AI 对科研工作者的冲击是全面的，我选择先用起来

最近刷小红书，连着刷到好几个科研人在说同一件事：AI要把科研民工的饭碗砸了。一个海洋气象方向的博士说，数据分析丢给AI就能Vibe Coding了，以前最得意的写程序能力，现在AI自己就能搞定。另一个华大的博士生更直接，标题就是"可能等不到毕业，就用不到我了"。评论区几千条，吵得很凶。

我看完这些帖子，心情挺复杂的。因为他们说的每一句话，我都经历过。

从"还行"到"完了"，中间就隔了半年

我是经济管理方向的高校教师，做过供应链韧性和调度优化算法。写程序对我来说一直是核心竞争力，不管是跑面板数据回归还是做优化模型，代码能力是把我和"纯文科"同事拉开差距的东西。

2025年年中，我开始注意到一件事。把模式数据的结果分析丢给AI，它居然能写出能跑的代码。准确率还差点意思，经常要改好几轮，但方向是对的。当时我的感觉是：嗯，有点意思，但暂时替不了我。

到了2025年下旬，ChatGPT和Claude这些模型的准确率突然飙上来了。不是渐进式的提升，是断崖式的跳跃。以前AI写的代码你得逐行检查，现在它写出来的东西，说实话比很多研究生写得还规范。

再到现在，AI自己写程序、自己跑数据、自己出report，甚至论文初稿都能给你整出来。从"还行"到"完了"，中间真的就隔了半年。

评论区的两派人，其实都对

那些爆款帖子的评论区特别有意思，基本分成两派。

一派说"你的工作本来就没含金量"。最高赞的一条评论是"大部分学生也不行"，意思是大部分人本来就不能形成新概念，AI只是把这个事实暴露出来了。还有人说"擅长搞关系讲故事的人含金量还在上升"，技术能力被AI拉平之后，会交际、懂合作的优势反而突出了。

另一派说"AI不能自己形成新概念"。它能处理已有的信息，但不能提出真正原创的想法。真正的科研突破需要的是洞察力，这个AI给不了。

说实话，两派都对。但你仔细想想，大部分科研工作者的日常，并不是在"形成新概念"。跑数据、写代码、整理文献、画图表、写初稿，这些占了科研工作量的80%以上。而这80%，恰恰是AI最擅长的。

有人在评论区说了一句很扎心的话：博士和博后就是靠做学术民工的活来积累经验的，现在AI把这条上升通道掐断了。以后新人怎么入门？这个问题我也没有答案。

我的选择：与其担心被替代，不如先用起来

焦虑了大概两个月之后，我做了一个决定：既然AI迟早要来，那我先站到它那边去。

这个过程不是一步到位的，我经历了好几个阶段。

最开始是网页端。ChatGPT、Claude的网页版，把问题粘贴进去，把答案粘贴出来。效率提升有限，因为你还是在手动搬运信息，AI只是一个更聪明的搜索引擎。

然后我试了Trae，字节出的AI IDE。代码补全、上下文理解，比网页端好用多了。你在编辑器里写代码，AI能看到你的整个项目结构，给出的建议更精准。但它还是一个"辅助工具"，你写一行它补一行，主导权在你手里。

真正的转折点是Claude Code。

这东西不是辅助你写代码，是你告诉它要做什么，它自己去做。你说"帮我把这1400个数据文件按省份合并，处理缺失值，输出描述性统计表"，它自己读文件、写脚本、跑代码、检查结果。你不再是"写代码的人"了，你是"下指令然后验收的人"。

这个变化看着小，实际影响很大。以前我的时间花在写代码上，现在花在想清楚"要AI做什么"和"检查AI做得对不对"上。想的时间多了，敲键盘的时间少了。

到现在，我同时用好几个工具。Claude Code处理复杂的数据管线和长流程任务，ChatGPT做快速的文献摘要和概念解释，Gemini在前端可视化方面表现不错。不同的工具有不同的长处，就像你不会只用一把螺丝刀干所有的活。

哪些环节AI真的能干，哪些它干不了

过去一年，我用AI跑完了一个完整的社科研究项目。4010个数据文件，611个处理脚本，4个并行子课题。每个环节都试过让AI介入，踩了不少坑，也攒了一些经验。

文献检索、数据获取、格式转换、代码生成、描述性统计，这些活AI可以直接上手。规则明确、路径清晰，它做得又快又好。以前一个下午整理20篇文献，现在同样的量缩短到十分之一。

文献精读、数据预处理、实证分析、论文写作，这些AI能出初稿，但你必须逐字核验。它引用的文献可能不存在，它算的数字可能是编的，它处理数据的时候可能悄悄改了你的数据结构。做科研，可追溯是生命线，AI不会帮你守这条线。

选题判断和理论框架，这两个环节AI基本帮不上忙。"为什么A会影响B"，这个问题需要你对现象有足够深的理解，需要你在不同理论之间找到别人没看到的连接。AI在这里就是个资料员，你让它查什么它查什么，但它不知道该查什么。

什么才不算"民工"

回到最开始的问题：AI对科研民工的冲击是100%的。如果你的工作就是跑数据、写代码、整理文献、画图表，那AI确实会狠狠教你做人。

但"民工"这个词的定义正在变。

以前，能写代码、能处理数据就不算民工，这是技术门槛。现在AI把这个门槛踏平了。新的分界线是：你能不能提出好的问题，能不能做出有价值的判断，能不能在AI给你的100个结果里挑出那个对的。

以前拼执行力，现在拼判断力。这话说起来简单，但对刚入行的年轻人来说挺残酷的：判断力恰恰是需要时间积累的东西，而积累的途径，过去就是做那些"民工活"。

我不确定自己属于哪一类。但至少，我选择先站到AI那边，边用边想。