培”：人们只追问最适合 AI 回答的问题，却误以为自己探索了所有可能。这个警告我只接一半。“只当工具”那一半我不接受：AI 早已不只是工具，我自己写书时就把它当第一作者用，人退到辅助和编审的位置；“单一栽培”那一半说中了要害——依赖不是问题，同质化才是 AI 真正的问题¹³¹⁴。下文会看到，这一担忧在每个学科都有回响。

三证明来得比读得快，数学怎么办？#

数学对 AI 的反应最激烈，部分原因是它最早为“验证”做好了准备。过去十年，数学家用 Lean 等证明助手把证明写成机器能逐行检查的形式，社区共建的 Mathlib 库截至 2026 年 9 月底收录约 29 万条定理、13.8 万条定义，贡献者七百多人¹⁵。2022 年 7 月，约翰·科梅林领导的团队用一年半时间完成了“液态张量实验”，用 Lean 验证了彼得·舒尔策与达斯廷·克劳森的一条核心定理¹⁶。陶哲轩说，一个经过形式化验证的证明，其正确性“不再取决于作者的声誉或勤勉”¹⁷。机器能生成证明，机器也能检查证明，这为后来的一切埋下了伏笔。

竞赛是第一块试金石。2024 年 1 月，谷歌 DeepMind 的 AlphaGeometry 在 30 道国际数学奥林匹克（IMO）几何题中解出 25 道，接近金牌得主平均的 25.9 道¹⁸。同年 7 月，AlphaProof 与 AlphaGeometry 2 在 IMO 六道题中解出四道，得 28 分，达到银牌水平，但题目要先由人工译成形式语言，有的题算了三天¹⁹。2025 年 7 月，DeepMind 的 Gemini Deep Think 在规定的 4.5 小时内直接用自然语言解出五题，得 35 分，由 IMO 协调员按正式标准评为金牌水平；OpenAI 的实验模型也宣称得到 35 分，但评分来自它自聘的三位前 IMO 奖牌得主，它在学生颁奖次日即公布结果，由此引发了是否违背 IMO 请求的争执²⁰²¹。

竞赛题有标准答案，研究问题没有。2025 年 10 月的一场风波显示了这条界线有多模糊。OpenAI 副总裁凯文·韦尔在社交媒体上宣称，GPT-5 为 10 个“此前未解决的埃尔德什问题”找到了解答。维护埃尔德什（Erdős）问题网站的曼彻斯特大学数学家托马斯·布卢姆回应说，这是“戏剧性的歪曲”：网站把某题标为未解决，只意味着他本人不知道有论文解决了它，GPT-5 实际上找到的是他不知道的既有文献。哈萨比斯评论道：“这很尴尬。”韦尔随后删帖。OpenAI 研究员塞巴斯蒂安·布贝克则辩护说，在文献里找到答案本身就不容易²²。这场风波留下的教训是：“未解决”这个标签本身，也需要验证。

2026 年，局面真正变了。4 月，23 岁的利亚姆·普赖斯在一个“无所事事的周一下午”把一道埃尔德什问题交给 GPT-5.4 Pro，一次提问就得到了一个悬置约六十年的猜想（第 1196 号）的证明。《科学美国人》说他没有受过高等数学训练，《量子》杂志则说他在大学学过一些数学、没有读完。他的合作者、剑桥大学本科生凯文·巴雷托把结果转给专家；斯坦福大学的贾里德·利希特曼坦言，原始输出“相当糟糕”，要专家筛选才能看懂，但它用上了相邻领域人人熟知、却没人想到用在这里的公式²³²⁴。到 8 月初，埃尔德什问题网站上已有 565 题标为已解决、652 题未解决；DeepMind 的一个智能体以每题几百美元的成本自主解决了 353 道已形式化未解题中的 9 道；OpenAI 则在 5 月以一次提问推翻了埃尔德什 1946 年提出的单位距离猜想，并请独立数学家核验²⁴²⁵。

7 月和 9 月的两件事把讨论推向高潮。雅可比猜想由凯勒在 1939 年提出，以吸引错误证明著称；阿尔波格的反例是一个具体的多项式映射，任何人都能代入验算，干净利落⁴。纳维–斯托克斯问题则相反。OpenAI 称，约一万个智能体并行工作约 88 小时、花费数百万美元，证明了三维流体方程可以在有限时间内“爆破”，并另用 17 小时完成 Lean 形式化；但这一构造依赖一个光滑的外力项，是否符合克雷数学研究所题面的本意正是争议焦点，OpenAI 也表示不申领奖金²⁶²⁷。克雷研究所 9 月 11 日表示，它为问题“看来已被解决”而兴奋，但评审过程是“刻意从容”的²⁸。此前，纽约大学的特里斯坦·巴克马斯特与阿尔波格用公开模型研究同一问题近一年，巴克马斯特暗示，他们与 OpenAI 工具的交互可能对该公司的突破至关重要，OpenAI 否认。《自然》社论称这一天“很可能被视为数学史上一个时代的开端”，并呼吁 AI 公司与研究界合作保护署名²⁹。

数学共同体的回应迅速而分化。6 月 2 日发布、获国际数学联盟背书的《莱顿宣言》已有四千多人签名，它要求在论文中设“工具与计算资源披露”一节，坚持“功劳与责任继续属于人”，并主张“理解它们不应需要任何专有的知识或设备”³⁰³¹。陶哲轩在大会讲座与 8 月发表的长文中，把“解题”拆成五个环节：生成证明、验证、写成清楚的讲解、被共同体消化接受、最终写进教科书。他预言，若政策与文化不变，这条流水线上会处处出现“证明的消化不良”：AI 生成证明的速度快过验证，验证快过讲解，讲解多到同行评议消化不了。他的经验法则是：“一个没有人能够恰当解释的证明，即使经过形式化验证，也应被视为不完整。”¹⁷

