一篇发布于Linux.do论坛的讨论帖引发关注，发帖者是一名计算机安全方向在读博士。据其自述，2024年之前大模型尚未普及时，其阅读学术论文采取逐字精读的方式：理论性较强的密码学论文长达七八十页，往往需要一个月才能读完，且常出现’读完后面忘前面’的情况，但经过约一年积累，逐步在头脑中建立起了理论体系。2024年后，该作者开始接触大模型并迅速深度依赖，科研全流程，读论文、写方案、做实验、写论文——均高度依赖AI工具：撰写方案时与GPT Web Pro讨论，编写代码使用Codex，论文写作则使用Claude Opus。然而在效率大幅提升的同时，其逐渐察觉自己的思考深度不如从前，并提出核心判断：向模型提问的水平，即个人对问题的认知深度，很大程度上决定了模型输出质量的上限。基于这一认知，该作者目前主动降低了模型使用强度，试图回归自主构建科研知识体系的阶段，并将这一过程称为’蒸馏自己’，同时向社区征求知识库搭建与大模型协同使用的建议。帖子吸引了多位参与者加入讨论，议题直指AI时代科研人员的普遍困境：效率与深度思考如何兼得。
事件分析
从技术视角看，该帖触及当前AI辅助科研的核心矛盾：大模型极大压缩了信息获取与文本产出的成本，但知识体系的内化仍需高强度自主认知加工，二者存在天然张力。作者提出的’提问水平决定输出上限’，与业界关于提示质量依赖提问者领域认知的观察一致，缺乏背景知识的用户难以识别模型输出中的盲区与错误。产业层面，学术界关于’AI依赖导致批判性思维退化’的讨论持续升温，多项研究已将高频AI使用与认知外包现象相关联。该帖反映的’主动降频回归’策略，以及知识库工具与大模型结合的个人科研工作流（RAG、第二大脑等方案），可能成为AI工具厂商的下一个竞争点：如何设计既提升效率、又不削弱用户深度思考能力的协作模式。后续值得关注个人知识管理与LLM深度整合方案的演进，以及高校对AI辅助科研使用边界的规范化探索。
核心观点：AI能外包知识获取，却无法外包认知体系的构建；当思考被交给模型，提问的上限就成了能力的天花板。
原文链接：Linux.do
评论前必须登录！
立即登录 注册