9 月 10 日，加州理工学院的现任与前任数学家发起公开信，反对由 Anthropic 和 OpenAI 提供 200 万美元 AI 使用额度、为期 40 小时的“数学马拉松”，认为它会制造“垃圾数学”，把核验的负担转嫁给共同体，发布时已有 771 人联署³²。次日，即 9 月 11 日，一份题为《AI 在数学中的严重错位》的声明指出，“解题只是实现概念理解与洞见这一首要目标的工具和代理”，越来越快地批量生产“真／假”命题，可能毁掉而不是滋养新思想的土壤；截至 9 月底，签名页列有 28 位菲尔兹奖得主，包括陶哲轩、舒尔策和刚刚获奖的邓煜³³。9 月 28 日，原主办者与公开信的两位作者等人发表联合声明：活动改在 11 月 13–15 日举行，不再接受专有 AI 模型开发商的赞助，主题改为“老问题，新证明”，参赛者要为已有的定理写出新的证明或讲解³⁴。

分歧不在于 AI 能不能做数学，而在于数学是为了什么。齐默尔曼断言“AI 很快就会在研究数学上超过数学家”，不少同行认为这种说法不负责任；美国数学会会长拉维·瓦基尔更愿意讲一个“快乐的故事”：雅可比反例出现后，许多顶尖数学家在博客上合力弄清它为何成立，“此刻，这个房间里的某个地方，正有人在给另一个人讲解它”。哥伦比亚大学的迈克尔·哈里斯主张像画师和编剧那样集体抵制；乔迪·威廉森在报告开头引用了恽之玮的话：“作为数学家，我在乎的不只是最终结果，还有旅程。AI 正在摧毁我的旅程。”⁶邓煜的态度更平实：他主要用 AI“查结论、找文献、验证细节”，认为“真正推动数学前进的还是人的直觉和想法”；一项工作的意义与 AI 参与多少无关，“需要评价的是其中人类贡献的部分，这一点有赖于学界形成新的共识”³⁵³⁶。我在宣言里的说法与此相近：必须承认 AI 也有想象力——第 1196 号问题里那个人人熟知、却没人想到用在这里的公式，就是机器的想象力——但人类最顶尖的直觉仍然高明。人提出主意，AI 立刻补完技术细节去验证，主意值不值得继续，很快就见分晓。关于旅程与乐趣的争论，正是 AI 会夺走乐趣吗要追问的。

四生命科学：预测结构之后呢？#

生命科学是 AI 最早兑现承诺的领域。2020 年 11 月，AlphaFold2 在第十四届蛋白质结构预测关键评估（CASP14）中取得 92.4 的中位 GDT 分数，评估组织者约翰·莫尔特说，90 分左右通常被认为可与实验方法相媲美³⁷。2022 年 7 月，AlphaFold 数据库从约一百万条结构扩充到两亿多条³⁸。2023 年，贝克团队的 RFdiffusion 把扩散模型用于从头设计蛋白质³⁹；2024 年 5 月发表的 AlphaFold 3 把预测扩展到蛋白质与核酸、小分子等组成的复合物⁴⁰。但 AlphaFold 3 发表时没有公开代码，只提供限制调用次数的网络服务，一千多位科学家联名抗议，认为这背离了共同体的规范，连审稿人都拿不到代码⁴¹；同年 11 月，DeepMind 公开了源代码，模型参数则须向谷歌申请、限于学术用途⁴²。

下一步是让 AI 提出假说。2025 年 2 月，谷歌发布“AI 共同科学家”，由多个智能体分别负责生成、反思、排序和演化假说⁴³。伦敦帝国理工学院的何塞·佩纳德斯与蒂亚戈·科斯塔团队设计了一个严格的测试：他们多年实验得出、尚未发表的结论是，一类“形成衣壳的噬菌体诱导染色体岛”能劫持不同噬菌体的尾部，从而在细菌物种之间传播；他们只让系统使用公开信息，结果它排名第一的假说与实验结论吻合，排名前五的假说中还有几个开出了新的研究方向⁴⁴。据《自然》报道，系统用了大约两天；科斯塔打比方说，如果科学发现是百米赛跑，有了这样的助手就等于“从 30 米处起跑”⁴⁵。谷歌强调，这得益于系统调动了该主题几十年来的全部开放获取文献⁴³。

自动化智能体走得更远，问题也暴露得更多。FutureHouse 的 Robin 系统提出用 ROCK 抑制剂瑞帕地尔治疗干性年龄相关性黄斑变性；论文称正文中的假说、实验方案和数据分析都由系统产出，但作者也称之为“半自主”方法，实验在“实验室在环”的框架中完成⁴⁶。Kosmos 一次运行平均阅读约 1500 篇论文、执行约 4.2 万行代码，并为报告中的每条陈述标注所依据的代码或原始文献；独立科学家评估其报告中 79.4% 的陈述准确⁴⁷，反过来说，约五分之一是错的。较早使用 Kosmos 的加州大学伯克利分校基因编辑学者费奥多尔·乌尔诺夫，奉行的是冷战时期那句名言：“信任，但要核实。”⁴⁵

2026 年 9 月，Anthropic 宣布其新成立的生物实验室中，约 950 个智能体用 21 个多小时在基因组数据库里发现了类似 CRISPR 的重复序列；预印本尚未经过同行评议，而据《纽约时报》随后报道，哥本哈根大学的一位科学家说，他的团队研究这一系统已有多年，还曾把相关信息上传给 Anthropic 的模型，Anthropic 则称负责这一发现的模型“没有用任何用户对话记录训练”⁴⁸。“谁先想到、机器从哪里学到”，正成为与纳维–斯托克斯之争同样的难题。能力越强，风险也越具体。2025 年 10 月《科学》上的一项研究中，微软等机构的研究者用开源蛋白质设计工具为 72 种受关注的有害蛋白生成约 7.6 万个改写变体，发现 DNA 合成公司的筛查工具无法可靠识别；团队用十个月秘密开发补丁并分发给合成公司，修补后仍有约 3% 漏网⁴⁹⁵⁰。在生命科学里，验证也关乎安全。

五物理、化学与地球科学：“新”能当真吗？#

天气预报是 AI 业务化最成功的案例之一。2023 年 11 月，DeepMind 的 GraphCast 在 1380 个检验目标中的 90% 以上优于欧洲中期天气预报中心（ECMWF）的高分辨率预报，在一台 TPU 上生成十天预报不到一分钟⁵¹；2024 年 12 月发表的 GenCast 做集合概率预报，在 1320 个目标中的 97.2% 上优于 ECMWF 的集合预报⁵²。真正的分水岭是业务化：2025 年 2 月 25 日，ECMWF 自己的 AI 预报系统 AIFS 单一模式投入业务运行，能耗约为传统方法的千分之一；7 月 1 日，AIFS 集合预报也获得业务支持⁵³⁵⁴。ECMWF 让 AI 模型与物理模式并行运行，而不是取而代之。

在物理学的其他角落，AI 更像精密的控制器和筛子。2022 年，DeepMind 与瑞士洛桑联邦理工学院合作，用深度强化学习直接控制 TCV 托卡马克的磁线圈，塑造出多种等离子体形态，包括在真空室里同时维持两团分离的等离子体⁵⁵。高能物理与天文学对机器学习更不陌生：从发现希格斯粒子时的数据筛选、引力波信号的降噪到系外行星搜寻，它早已是标准工具⁸⁵⁶。这类应用争议较少，原因在于它们嵌在成熟的实验与统计框架里，输出有明确的检验方式。

材料发现则集中暴露了“新”的含义之争。2023 年 11 月，DeepMind 宣布其 GNoME 模型预测出 220 万种新晶体，其中约 38 万种最稳定，称这“相当于约 800 年的知识积累”，并指出外部研究者已独立合成其中 736 种⁵⁷。2024 年，加州大学圣巴巴拉分校的安东尼·奇塔姆和拉姆·塞沙德里抽样核查后认为，“几乎找不到同时满足新颖、可信、有用这三项标准的化合物”：光是含有钷、锕、镤等强放射性元素的预测化合物就有 18138 种，预测结构的空间群分布也与已知晶体数据库迥异，他们呼吁把材料合成与晶体学的专业知识纳入其中⁵⁸。DeepMind 回应说坚持论文的全部结论，并称已有数百种预测材料被独立合成⁵⁹。

与 GNoME 同日发表的 A-Lab 更具戏剧性。伯克利实验室的这个自动化实验室报告，在 17 天内合成了 58 个目标中的 41 个新化合物⁶⁰。2024 年初，伦敦大学学院的罗伯特·帕尔格雷夫与普林斯顿大学的莱斯莉·舒普等人重新分析 X 射线衍射数据，认为论文“大量此前未知的材料被合成出来”的核心结论不成立：许多样品其实是已知化合物的混合物，计算方法也忽视了成分的无序⁶¹⁶²。作者起初认为这些批评有误。2026 年 1 月，《自然》刊出作者更正：标题中的“新材料”改为“无机材料”，作者承认原先所说的“新颖”是指“对预测平台而言是新的，不一定对科学而言是新的”，人工复核确认 40 个报告成功中的 36 个，另有 4 个无法确定，还删去了一个误入训练数据的化合物⁶³。自动化实验室本身没有失败，失败的是“新”这个字说得太快。这里的引号不是说机器造不出新东西。AI 早就有创造性，AlphaGo 打破定式比人更狠；它缺的不是能力，而是动机——没有个体的欲望和有限性，它只能按大数据的公约数决定往哪里走，于是擅长集大成，不擅长另辟蹊径。所以要打引号的是“新”的宣称，验证它的仍然只能是合成、衍射和时间⁶⁴⁶⁵。

六计算机科学：洪水为什么先淹了造船厂？#

计算机科学既是 AI 的出产地，也最先被 AI 的产出淹没。NeurIPS 主会投稿从 2020 年的 9467 篇增至 2025 年的 21575 篇，录用 5290 篇，动用审稿人 20518 名⁶⁶。投稿激增并非全由 AI 造成，但生成式 AI 的涌入让写作和审稿都变得廉价。一项研究估计，ICLR 2024、NeurIPS 2023 等四个 AI 会议 6.5% 至 16.9% 的审稿文本经过大模型的实质修改，在低置信度、临近截止时间提交的审稿中比例更高⁶⁷。到了 ICLR 2026，检测公司 Pangram 分析了约 1.95 万篇投稿的 7.58 万份审稿，认为 21% 的审稿完全由 AI 生成，许多作者在社交媒体上贴出幻觉引文和冗长空洞的意见⁶⁸⁶⁹。另一端，有作者在论文里用白色小字藏入指令，诱导 AI 审稿人给出好评⁷⁰。

平台开始筑坝。2025 年 10 月 31 日，arXiv 计算机科学板块宣布，综述和立场论文须先经同行评议录用才会接收，理由是生成式 AI 让不含新结果的论文写起来又快又容易，收到的综述“大多不过是带注释的参考文献列表”⁷¹。2026 年 2 月，《自然》报道，雷根斯堡大学的拉斐尔·维默用 OpenAI 的新工具 Prism，五十四秒就写出一篇关于他从未做过的实验的论文，他感叹：“写论文从未如此容易，堵塞科学出版的管道也从未如此容易。”⁷² 6 月，NeurIPS 2026 立场论文分会要求论文“实质上由人撰写”，经 Pangram 检测后，在 969 篇投稿中直接拒稿 178 篇，另有 123 篇须提供人类实质参与的证据；组织者说，提交 AI 生成的文字等于“把核验成本外部化，转嫁给审稿人”，并预计这种来源审计记录今后会成为默认要求⁷³。凭检测器拒稿，我不能同意。查 AIGC 率比论文查重还要荒唐百倍：它既查不准，也答非所问——一篇立场论文该被拒，是因为它没有立场、论证不成立、引文查无实据，而不是因为它“由 AI 撰写”。评审 AI 写的论文和评审人写的论文该是同一套规则，就事论事。组织者说对的是另一半：核验成本确实不该转嫁给审稿人，所以要求作者出示过程记录、让证据可追溯，比给文本打“AI 率”靠得住得多⁷⁴⁷⁵。

更激进的实验是让 AI 当作者。2024 年 8 月，Sakana AI 发布“AI 科学家”，号称每篇论文成本不到 15 美元⁷⁶；独立评估发现，它常把已有概念误判为新颖，42% 的实验因代码错误失败，有的论文含有编造的数值结果⁷⁷。2025 年 3 月，其第二代系统生成的一篇论文在 ICLR 2025 的一个研讨会上得到 6、7、6 分，超过平均录用线；按事先与组织者约定的方案，Sakana 在发表前撤回了它，并承认三篇投稿都达不到自己内部设定的主会标准，论文中还有张冠李戴的引用⁷⁸。2025 年 10 月，斯坦福学者牵头举办了首个以 AI 为第一作者和审稿人的会议 Agents4Science：315 篇投稿，录用 48 篇；完全由 AI 主导的研究占投稿的 23.3%，在录用论文中降到 14.9%；三个大模型审稿人之间的评分相关系数平均只有 0.48，还有作者报告“很大比例的参考文献是幻觉出来的或只是沾边”⁷⁹。AI 已经能跑完一篇论文的全部流程，却跑不完“被相信”这一步，这是审稿的瓶颈在 AI 时代的新形态。

七社会科学：受访者还是人吗？#

社会科学面临的问题更微妙：AI 不仅帮研究者分析数据，还可能冒充数据本身。2023 年，丽莎·阿盖尔等学者提出“硅样本”：给 GPT-3 设定数千名真实受访者的社会人口背景，让它回答问卷，其回答分布与相应人群高度相似，他们称之为“算法保真度”⁸⁰。质疑随之而来。2024 年的一项研究发现，ChatGPT 生成的平均值虽然接近美国全国选举研究的真实数据，但回答的变异太小，回归系数常常显著不同，提示措辞稍变结果就变，同一提示三个月后结果也不一样⁸¹；2025 年一项有 3200 名参与者的研究则表明，大模型会歪曲并“压扁”不同身份群体的观点⁸²。

更直接的威胁来自在线调查。2025 年 11 月，达特茅斯学院的肖恩·韦斯特伍德在《美国国家科学院院刊》发表研究：他设计的“合成受访者”在 6000 次标准注意力检测中通过率达 99.8%，能保持一致的人设与记忆，开放题的文风随设定的教育程度变化；它还能推断研究者潜在的假设，生成“证实”它的数据。他的结论是，“连贯的回答就是人的回答”这一调查研究的基本假设已经站不住了⁸³。即使研究者诚实，用大模型标注文本也暗藏风险：一项复现了 21 项社会科学研究中 37 个标注任务的研究发现，只需换几种提示措辞，“几乎任何结论都可以被呈现为统计显著”；在 2361 个现实假设中，即使用最先进的模型，约 31% 也会得出错误结论，作者称之为“大模型操纵”⁸⁴。这是 p 值操纵在 AI 时代的升级版。

另一些社会科学家已经在拥抱所谓“氛围研究”。少数派作者 TomBen 在 2026 年 3 月的长文中记录了这场争论：斯坦福大学的安迪·霍尔让 Claude 复现自己 2020 年发表在《美国国家科学院院刊》上的研究，不到一小时、花费约 10 美元，与人工收集数据的相关系数超过 0.999；苏黎世大学的 Project APE 自动生成 204 篇经济学论文与《美国经济评论》的论文比较，AI 论文的胜率随模型迭代从 4.7% 升到 7.6%。文章转述经济学家斯科特·坎宁安的看法：科学的约束正在从生产端转向评估端。作者自己的判断是：“AI 可以放大品味的价值，但不能替你培养品味。”⁸⁵这两句话，几乎可以作为本文的注脚。我说过同样的意思：AI 时代最需要的就是感受和品鉴的能力，它不是躺在沙发上饭来张口就能得到的，要靠系统的熏陶、训练和实践；传统的教育制度一直在培养可互换的劳动者，很少培养享受的能力⁸⁶。

八人文学者最该担心什么？#

人文学科里最动人的 AI 故事，来自维苏威火山灰下的赫库兰尼姆古卷，这些公元 79 年碳化的纸草卷一碰就碎。2023 年 3 月，纳特·弗里德曼、丹尼尔·格罗斯与布伦特·西尔斯发起“维苏威挑战赛”，公开古卷的高分辨率 CT 扫描，悬赏一百多万美元。21 岁的大学生卢克·法里托第一个从卷内读出一个完整的词：ΠΟΡΦΥΡΑϹ（紫色）。2024 年 2 月 5 日，他与在柏林读博士的埃及学生优素福·纳德、苏黎世联邦理工学院的尤利安·席林格组成的团队赢得 70 万美元大奖，读出两千多个字符，而这卷书约 95% 仍待阅读⁸⁷。2026 年 6 月 25 日，项目宣布首次把 PHerc. 1667 整卷虚拟展开、从头读到尾：约 1.4 米纸草、二十二栏左右的希腊文，内容是一篇伦理学论著，现有证据指向斯多亚派⁸⁸。

这场胜利有两个常被忽略的细节。AI 负责的是“墨迹检测”，即从 X 射线数据中找出与纸草几乎无法区分的碳墨；读出的是什么、意味着什么，仍由包括那不勒斯费德里科二世大学费代丽卡·尼科拉尔迪在内的纸草学家团队判读和复核。而且这是一场公开赛：数据和代码开源，获奖者都是学生。DeepMind 的古文献模型遵循同样的人机分工。2022 年的 Ithaca 用于修复残缺的古希腊铭文，单独使用时准确率为 62%，历史学家单独工作为 25%，两者合作达到 72%⁸⁹；2025 年的 Aeneas 用 17.6 万多条拉丁铭文训练，在 23 位历史学家参与的测试中，效果最好的是历史学家结合模型提供的相似铭文与语境一起判断⁹⁰。

中文古籍整理走的是另一条路：规模化加众包。2022 年 3 月，北京大学数字人文研究中心与字节跳动公益部门联合成立开放实验室，研发“识典古籍”阅读与整理平台，把图像识别、校对、标点、实体标注等环节连成机器与人分工的流程⁹¹。据《人民日报》2023 年 10 月的报道，平台当时已上线古籍一千六百余部，累计用户超过 1240 万，近四千万字的百衲本《二十四史》只用三个多月就完成了识别、点校和上线。中华书局旗下古联公司的籍合网则称，自动断句准确率平均达到 98.46%，众包平台积累了近五千名在线编校者，绝大多数是业余人士，近两亿字的《中华大藏经·续编》由九百多位业余审校者在两年内完成两个校次⁹²。古联总经理洪涛当时的概括是：“人工智能的优势在速度，而人的优势在精确和创造性。”这话到今天只剩一半站得住：速度在机器不假，但精确早已不是人的专利，AI 识别历史手稿的错误率已经低到可以和顶尖专家相提并论：历史学家马克·汉弗莱斯 2025 年 11 月的测试中，Gemini 3 转录英文历史手稿的严格字符错误率约为 1.7%，他认为已可与最好的人工转录者相比⁹³；创造性也不是。留给人的是选择——读哪些、校哪些、什么算读通了。AI 也许比人更善于“读书”，但“选书”的责任仍然在人¹⁴⁶⁴。

然而人文学者最深的焦虑不在技术，而在阅读与写作本身。美国现代语言协会与大学写作与交流会议的联合工作组 2023 年 7 月发布第一份工作论文，主张把写作本身的价值放在中心：写作是学习、探索和培养读写能力的方式⁹⁴。普林斯顿大学科学史家格雷厄姆·伯内特 2025 年在《纽约客》撰文说，五年之内，历史学者再按传统模式写专著将意义不大，因为没人会读，而这类系统按一下按钮就能源源不断地生成；但他紧接着写道，“工厂式的学术生产率从来不是人文学科的本质”，真正的课题始终是我们自己，是理解，而不是事实的累积⁹⁵。伯内特说对了一半，另一半我说得更直接：AI 已经可以通览人类的一切书籍，抱着一堆独家手稿挤牙膏式发一辈子论文的模式，很快会被唾弃；对新技术反应最滞后的恰恰是人文学者。至于“阅读被外包”，书写损害记忆、导航毁掉认路，依赖本来就是技术的宿命，没有人会把 AI 移除掉。“读回自己”守的不是阅读这门手艺，而是领会与情绪：机器读得再多，在乎的仍然只有人。真正该操心的是同质化：人人都问 AI 最顺手的问题，品位便无处生长¹³¹⁴。

九医学：为什么证据的门槛最高？#

医学是 AI 最早进入监管体系的领域。美国食品药品监督管理局（FDA）的 AI 医疗器械清单在 2026 年 9 月 4 日更新后，共列出 1614 件获准上市的器械，最新一批的决定日期为 6 月 29 日；其中放射科占 76%，仅 2025 年一年就新增 335 件。FDA 表示正在探索如何标识基于大语言模型等基础模型的器械⁹⁶，并于 8 月发布讨论稿，就生成式 AI 医疗器械的监管征求意见⁹⁷。考试成绩则一路走高：2023 年初，ChatGPT 在美国执业医师资格考试三个阶段的成绩“达到或接近及格线”⁹⁸；同年，谷歌的 Flan-PaLM 在美国医师执照考试风格的 MedQA 题库上准确率达到 67.6%⁹⁹，后来的 Med-PaLM 2 达到 86.5%，在九项临床评价维度中的八项上，医生更偏爱它的回答而不是其他医生的回答¹⁰⁰。

但考试不是诊室。2024 年的一项随机对照试验中，50 位医生借助 GPT-4 诊断复杂病例，诊断推理得分中位数为 76%，与只用常规资源的对照组（74%）没有显著差别，而 GPT-4 单独作答反倒高出 16 个百分点¹⁰¹：工具更强了，人机协作却没有自动变好。2026 年 3 月《自然·医学》的一项系统综述统计了 2022 年 1 月至 2025 年 9 月发表的 4609 项临床大模型研究，平均每天 3.2 篇，其中只有 1048 项使用真实患者数据，前瞻性随机对照试验只有 19 项；在 1046 次人机对比中，大模型胜出的只占 33%¹⁰²。耐人寻味的是，这项综述本身就是借助大模型完成的。

偏倚与外部验证是医学 AI 的老问题。2019 年《科学》的一项研究发现，美国一种广泛使用的健康管理算法以医疗支出代替病情，导致在同样的风险分数下，黑人患者实际病得更重；纠正后，获得额外照护的黑人患者比例可从 17.7% 升至 46.5%¹⁰³。2021 年对 Epic 败血症模型的外部验证显示，其曲线下面积只有 0.63，漏掉了 67% 的败血症患者，同时向 18% 的住院患者发出警报¹⁰⁴。扎实的正面证据也有：瑞典 MASAI 随机试验纳入 10.5 万余名女性，AI 辅助的乳腺筛查使癌症检出率提高 29%，阅片工作量减少 44%，假阳性率也没有显著增加¹⁰⁵。

医学界也在为这些证据搭建自己的平台。2024 年 1 月创刊的《新英格兰医学杂志·AI》（NEJM AI）在创刊号上刊登了艾萨克·科恩的社论，同期另一篇社论的标题就是《为什么我们支持并鼓励在 NEJM AI 投稿中使用大语言模型》¹⁰⁶，与许多期刊的戒备形成对照。2026 年 9 月 29 日，《自然》社论呼吁，参与临床决策的 AI 工具应像药物和自动驾驶汽车那样，接受真实世界环境中的严格评估⁹⁷。在医学里，瓶颈早已不在“做出一个模型”，而在证明它对病人有益。

十用了 AI，谁署名、要不要说？#

制度层面的回应，最早集中在“谁能当作者”。2023 年 1 月 24 日，《自然》宣布两条原则：大语言模型不能作为论文的署名作者，因为署名意味着对工作负责，而 AI 工具无法承担这种责任；使用者应在方法或致谢部分说明用法¹⁰⁷。几天后，《科学》主编霍尔顿·索普发表社论，题目就是《ChatGPT 很好玩，但不是作者》¹⁰⁸。这一条我完全赞成，理由和我多年前给学生立的署名规矩一样：署名首先不是名誉，而是责任，一旦署名就必须背锅，每位作者都得能独立为整篇论文答辩。AI 背不了锅，所以不能署名；也正因为如此，“AI 写的”从来不是免责理由，责任由署名的人负¹⁰⁹⁷⁵。同年 5 月，国际医学期刊编辑委员会（ICMJE）更新推荐规范，加入 AI 辅助工作应如何致谢的条款；现行版本明确聊天机器人不能列为作者，因为它们无法对作品的准确性、完整性和原创性负责。2026 年 1 月，ICMJE 又新增专门一节，分别规定作者、审稿人和编辑如何使用 AI¹¹⁰。

资助机构更关心保密与原创。美国国立卫生研究院（NIH）2023 年 6 月 23 日发布通知，禁止评审专家用生成式 AI 分析或撰写基金评审意见，理由是把申请书内容上传到在线工具违反保密要求¹¹¹。2025 年 7 月，NIH 称发现有申请人借助 AI 在一轮申报中提交了四十多份不同的申请，随即规定“实质上由 AI 撰写”的申请不被视为申请人的原创思想，并从当年 9 月 25 日的截止期起，限定每位负责人每年最多提交六份申请¹¹²。美国国家科学基金会（NSF）2023 年 12 月的通知禁止评审人把申请内容上传到未经批准的 AI 工具，并鼓励申请人说明 AI 的使用情况¹¹³。欧盟委员会与欧洲研究区各国 2024 年 3 月提出的“动态指南”，要求研究者在同行评议和评估等敏感活动中避免使用生成式 AI¹¹⁴。这些禁令的理由主要是保密，我看不必这么紧张。大部分研究本来就是从公开的数据库里搜集整理材料，最后也要争取发表到公开的数据库里去，只要别被同行抢先，用大模型的风险恐怕比参加一场学术交流会议还低；真有敏感信息，也不该因此放弃 AI，而是用开源模型自己搭建智能体。禁止评审用 AI，该衡量的是结果与责任：一份用 AI 核对过引文、复算过数据的评审意见，未必比匆匆写就的人工意见更靠不住，责任始终在署名的评审人身上，工具换了，责任不换。至于 NIH 把“实质上由 AI 撰写”等同于“不是申请人的原创思想”，是把对文本的评价和对行为的评价混在了一起；一年限投六份倒是平台自己的规矩，立了就该守⁷⁴⁷⁵。

中国科技部监督司 2023 年 12 月 21 日发布的《负责任研究行为规范指引（2023）》，对生成式 AI 的规定相当具体：不得使用生成式人工智能直接生成申报材料；生成式人工智能不得列为成果共同完成人，应在研究方法或附录中披露使用的主要方式和细节；使用其生成的内容，特别是涉及事实和观点的关键内容，应明确标注并说明生成过程；不得直接使用未经核实的由其生成的参考文献。它还要求学术出版单位让作者说明所用软件的名称、版本和使用时间。对同行评议，它没有一刀切地禁止，而是要求“事先征得评议活动组织者同意”，并防止泄露评议内容¹¹⁵。

学科共同体也开始自己立规矩。除了数学的《莱顿宣言》，NeurIPS 2026 立场论文分会把来源审计引入了审稿；《自然》2026 年 9 月的社论建议 AI 公司把用户数据用于训练的默认设置从“选择退出”改为“选择加入”，并提醒研究者不要把审稿中的稿件上传到聊天机器人²⁹。三年来的规则形成了三条共识：AI 不能署名，使用要披露，评审要保密。第一条我完全赞成，第三条要看场合，第二条得说清性质：披露是平台的规矩，不是普遍的道德义务。平台要求就标注，没要求就由作者自行决定；边界画在“是否说谎、误导读者”，而不在“用没用 AI”。用了硬说没用当然是错的，但也犯不着像忏悔一样主动呈报——等 AI 成了默认的写作环境，也许反而是“纯人工创作”才值得特别标注。更好的办法是让披露成为过程记录的自然产物：研究像 GitHub 项目那样发布，AI 怎么参与，日志里本来就有，不必另写一段声明⁷⁵。但几乎所有规则仍以论文和申请书为单位，它们回答了“谁对这段文字负责”，却还没有回答“这项发现从何而来”。后一个问题需要版本、引用与见证这样的新基础设施，也是新的标准与声誉要处理的问题。

十一研究者们怎么想？#

研究者的态度可以概括为：用得越来越多，担心也越来越具体。《自然》2023 年对 1600 多名研究者的调查显示，他们用 AI 处理数据、写代码、辅助写论文，一个明显的好处是帮助母语不是英语的学者用英语发表；担忧则包括“黑箱”、训练数据中的偏见、错误信息的传播、AI 生成的虚假研究，以及企业对 AI 的主导¹¹⁶¹¹⁷。爱思唯尔在 2023 年底至 2024 年初调查了 123 个国家近 3000 名研究者和临床医生：知道 AI 的受访者中有 31% 已在工作中用过，中国（39%）高于美国（30%）和印度（22%）；对 AI 持正面态度的比例，北美为 28%，亚太为 40%，中国为 46%¹¹⁸。威立出版社对 70 多个国家近 5000 名研究者的调查显示，多数人预计两年内用 AI 准备稿件、撰写基金申请乃至审稿会被广泛接受¹¹⁹；《自然》2025 年对约 5000 名研究者的调查则发现，人们对何时可以让 AI 参与写作、需要披露什么，看法明显分歧¹²⁰。

分歧也沿着资历与资源展开。在费城的数学家大会上，《科学美国人》的记者问博士生：如果有一个按钮能让“AI 做数学”这件事停下来，你按不按？回答大致对半；一位不愿具名的学生说，他自掏腰包订阅了 Claude 的高级套餐，因为“不订就是在伤害自己”。刚在麻省理工学院任助理教授的娜奥米·斯威廷说，AI 正在暴露数学界的“阶级鸿沟”：顶层的少数人很兴奋，大量职位不稳定的人则忧心忡忡；埃米莉·里尔注意到，与企业的合作和前沿模型的使用权，主要流向人脉广、以男性为主的数学家⁶。这些焦虑我都当真，但焦虑总比麻木好：面对这样翻天覆地的冲击还能置身事外、风轻云淡，说明感受力出了问题。真正的鸵鸟是另一种人——每次都找出几条 AI 不如人的证据，然后就心安了；以不用 AI 为荣，靠的是铁饭碗和固化的权威，这就是我说的腐败。至于“阶级鸿沟”：一个课题组每月花上万元买 AI 额度，比起聘一个科研助理、买一套数据库、出一趟国，是九牛一毛，学校和课题组本该像提供数据库一样提供主流 AI；前沿模型的使用权确实流向有人脉的人，但人脉、实验室、学生劳动力这些旧垄断，AI 削弱得比它制造的多^131217475。

中国的公开讨论整体更乐观，但同样把重心放在验证上。2026 年 8 月在北京举行的科学智能大会上，中国工程院院士李国杰指出，AI 产生海量“看似合理”的假说，绝大多数无法被验证，科研资源因此浪费在低优先级的选项上；中国科学院院士鄂维南认为，打通科研与产业，仅靠科研能力的提升不够，“还必须在评价机制、组织形式上下功夫”；北京大学的莫凡洋说，科学品位、实验验证与责任判断始终是人类科学家不可替代的核心价值¹²²。邓煜的话或许最能代表一线数学家：在他的领域，“AI 还需要人类引导”，产生破题思路、理解和应用 AI 提出的新想法，“都需要人类自己动手”³⁶。我不想用“人不可替代”来收尾安慰谁。品位与责任留给人，不是因为 AI 太弱，而是因为它太强：它可以无限复制、随时回档，没有身体、没有死亡，因而没有情绪，也就不在乎你问的是肤浅还是深刻的问题——但你自己在乎。这不是一道护城河，而是一个位置；位置摆正了，就不必再和 AI 较劲¹²¹¹⁴。

十二放大、压缩与再分配：AI 到底改变了什么？#

把各学科的经验放在一起，第一个关键词是放大：AI 放大了产量，也放大了垃圾。2026 年 1 月发表于《自然》的一项研究分析了自然科学领域的 4130 万篇论文，发现使用 AI 的科学家发表的论文是其他人的 3.02 倍，被引次数是 4.84 倍，成为项目负责人的时间早 1.37 年；但在整个科学的层面，AI 的采用使研究主题的总体范围缩小了 4.63%，科学家之间的互动减少了 22%¹²³。另一项发表于《科学》的研究发现，用大模型写稿的科学家产量增加 23.7% 至 89.3%，却颠倒了写作复杂度与论文质量的关系，涌现出大量语言复杂而内容平庸的稿件¹²⁴；也有经济学者撰文质疑其识别方法，认为部分效应可能是统计假象¹²⁵。就连关于 AI 生产率的证据本身也需要验证：麻省理工学院一名博士生 2024 年的预印本声称，AI 让一家大公司研发实验室的材料发现增加 44%，一度被广泛引用；2025 年 5 月，MIT 宣布对其数据的来源、可靠性和有效性“没有信心”，要求撤回¹²⁶¹²⁷。垃圾的一面，前文已经列举。

第二个关键词是压缩，而压缩是不对称的。天气预报从超级计算机上的数小时缩短到一块加速器上的不到一分钟；帝国理工团队多年的探索，AI 共同科学家大约两天就重演了一遍；OpenAI 声称用 88 个小时攻下一道千禧年难题；霍尔的复现用时不到一小时。被压缩的主要是“生成”这一环，验证、讲清与消化并没有同步加速：A-Lab 的“新材料”两年后才以更正收场，OpenAI 的证明还在克雷研究所“刻意从容”的评审之中；布卢姆说，现在有大量一两百页的论文，作者让 AI 生成证明、检查证明、写成论文，“但没有人读过，也不会有人去读”²⁴。陶哲轩所说的“证明的消化不良”，并不限于数学。

第三个关键词是再分配，而且方向是双向的。一方面，门槛确实降低了：没有博士学位的年轻人借助聊天机器人解决了悬置数十年的问题；在埃尔德什问题网站的评论区，一位白天在客服公司上班的研究者可以与陶哲轩合作，《量子》杂志写道，在那里有没有终身教职、在不在大学都无所谓²⁴；古籍整理也吸纳了数千名业余校对者。另一方面，集中也在加剧：一次动用一万个智能体、花费数百万美元的攻关，正如布朗大学的哈维尔·戈麦斯-塞拉诺所说，“很少有数学家能拥有这种规模的资源”²⁶；数学马拉松的公开信也指出，不可能让每位数学家都拿到两万美元的 AI 额度去证一个结果³²。说“集中”之前，先别把传统学术想象成一个平等、纯粹、低门槛的世界。传统学术难道不用运营吗？学术地位换来资源、学生和助手，少数人拥有昂贵的实验室和数据库，会议是拉关系的场域，学界领袖能把控潮流。相比之下，AI 的壁垒并不显著；它不会自动带来公平，但它削弱的旧垄断——实验室、门派、学生劳动力——比它制造的新集中要多，真正的竞争会回到问题意识、判断力、品味和责任⁷⁵。《自然》9 月底的一篇评论认为，AI 正把研究引向数据最丰富、最容易被评价的方向，呼吁资助机构奖励“开拓新地形”，而不只是“高效开采旧矿”¹²⁸。这与梅塞里和克罗克特“产出更多、理解更少”的警告一脉相承¹¹。关注面收窄是我最在意的一条，因为同质化才是 AI 真正的问题。不过也要小心：表面的同质化未必只是损失。书写压平了口语的多样性，却在单一语言里长出了整座图书馆；围棋看起来比斗兽棋单调，深入其内才变化万千。新平台上的多样性不会自动内爆出来，得有人去探索——这是学者的使命，也是资助机构该奖励的东西¹³。

因此，瓶颈正在迁移。写作不再稀缺，稀缺的是四件事。验证：它是真的吗？形式化证明能回答一部分，湿实验和临床试验却无法加速到同样程度。讲清：有没有人能把它讲明白？消化：共同体有没有时间和人手吸收它？评价：它重要吗，由谁判断？普林斯顿大学的计算机科学家阿尔温德·纳拉亚南在 ICML 2026 的主题演讲中说，自动化同行评议的诱惑是一个陷阱，“如果我们把同行评议自动化，实际上就是把进步的方向交给了 AI 系统本身”；在他看来，人的理解“不是有待被自动化掉的摩擦”，而是我们从事科学的根本目的所在¹²⁹。AI 并没有让科学不再需要人，而是把人推向链条上更难、也更少被奖励的位置：审稿、复核、讲解、编教材。陶哲轩特别指出，审稿和编辑正是把个人成就转化为集体进步的机制，却是自愿承担、基本得不到承认的劳动¹⁷。这正是修补的极限所在：在旧的计分方式下，再多的补丁也无法奖励消化。

十三瓶颈迁移之后，该做什么？#

如果瓶颈已经迁移，科学需要的就不只是更好的 AI，而是新的见证技术与新的作品形态。科学史家夏平与谢弗指出，十七世纪的实验事实是由物质、文字与社会三种“技术”共同生产的，详尽的实验报告让不在场的读者也能“虚拟见证”¹³⁰。论文正是这种见证技术的后代。今天，新的见证手段正在各处零星出现：Lean 形式化让任何人都能用机器检查一个证明；Kosmos 为报告中的每条陈述标注所依据的代码或原始文献⁴⁷；NeurIPS 要求可疑投稿出示写作过程的审计记录（方向对了，只是目的不该是证明“人写的”，而是让过程可追溯）；陶哲轩主张，作者若不能就结果做一场清楚、正确、归属得当的专家报告，结果就不应发表，他还推荐了经同行评议的研究报告视频期刊《数学话语》¹⁷。把这些零件组装起来，就接近宣言所说的知识客体：论证、数据、代码、过程记录、讲解与机器接口放在同一件作品里，并且对机器友好。

公众与业余者也需要新的角色。维苏威挑战赛、埃尔德什问题网站、古籍众包，以及在 2026 年 6 月累计收到十亿次志愿者分类、参与者逾三百万人的 Zooniverse¹³¹，都说明当问题被拆解、数据被公开、标准被写明，业余者可以做出真正的贡献，这是公民科学的复兴在 AI 时代的延续。但布卢姆的担忧和数学马拉松的公开信也提醒我们，能降低的只是操作的门槛，而不是验证的标准；业余者需要的不只是模型，还有清楚的规则、可见的评审，以及愿意为他们的成果把关的专家。AI 时代观众的回归，前提是观众看得懂比赛。

还需要为乐趣而设计。瓦基尔说，雅可比反例让数学“更好玩了”；恽之玮说，AI 正在摧毁他的旅程。两种感受都是真实的。伯内特从课堂得出的结论是：既然再也无法强迫学生去读、去写，剩下的只有一件事，给他们想做的工作，并帮助他们想去做⁹⁵。科研也是如此。如果 AI 接管了“生成”，人留下的工作就必须被重新设计成值得做、也被认可的工作：复核可以像解谜，讲解可以像表演，消化可以像游戏里的探索与收集。这正是为乐趣而设计要回答的问题，也是 RenaSci 想用分层作品、公开回合和成就记录去尝试的方向。说到底，这不是生产力的问题。生产之所以重要，是因为它丰富了生活；AI 接管了生产，人就该回到生活、闲暇与品位上去，激励也该从按劳分配转向按乐分配——不再鼓励多劳，而鼓励每个人提升品位、感受力和想象力⁸⁶¹²¹。

2026 年 6 月从赫库兰尼姆焦卷中完整读出的那篇伦理学论著（研究者认为很可能出自斯多亚派）里，有一句残缺的话：“……我们会去探究某件事，但我们不会把握它，如果我们以某种方式偏离了我们自己和我们自己的本性……”⁸⁸这句借助机器才重见天日的两千多年前的话，恰好可以留给 AI 时代的科学。机器可以替我们去探究，可以替我们生成、检索、计算，甚至替我们写出一篇像样的论文，也许有一天连验证和讲解也能替我们做；但把握——判断什么值得探究、什么算讲清了、什么是好东西——只能是我们自己的事，不是因为机器做不到，而是因为只有我们在乎。这需要品位，也需要一个愿意为此付出时间和闲暇的共同体。